近日，课题组光伏治沙方向研究取得最新进展，研究成果《Feature Contributions and Predictive Modeling of Aeolian Sand Transport Detection in the Atmospheric Surface Layer》被期刊 Aeolian Research接受发表。该研究构建了一套兼具高预测精度与物理可解释性的风沙事件检测框架，在湍流主导条件下实现了更加准确、稳定的风沙输运识别。研究成果不仅为大气近地层颗粒输运过程的机制分析提供了新的数据驱动方法，也为光伏治沙工程中的风沙监测与风险评估提供了理论支撑和技术路径。

研究背景

       风沙输运是干旱与半干旱地区地表过程演化、沙尘暴形成以及交通与工程安全中的关键物理过程。然而，在大气近地层（Atmospheric Surface Layer, ASL）中，湍流具有显著的间歇性特征，使得风沙起动和输运呈现出突发性与滞后性行为，传统基于平均风速或摩阻风速（u∗）阈值的方法难以准确刻画这种由湍流主导的瞬态过程。此外，不同观测高度与时间尺度下信号特征差异明显，进一步增加了预测的不确定性。因此，如何在保持物理机制解释能力的前提下，提高风沙事件识别与预测精度，是当前风沙动力学与大气边界层研究中的重要问题。

研究内容

       本研究构建了一套可解释机器学习框架，基于高频风速与通量观测数据，系统比较了原始三分量风速、一阶统计量、脉动速度分量以及包括摩阻风速（u∗）与湍流强度（TI）在内的二阶统计派生量在风沙事件检测中的预测能力，并在不同时间平均窗口与不同高度条件下进行性能评估。结果表明，顺风向风速是一项最关键预测变量；基于一阶统计量的滑动窗口特征在30 s时间尺度下表现最佳，与风速去相关时间尺度高度一致；脉动速度单独使用效果有限，但与一阶统计量结合后可显著提升预测性能；基于u∗和TI的模型表现稳定，但需更长时间窗口。结合SHAP方法的特征解释分析揭示了近地面风速及其派生量在风沙起动中的主导作用。该框架在提升预测精度的同时保持了良好的物理可解释性，为风沙监测策略优化与大气近地层颗粒输运研究提供了新的技术路径。

       文章接受版本：