Evaluating Reference Evapotranspiration and Soil Moisture as Predictors for Machine Learning-Based Actual Evapotranspiration Estimation: Model Performance and Explainability

准确估算实际蒸散发（ETa）对于可持续水资源管理和农业规划至关重要。本研究探讨了参考蒸散发（ET0）和土壤水分（SM）的可用性如何影响ETa预测性能及预测因子重要性，采用了随机森林（RF）、Bagging Trees（BT）、最小二乘提升（LSBoost）、广义加性模型（GAM）和多元线性回归（MLR）方法。在全球太阳辐射（Rs）、地表温度（LST）、归一化差异植被指数（NDVI）和SM的条件下，评估了包含和不包含ET0两种主要情景。模型使用80%的数据进行开发，在训练子集内进行五折交叉验证，最终性能在独立的20%测试子集上评估。模型可解释性通过SHAP、排列特征重要性（PFI）、偏依赖图（PDP）和时间符号SHAP分析进行评估，同时通过额外的SM消融实验量化了土壤水分的增量预测贡献。在情景I中，ET0是主导预测因子，RF和BT取得了最高的独立测试性能（R2 = 0.875；RMSE = 0.398–0.399 mm day−1）。排除ET0降低了预测性能，在情景II中RF、LSBoost和BT的R2值约为0.80，同时预测因子重要性结构主要转向Rs，其次是SM、LST和NDVI。去除SM进一步降低了两种情景下的性能，且在ET0不可用时性能下降幅度更大：情景I中R2下降了0.025–0.044，情景II中下降了0.051–0.099。在排除SM的情景I配置下（该配置使预测因子信息更接近此前的ANN和SAFER研究），R2值范围为0.820至0.832，表明ETa预测性能的差异不能仅归因于模型结构，还强烈依赖于预测因子信息含量。总体而言，ET0为ETa预测提供了大量大气需求信息，而Rs承担了主导预测作用，SM在ET0不可用时提供了特别重要的补充信息。综合性能、消融和可解释性分析表明，在开发和比较ETa估算方法时，需将预测因子组成与模型结构一并考虑。