在气候数据有限条件下，采用元启发式算法增强的深度学习用于月度蒸发皿蒸发量预测

为什么水的蒸散关系到日常生活

水每天从湖泊、水库和农用蓄水池中通过蒸发消失，无声地决定了可用于饮用、粮食生产和生态保护的水量。测量和预测这种损失看似简单——只需观察水从一个水盘中蒸发——但实际上很困难，尤其是在气象观测稀少的地区。本研究探讨了如何使用现代深度学习并结合受自然启发的搜索策略，在仅有少量基础气候观测的情况下预测月度蒸发皿蒸发量，帮助社区在数据稀缺时为干旱、洪水和季节变化做出规划。

用金属盘观察水的消失

工程师和水文学家常用“蒸发皿蒸发”作为估算开放水面水量流失速度的实用方法。一个装满水的浅金属盘可代表湖泊、运河和水库。然而，这些测量易受仪器故障、维护问题和记录缺失的影响。将蒸发与温度、太阳辐射等气候变量联系的间接公式在关键数据缺失时也常常表现不佳。由于蒸发对天气和景观条件的响应复杂且非线性，传统方法在仅有少量基础气候变量的地区特别容易高估或低估水量损失。

教会一种基于记忆的模型“读懂”天气

作者基于一种名为长短期记忆网络（LSTM）的深度学习结构，这类网络专为学习时间序列模式而设计。LSTM 像一系列相连的“记忆单元”，决定保留、遗忘或传递哪些信息，使其非常适合逐月追踪变化的气候状态。在本研究中，模型仅使用少量输入：最低气温、最高气温和入射太阳能量的一个指标。目标是在多年尺度上预测每月蒸发皿蒸发量，并在输入信息有限或不完整时仍保持可靠。

让原生动物和甲虫引导搜索

训练 LSTM 涉及选择许多内部设置——例如学习率、隐藏单元数和丢弃率——这些超参数对准确性有重大影响。研究者没有通过反复试验来调整这些参数，而是引入了两种新的仿生“元启发式”优化器：人工原生动物优化器（APO）和粪甲虫优化器（DBO）。这些算法模拟微观原生动物的觅食、休息与繁殖行为，以及粪甲虫滚动、重新定向、偷窃和筑巢其粪球的行为。在数学上，它们的行为被转化为先广泛搜索、再聚焦于有希望参数区域的灵活策略。通过将 APO 和 DBO 与 LSTM 结合，研究构建了两种混合模型——LSTM‑APO 和 LSTM‑DBO——自动搜索能提供最可靠蒸发预测的超参数组合。

在季风形态的区域中测试模型

研究团队使用中国东南部两个气象站 40 年的数据评估这些方法，该地区为季风区，湖泊、稻田频繁遭遇洪涝和干旱。他们有意通过多种数据划分策略模拟现实约束，将 70% 到 80% 的记录用于训练，其余用于测试。还测试了不同的输入组合——仅温度或温度加辐射——以评估模型在信息极少时仍能良好运行所需的最小输入量。性能通过常见的误差和拟合优度统计指标评估，并辅以散点图、泰勒图和小提琴图等可视化方法比较观测与预测的蒸发模式。

受自然启发的调参带来更精确的预测

在两个气象站和所有数据划分方案中，采用 APO 和 DBO 的网络始终优于标准 LSTM 及早期使用更常规优化器的混合模型。在第一个站点的最佳情况下，LSTM‑APO 将关键误差指标削减近一半，并大幅提高观测与预测蒸发的吻合度。在第二个站点，它同样将误差降低约 40% 并提高了预测技能指标。LSTM‑DBO 也取得了显著改善——通常将误差减少 20% 至 30%——并在不同测试配置之间产生更稳定的预测。一个重要的实际发现是，更多输入并不总是更好：在许多情况下，最低和最高温度的简单组合优于同时使用理想化辐射的模型，强调了在配备调优良好的深度网络时，精心选择且广泛可得的变量即可足够。

这对在变化世界中管理水资源意味着什么

对非专业读者而言，结论很直接：通过将时间感知的神经网络与巧妙的生物启发搜索例程结合，可以仅凭少量气候信息预测开放水面的蒸发速度。LSTM‑APO 和 LSTM‑DBO 并没有改变蒸发的物理规律，但它们比早期工具更准确地学习了某一地区的典型行为，即便在数据有限的情况下也能如此。这有助于在数据匮乏的地区改进水库运行、灌溉规划和抗旱准备。作者建议未来的工作应在实时环境和更广泛的气候条件下测试这些混合模型，并加入更多气象细节如风速和湿度。尽管如此，当前结果已表明，代码中的“原生动物”和“粪甲虫”能够帮助保护现实中的水源。

引用: Kisi, O., Adnan, R.M., Zounemat-Kermani, M. et al. Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data. Sci Rep 16, 14039 (2026). https://doi.org/10.1038/s41598-026-51071-3

关键词: 蒸发皿蒸发, 深度学习, 元启发式优化, 水资源, 气候数据