|
迈向NoahMP-AI：借助深度学习增强陆面模型预测能力 Towards NoahMP-AI: Enhancing Land Surface Model Prediction with Deep Learning Mahmoud Mbarak, Manmeet Singh, Naveen Sudharsan, Zong-Liang Yang
研究背景
在极端事件期间准确预测土壤湿度是当前地球系统建模领域面临的关键挑战之一，其对于干旱监测、洪水预报以及气候适应策略的制定具有深远影响。陆面模型（LSMs）虽能基于物理原理进行预测，但在极端条件下，其参数化方案超出校准范围时会表现出系统偏差。例如，在2012年美国农业干旱事件中，主要陆面模型未能准确预测，导致了300亿美元的经济损失。此外，陆面模型在应对干旱和飓风等两类极端事件时面临不同挑战：干旱条件下需准确模拟土壤湿度的缓慢变化、植被胁迫响应以及地表干燥与大气条件之间的复杂反馈；而在飓风等极端降水事件中，则需应对土壤湿度的快速变化、优先进流路径以及“棕色海洋效应”等现象，即饱和土壤在飓风登陆后仍能维持其强度。
研究意义
本研究提出的NoahMP-AI框架，通过将完整的Noah-MP陆面模型作为全面的基于物理的特征生成器，并利用机器学习针对卫星观测数据纠正系统偏差，显著提高了极端事件期间土壤湿度预测的准确性。该框架不仅在干旱条件下将决定系数（R²）从-0.57提升至0.46，还在飓风条件下保持了物理一致性与空间连贯性。这一成果不仅为实际操作中的预测提供了一种实用工具，还为研究如何在环境预测系统中最佳地整合基于物理的理解与数据驱动的学习建立了一个基准。
方法
研究设计与案例研究
研究聚焦于美国德克萨斯州，该地区气候多样，易受干旱和飓风影响。研究选取了两个对比鲜明的极端事件作为案例研究：
1. 长期干旱条件（2022年3月至9月）：该时期超过70%的德克萨斯州经历了严重至异常干旱条件，为评估模型在极端土壤湿度亏缺下的性能提供了严格测试。
2. 飓风Beryl（2024年7月）：飓风Beryl在德克萨斯州马塔戈达附近登陆，带来了剧烈降水、土壤湿度快速变化以及潜在的“棕色海洋效应”动态，测试了框架在极端湿润事件中捕捉土壤湿度状态急剧变化及保持物理一致性的能力。
Noah-MP模型配置与基于物理的特征生成
Noah-MP陆面模型作为全面的基于物理的特征生成器，其配置参数如表1所示。该模型通过多个参数化选项对关键过程进行描述，包括地表水渗透、径流生成、土壤湿度胁迫函数和植被动态等，为深度学习组件提供了丰富的物理信息。模型输出包括土壤湿度、潜热通量和感热通量等特征，用于后续的深度学习处理。
SMAP卫星观测
NASA的SMAP任务提供了全球土壤湿度观测数据，具有高精度和覆盖范围。SMAP L4产品通过将SMAP亮度温度观测数据同化到NASA Catchment陆面模型中，提供9公里空间分辨率和3小时时间频率的土壤湿度估计。研究中使用双线性插值将SMAP L4数据插值到9公里的Noah-MP网格上，并应用质量控制掩码以确保仅在高置信度观测上进行训练。
NoahMP-AI架构：基于物理的深度学习框架
NoahMP-AI框架采用3D U-Net卷积神经网络架构，专门用于时空土壤湿度预测。该架构通过编码器-解码器结构以及跳跃连接来保持空间信息，同时学习从SMAP观测数据中纠正系统偏差。网络输入为一个4D张量，包含Noah-MP的土壤湿度、潜热通量和感热通量三个通道，时间维度覆盖每个集合的完整时间域。编码器由四个块组成，每个块包含两个3D卷积层，特征通道数逐渐增加，通过3D最大池化进行空间下采样。解码器路径则通过3D转置卷积进行上采样，逐步重建空间分辨率。最终的1×1×1卷积和ReLU激活函数确保非负土壤湿度预测，维持物理一致性。
数据
数据来源
• Noah-MP模型数据：作为基于物理的特征生成器，提供土壤湿度、潜热通量和感热通量等特征。
• SMAP卫星数据：作为观测目标，提供高精度和高覆盖范围的全球土壤湿度观测数据。
• NLDAS-2数据：提供大气强迫数据，包括降水、气温、比湿、表面气压、风速、短波/长波辐射等变量。
数据处理
• Noah-MP模型数据：模型配置为离线模式，空间域为德克萨斯州（25°N-37°N, 94°W-107°W），水平分辨率为9公里，垂直离散化为4个土壤层，模拟时间为3600秒，输出频率为3小时一次。
• SMAP卫星数据：通过双线性插值将SMAP L4数据插值到9公里的Noah-MP网格上，并应用质量控制掩码。
• NLDAS-2数据：提供大气强迫数据，用于驱动Noah-MP模型。
研究结果
干旱案例研究
NoahMP-AI框架在2022年德克萨斯州干旱期间的土壤湿度预测准确性显著优于单独的Noah-MP模拟。通过多个指标评估性能，包括决定系数（R²）、均方根误差（RMSE）、平均绝对误差（MAE）和空间相关系数。分析所有测试集合成员的结果显示，基于物理的方法在纠正系统偏差的同时，保持了物理上有意义的空间和时间模式。
• 空间模式比较：Noah-MP在大部分区域内表现出明显的干燥偏差，未能捕捉到SMAP观测到的空间异质性。相比之下，NoahMP-AI成功地再现了观测到的空间梯度，包括西部德克萨斯州的严重干旱条件和东部地区的相对较高湿度水平。
• 散点图分析：Noah-MP的负R²值（-0.5705）表明其预测结果比使用平均值更差，特别是在中高湿度范围内存在系统性低估。NoahMP-AI实现了正R²值（0.4598），表明模型在追踪观测到的土壤湿度变化方面有了根本性的改进。
• 时间稳定性：NoahMP-AI在整个模拟期间保持了相对稳定的性能，R²值范围从0.4到0.5，而Noah-MP基线的R²值范围从-0.6到-0.2。这表明学习到的偏差校正能够很好地泛化到干旱期间的不同气象条件下。
飓风案例研究
飓风案例研究涉及独立训练的NoahMP-AI，用于捕捉极端降水事件中土壤湿度的快速变化。在飓风Beryl期间，NoahMP-AI在所有三个预测时效（1天、2天、3天）上均显著优于Noah-MP，R²值均超过0.75，而基线模型的R²值为负或仅为弱正值。1天预测时效的性能最强（R²=0.85±0.08），尽管预测不确定性增加，3天预测仍保持显著改进（R²=0.78±0.12）。这表明NoahMP-AI能够有效地学习不同极端事件类型的偏差校正模式。 | 
发表于