《Scientific Reports》：High-resolution forecasting of soil thermal regimes using different deep learning frameworks under climate change
编辑推荐：
本研究针对气候变化下土壤温度精准预测难题，开发了基于CanESM5(CMIP6)的深度学习降尺度框架。通过集成随机森林、置换重要性与SHAP分析筛选最优预测变量，对比CNN/LSTM/GRU/CNN-LSTM四种模型发现，混合模型在伊朗西部5cm深度土壤温度预测中表现最优(NSE>86%，RMSE<4.3°C)。研究揭示了不同排放情景下土壤温度的异质性响应：SSP585路径呈现"先降温后加速升温"的非线性特征，而SSP126/SSP245路径则保持稳定升温，为气候变化生态风险评估提供了重要科学依据。
随着全球气候变化加剧，土壤温度作为调控生态水文过程的关键参数，其精准预测已成为农业可持续发展和生态系统管理的重要课题。然而，现有气候模型因空间分辨率粗糙难以捕捉复杂地形效应，加之土壤-大气界面相互作用机制尚未完全阐明，导致区域尺度土壤热状况预测存在显著不确定性。这一科学瓶颈尤其在地形复杂的干旱半干旱区域更为突出，例如受扎格罗斯山脉影响的伊朗西部地区，其土壤温度变化同时受到海拔梯度与气候带交叉作用的影响。
为突破这一局限，研究团队在《Scientific Reports》发表了创新性研究成果，通过构建多模态深度学习框架实现了高精度土壤温度降尺度预测。该研究巧妙融合了机理模型与数据驱动方法的优势，为理解不同排放情景下土壤热状况的演变规律提供了新范式。
本研究主要采用四项关键技术路径：首先基于CanESM5(CMIP6)的26个气候变量集，运用随机森林(Gini指数)、置换重要性和SHAP(Shapley Additive exPlanations)三种互补性特征筛选方法确定最优预测因子组合；其次构建CNN(卷积神经网络)、LSTM(长短期记忆网络)、GRU(门控循环单元)及CNN-LSTM混合模型四大深度学习架构；第三采用1980-2014年历史观测数据验证模型降尺度性能；最后通过SSP119/SSP126/SSP245/SSP370/SSP585五种典型浓度路径模拟2015-210年土壤温度演变。
模型性能评估
通过历史数据验证发现，CNN-LSTM混合模型在捕捉土壤温度时空依赖关系方面表现卓越，其纳什效率系数(Nash-Sutcliffe efficiency, NSE)>86%，均方根误差(Root Mean Square Error, RMSE)<4.3°C，显著优于单一架构模型。该模型成功解析了地形复杂度与气候敏感性的耦合机制，证实混合神经网络在处理非线性地球系统问题中的独特优势。
情景趋势合理性检验
对2015-2020年短期预测的验证揭示出显著的区域分异规律：气候更为干旱且对升温敏感的西部站点与SSP245/SSP370情景高度吻合，而受扎格罗斯山脉地形调节的东部站点则呈现降温与降水反馈增强特征，更符合SSP119/SSP126情景的演变规律。这一发现强调了区域地理特征对气候响应模式的调制作用。
未来投影分析
多情景模拟结果显示土壤温度对排放路径的响应呈现显著非线性特征。高排放路径(SSP585)引发独特的"迟滞加速"现象：2040年前出现4.11°C的意外降温，但至2100年反而产生2.09°C的净升温，形成先抑后扬的J型曲线。与之形成鲜明对比的是，中低排放路径(SSP126/SSP245)始终维持平稳的温和升温趋势。这种根本性差异导致SSP585情景下出现气候统计特征的结构性转变，突显排放路径选择对土壤热力学系统的长期影响。
该研究通过多维度验证证实，高排放虽会延迟但最终将引发更剧烈的升温过程，这种"气候债"现象警示短期降温假象可能掩盖长期生态风险。研究创建的深度学习降尺度框架不仅实现了操作性与精度的统一，更重要的科学价值在于揭示了排放路径依赖型土壤温度响应机制，为区域适应性战略制定提供了量化工具。值得注意的是，SSP585路径下出现的统计特征逆转现象，提示传统线性外推方法可能严重低估极端气候情景的生态冲击，这对改进当前气候影响评估模型具有方法论意义。
