将数据同化与机器学习相结合，以改善地表状况以及近地表温度和湿度的预报

《Agricultural and Forest Meteorology》：Coupling data assimilation and machine learning to improve land surface conditions and near-surface temperature and humidity forecasts

本研究耦合混合数据同化-机器学习框架与WRF模型，评估土壤湿度和植被数据对地表初始化及近地表天气预报的影响。结果显示优化LAI和SM显著提高WRF模拟的水表深度、蒸发蒸腾、温度和湿度，尤其在干年中LAI优化带来额外效益。DL方法有效改进初期地表初始条件，提升未来一个月近地表温度、湿度和降水预测精度。

　　

Xinlei He|Shaomin Liu|Tongren Xu|Fei Chen|Zhitao Wu|Ziwei Xu|Xiang Li|Rui Liu

中国太原山西大学黄土高原研究所

摘要

提高地表条件的表示能力并提升近地面天气预报的准确性，仍是数值天气预报（NWP）面临的关键挑战。本研究将混合数据同化-机器学习框架（DL）与天气研究和预报（WRF）模型相结合，以量化土壤湿度（SM）和植被数据对地表初始化及近地面天气预报精度的影响。通过将基于卫星的叶面积指数（LAI）和多源SM数据整合到美国南部大平原（SGP）的WRF模型中实现了这一目标。结果表明，优化LAI和SM显著改善了WRF模型中对地下水位深度、蒸散量（ET）、气温和湿度的模拟。除了SM之外，LAI的优化在干旱年份也对WRF模型带来了额外的好处。在干旱和湿润年份进行了系列对比实验，以评估气温和湿度预报的准确性。使用DL方法优化后的植被和SM条件作为预报期初期的初始条件。结果证实，DL方法有效细化了预报期初的地表初始条件，从而改善了近地面大气条件（如气温和湿度）的估计，并改变了预报期间的降水模式。此外，在湿润/正常年份，LAI和SM的整合在提高预报精度方面比干旱年份更为有效。对预报结果的分析表明，DL方法能够优化初始条件，并提升接下来一个月的近地面天气预报。

引言

近年来，地表在数值天气建模和预报领域受到了越来越多的关注（Gentine等人，2019年；Santanello等人，2019年；Mondal和Mishra，2024年）。作为表面边界条件中的关键变量，土壤湿度（SM）和植被在分配地表湍流通量和影响陆气相互作用方面起着重要作用（Santanello等人，2018年；Barlage等人，2021年；Ahmad等人，2022年）。土壤湿度通过土壤蒸发和植被蒸腾为大气提供水分，并影响云量、降水和径流等大气和水文过程（Hung等人，2022年；Han等人，2024年）。由土壤湿度和植被状态驱动的大气水分传输变化会改变干旱持续时间、区域降水量和降雪强度。此外，植被还会改变地表反照率和粗糙度，最终影响地表能量平衡（Mocko等人，2021年；Kumar等人，2022年；Zhao等人，2025年）。最近的研究表明，土壤湿度和植被动态对气温、湿度、降水量以及行星边界层具有重要的影响，并且具有相对较长的记忆效应（Lin和Pu，2019年；Zhang等人，2022年；Rahmati等人，2024年）。

已经提出了多种地表模型（LSMs）来模拟土壤湿度和植被动态，以及表示水和能量循环（Dai等人，2003年；Chen等人，2007年；Niu等人，2011年；Bateni等人，2014年；Samuel和Chakraborty，2023年）。将LSMs与区域气候模型相结合，可以详细描述陆地系统与大气过程之间的相互作用，为地球系统的动态提供宝贵的见解（Chen和Dudhia，2001年；Maussion等人，2011年；Erlandsen等人，2017年；Yue等人，2021年）。LSMs的一个基本功能是将地表可用的能量分为感热通量和潜热通量，为天气和气候模型提供表面边界条件（Xia等人，2019年；Sawada等人，2020年；Pan等人，2025年）。然而，模型化的陆气耦合强度与实际观测结果不符，这与土壤湿度和植被动态的模拟偏差有关。这些偏差可能导致近地面气温和湿度的表示出现较大误差（Green等人，2017年；Zhou等人，2023年）。

数据同化（DA）方法是地球系统建模中的基本方法，通过将遥感观测数据与动态模型相结合，有效减少了模型状态变量和参数估计的不确定性（Tangdamrongsub等人，2020年；Xu等人，2021年）。DA方法旨在将观测数据整合到基于过程的模型中，以细化模型状态和参数，最终提供更准确的水分、能量和碳通量估计（Zhao和Yang，2018年；Li等人，2025年）。广泛使用的DA方法，如变分数据同化（VDA）和集合卡尔曼滤波器（EnKF），已成为地表建模和天气预报的关键工具（Whitaker等人，2008年；Fisher等人，2009年；Xu等人，2019年；Lin和Pu，2019年，2020年；Mucia等人，2020年；Zhang等人，2020a年；He等人，2021年，2022年）。Li等人（2022年）将基于卫星的叶面积指数（LAI）和SM数据整合到基于物理的陆地生物圈模型（LPJ-DGVM）中，用于VDA方法中的碳和水通量估计。Rahman等人（2022年）将基于卫星的LAI和SM数据整合到Noah-MP模型中，应用于整个美国大陆。他们的研究结果表明，DA方法提高了水分和碳通量估计的准确性。然而，DA方法的有效性受到遥感观测空间分辨率的限制，限制了其准确描述异质地表上土壤和植被动态的能力。

许多研究表明，土壤湿度数据的同化可以改善数值天气预报（NWP）模型的初始条件，从而提高近地面天气预报的准确性（Drusch和Viterbo，2007年；Santanello等人，2019年；Hakim等人，2022年；Tian等人，2022年）。Mucia等人（2020年）表明，LAI和SM的同化可以提前两周准确预测未来的地表条件，尤其是LAI和蒸散量（ET）。Lin和Pu（2019年）引入了一个与区域气候模型耦合的DA系统，并表明整合土壤湿度主动被动（SMAP）观测数据可以提高大气变量预报的准确性。因此，准确描述土壤湿度和植被动态对于建立可靠的地表初始条件、正确表示陆气耦合过程以及最终提高温度、湿度和降水预报的精度至关重要。

最近，由于人工智能技术的进步，机器学习（ML）方法已被纳入LSMs中，以提供更准确的地表变量（LSVs）模拟（Pal和Sharma，2021年；Sun等人，2025年）。ML方法通过建立数据之间的复杂非线性关系，改善了模型状态分析和预报以及参数估计，提高了LSVs的准确性或计算效率（Chaney等人，2016年；Tsai等人，2021年；Eyring等人，2024年）。此外，DA和ML方法的结合标志着地表模拟的进步，有助于解决地球系统的高维度、复杂性和非线性问题（Bennett和Nijssen，2021年；Li等人，2023年，2024年；Yang等人，2023年）。He等人（2022年）在Noah-MP模型中实施了集成的DA和ML方法（以下简称DL方法），表明更详细地表示植被动态和土壤湿度可以提高半干旱地区的蒸散量模拟精度。

本研究基于He等人（2022年的工作，但旨在评估DL方法对美国南部大平原（SGP）季节性ET、气温和特定湿度预报的影响。需要解决的一般科学问题是：1）DL方法在植被和SM方面的改进如何在不同水文气候条件下（干旱年份 vs. 湿润年份）影响区域气候和天气预报？2）这些影响在次季节性（月度）时间尺度上如何演变？为了解决这些问题，开发的DL系统被用于将SM和LAI数据整合到WRF模型中，从而增强SM和植被条件的表示。在干旱和湿润年份的生长季节，对估计的地下水位深度、ET、气温和湿度进行了观测验证。此外，还使用DL框架进行了多项预报实验，以评估改进的土壤和植被条件对预报期间近地面大气模拟的影响。

WRF模型配置

本研究使用WRF模型（版本4.3）构建了DL框架。WRF模型是一个中尺度NWP系统，广泛应用于生态水文、气象和天气预报研究。WRF模型提供了多种大气和地表过程的选项，使其在区域气候模拟和应用中非常有效。对于WRF模型的设置，在SGP区域采用了4公里嵌套网格间距（图1），共有28个垂直层

地表状态变量估计

在本节中，我们评估了SM、LAI、地下水位深度和ET，以分析DL方法带来的地表特征改进。图3展示了来自WRF_OL、WRF_DL-ALL和卫星观测的平均LAI和SM的空间分布。WRF_OL的LAI估计无法捕捉到卫星观测的幅度和空间变异性。这种差异是由于Noah-MP中的植被动态模型分配了固定的输入参数

结论

本研究采用了一种集成的DA和ML方法，结合WRF模型，在2017年至2019年期间对SGP进行了预报实验。基于卫星的LAI和多源SM数据被整合进来，以提高土壤和植被条件的准确性。WRF模型中低估的LAI和SM限制了土壤蒸发和植被蒸腾，导致SGP地区出现暖偏差。将LAI和SM数据整合到WRF模型中后

CRediT作者贡献声明

Xinlei He：撰写 – 审稿与编辑，撰写 – 原稿，验证，方法论。Shaomin Liu：撰写 – 审稿与编辑，监督，资金获取。Tongren Xu：监督。Fei Chen：监督。Zhitao Wu：监督。Ziwei Xu：监督。Xiang Li：监督。Rui Liu：监督，概念构思。