《Journal of Thermal Biology》：From Big Data to Small Scales: Machine Learning Enhances Microclimate Model Predictions
编辑推荐：
本研究针对传统物理热平衡模型在预测微生境地表温度时存在系统性偏差的问题，通过结合无人机高分辨率环境制图与机器学习技术，开发了一种物理模型与随机森林机器学习相结合的混合建模方法。研究结果表明，机器学习偏差校正使模型平均绝对误差降低超过30%，均方误差降低50%，显著提升了微气候预测的准确性，为生态研究和气候变化下的保护规划提供了更可靠的工具。
在生态学研究领域，生物体如何响应气候变化是一个核心科学问题。然而，一个长期存在的挑战在于，生物实际体验的环境条件与其尺度远小于常规气象观测站所能提供的分辨率。生物生存的“微气候”——即在小至厘米到米尺度上变化的温度、湿度等条件——深刻影响着它们的行为、生理乃至物种分布格局。传统上，生态学家依赖物理热平衡模型来将大尺度气候数据降尺度到生物栖息地的微环境，但这些模型往往因未充分考虑环境复杂性或参数约束不足而产生系统性偏差，这无疑限制了生态研究的准确性以及在气候变化背景下制定有效保护策略的能力。
近期，技术发展为解决这一难题带来了新的希望。一方面，搭载热红外和可见光相机的无人机使得低成本、高效率地收集高分辨率环境数据成为可能；另一方面，机器学习（Machine Learning, ML）方法在气候科学中已展现出从数据中学习复杂模式以改进模型预测的强大能力。那么，一个自然而然的问题是：能否将机器学习的优势与物理模型的机理基础相结合，从而提升微气候预测的精度？这正是发表于《Journal of Thermal Biology》上的这项研究旨在回答的问题。
为了回答上述问题，研究团队在以色列的犹大沙漠（Judean Desert）开展了一项深入的案例研究。他们设计并实施了一套结合物理建模与机器学习偏差校正的完整工作流程。首先，利用无人机进行多次测绘飞行，获取高分辨率的RGB（可见光）和热红外影像，进而生成数字表面模型（Digital Surface Model, DSM）、数字地形模型（Digital Terrain Model, DTM）、太阳辐射、天空可视因子（skyview）、植被指数（Triangular Greenness Index, TGI）以及离地高度等一系列精细的环境特征图。这些特征图与气象站及全球陆地数据同化系统（Global Land Data Assimilation System, GLDAS）获取的气象数据一同输入到一个基于NOAH微物理模型的热平衡方程构建的物理微气候模型中，用以预测每个像素（15 cm2）的地表温度。随后，研究人员将物理模型的预测结果与无人机热红外相机实际观测到的地表温度进行比较，得到预测误差图。最关键的一步是，他们利用随机森林（Random Forest）机器学习模型，以物理模型的输入特征（如太阳辐射、阴影、天空可视因子、TGI、高度）及其原始预测值作为自变量，以中心化后的预测误差（即每个像素的误差减去整张图的平均误差）作为因变量进行训练。训练好的机器学习模型被用于预测新数据中物理模型的偏差，进而对原始预测进行校正，最终得到偏差更小的微气候预测结果。
3.1. 机器学习校正前后微气候偏差的比较
机器学习校正显著降低了物理模型的预测误差。统计分析表明，经过机器学习校正后，模型的平均误差（ME）降低了约0.9-1.5°C，平均绝对误差（MAE）降低了超过30%，均方误差（MSE）降低了约50%。误差分布也更加集中，90%的校正后误差被控制在±4°C以内，而校正前为±6°C。这表明机器学习有效缩小了预测不准确的范围，提升了模型的整体精度和稳健性。
3.2. ML校正对系统性偏差的影响
研究发现，物理模型的预测偏差与环境特征存在显著的系统性关联。例如，在开阔生境中，模型倾向于在高太阳辐射和高天空可视因子条件下高估温度，而在植被覆盖度高（TGI值高）和离地高度大的区域低估温度。在阴影生境中，偏差模式则有所不同，例如对太阳辐射的高估更为明显。机器学习校正显著减弱或改变了多数这些系统性偏差的幅度。例如，对于开阔生境中高度相关的偏差，校正后其影响显著减小。然而，校正并未完全消除所有偏差，例如在开阔生境中，太阳辐射和天空可视因子对偏差的正向影响在校正后依然显著，提示可能还存在模型未能捕捉的物理过程或需要更复杂的特征表达。
该研究清晰地证明，将机器学习作为物理微气候模型的偏差校正层，能够有效提升在开阔、植被稀疏生境中的微气候预测精度。这种“物理机制+数据驱动”的混合建模框架，既保留了物理模型的可解释性和外推潜力，又利用机器学习从观测数据中学习并修正系统误差，实现了优势互补。研究成果不仅为生态学家和保护实践者提供了生成更准确微气候估算的强大工具，从而深化对物种气候响应的理解并支持气候适应性管理策略的制定，还通过分析机器学习校正所针对的偏差来源，间接揭示了物理模型中可能被低估或过度简化的关键参数和过程（如阴影物体的热特性、高度对风速的影响、漫射辐射估算等），为未来物理模型的改进指明了方向。尽管当前方法在处理高度复杂生境（如茂密森林）和外推至未来全新气候情景时存在局限，但随着数据收集技术的普及和机器学习模型的发展，这一框架有望被进一步推广和优化，在生态风险评估、物种分布预测和生物多样性保护等领域发挥越来越重要的作用。
研究采用的关键技术方法主要包括：1) 基于无人机（eBee X搭载Duet T双传感器相机）的高分辨率RGB与热红外影像采集及后续 photogrammetry 处理（使用Pix4DMapper软件）生成环境特征图（DSM, DTM, 太阳辐射, 阴影, 天空可视因子, TGI, 高度）和真实地表温度验证图；2) 基于物理热平衡方程（源于NOAH微物理模型）的微气候模型构建与参数化，输入数据为无人机生成的特征图以及来自移动气象站和GLDAS在线数据库的气象变量；3) 使用随机森林回归模型（scikit-learn包实现）进行机器学习偏差校正，以物理模型预测误差为中心化目标变量，以环境特征和原始预测值为输入进行训练和预测。研究区域为以色列犹大沙漠的Tse'elim河停车场自然栖息地。
