MS-HyTimeXer:一种融合多尺度时序特征的树干液流预测模型OA

【目的】树干液流是量化植物蒸腾过程和评估生态系统水分利用效率的重要指标,其变化受到环境因子、生理调控以及时间滞后效应的共同影响,传统预测方法难以有效刻画复杂非线性关系和中长期动态变化。针对现有时间序列预测模型在多尺度特征提取和植物水分传输滞后响应建模方面的不足,本文提出一种基于多尺度混合Transformer的树干液流中长期预测模型MS-HyTimeXer。【方法】基于SAPFLUXNET数据库中加拿大东部白松树干液流观测数据,选取2010年1月1日至2011年12月31日期间30 min尺度连续观测数据,共35040组样本开展实验。以TimeXer模型为基础,引入多尺度分块嵌入、LSTM时序校准和多尺度卷积3个关键模块。其中,多尺度分块嵌入用于增强不同时间尺度特征表达能力,LSTM时序校准用于捕获环境变化与树干液流响应之间的时间滞后关系,多尺度卷积用于提取局部突变和短时动态特征。选取DLinear、Informer、PatchTST、iTransformer和TimeXer 5种模型作为对比方法,对不同模型的预测性能进行评价。【结果】实验结果表明,MS-HyTimeXer模型能够有效融合多尺度时间特征和环境因子信息,在树干液流中长期预测任务中取得最优性能。与基准TimeXer模型相比,MS-HyTimeXer的均方误差(MSE)由0.765 cm^(3)/(cm^(2)·h)降低至0.312 cm^(3)/(cm^(2)·h),降低59.74%;决定系数(R2)由0.869提高至0.918;平均绝对百分比误差(MAPE)降低至7.652%。在6种深度学习模型中,MS-HyTimeXer获得最低的MSE、MAE和MAPE,表现出更高的预测精度和稳定性。进一步分析表明,预测窗口长度为512时,该模型在中长期预测任务中仍保持较优性能。【结论】MS-HyTimeXer通过融合多尺度时序表示、长期依赖建模和局部动态特征提取机制,有效提升了复杂生态环境条件下树干液流预测能力,为植被蒸腾估算、森林水资源管理以及生态系统智能监测提供了一种新的技术方法。