一种利用MSAPE-ML预报湖泊热浪的新方法：基于WRF衍生物理特征与air2water模型耦合的深度学习框架

《Journal of Hydrology》：A novel approach for forecasting lake heatwaves using MSAPE-ML: A deep learning framework with WRF-derived physical features coupled with the air2water model

　　

•将WRF物理特征嵌入LSTM-注意力气温降尺度模型中。•与air2water耦合后，对37个湖泊的湖热浪进行预测，RMSE为1.9 °C。•到2100年，在SSP5-8.5情景下，湖热浪天数从每年23天增至334天。•浅湖升温最快；水深可缓冲持续时间但无法缓冲峰值强度。引言推动观测到的环境转变的关键机制之一是气候变化，极端事件是气候变化最为明显的表现之一。近几十年来这一趋势尤为显著；正如Zhang等人（2023）所指出的，近年来热浪和干旱在空间范围、持续时间和强度方面均创下纪录，表现出异常特征。气候变化在多个尺度上影响水文极端事件，呈现出多样的空间模式和潜在的驱动机制（Xiong和Yang, 2024）。这些极端条件在水文过程的动态和水生生态系统的功能中均有反映（Gradiyanto和Parmantoro, 2025; Reda等人, 2025; Yao等人, 2026）。对于湖泊而言，水温是全球变暖的关键指标（Peng等人, 2025）。波兰拥有超过7,000个天然湖泊（Choiński, 2006），集中分布于冰后期湖地区带，是欧洲中部湖泊密度最高的区域之一。这些湖泊在形态学特征上跨度较大（面积0.5–113 km2，深度2–108 m），跨越海洋性至大陆性气候梯度，代表了温带欧洲湖泊系统的典型特征。近年来的观测研究记录了波兰湖泊表面温度每十年加速升温0.3–0.5 °C的趋势（Ptak等人, 2022）、自1960年代以来结冰期缩短约四周（Choiński等人, 2015）以及开冰日期提前的趋势——这些趋势与Woolway等人（2020）记录的欧洲更广泛模式相一致。波兰湖泊兼具完善的观测基础设施、丰富的形态学多样性和已验证的气候敏感性，使其成为预测未来热浪响应的理想试验平台，且具有向温带欧洲更广泛推广的适用性。湖泊变暖最显著的表现之一是湖热浪——即水温大幅超过季节性变化正常值的持续时期（Woolway等人, 2021a, 2021b）。Woolway等人（2021a, 2021b）将海洋热浪框架（Hobday等人, 2016, 2018）拓展至淡水水体，发现1981至2020年间湖泊表面热浪强度每十年增加约0.3–0.4 °C，并预测到2100年高排放情景下将接近持续性热浪状态。尽管取得了上述进展，在区域尺度上预测湖热浪仍面临挑战。Sun等人（2025）在极端气候事件的背景下，强调了提高区域尺度可预测性以及理解其对生态系统和环境影响方面的挑战。卫星反演温度记录主要覆盖大型水体，而无法涵盖占全球湖泊面积多数的小型湖泊（Verpoorter等人, 2014）。基于过程的湖泊模型——如GLM、GOTM和FLake等一维热力学模型（Hipsey等人, 2019; Moras等人, 2019; Bruce等人, 2018）以及LakeEnsemblR等集合平台（Moore等人, 2021）——需要大量的参数化设定，限制了其在大型多湖泊研究中的适用性（Dresti等人, 2021; Janssen等人, 2021），对深水水体尤为困难（Obulkasim等人, 2025）。此外，全球气候模型（GCMs）的不确定性通过降尺度及湖泊建模链条向热浪特定指标的传播仍有待充分量化。机器学习（ML）提供了一种计算高效的替代方案（Reichstein等人, 2019; Amnuaylojaroen, 2025b）。近期进展涵盖从用于GCM降尺度的传统算法（Amnuaylojaroen, 2024）到捕捉复杂时空依赖关系的深度学习架构（Amnuaylojaroen, 2025a），但批判性评估表明，当输入特征经过精心设计时，深度学习并不总能持续优于更简单的方法（Yousefi和Toffolon, 2022; Zhu等人, 2020a）。因此，融合数据驱动和基于物理成分的混合建模方法受到了越来越多的关注（Karpatne等人, 2017; Willard等人, 2022）。其架构范围从将控制方程嵌入损失函数的物理信息神经网络（PINNs）（Raissi等人, 2019），到ML和物理模型作为不同阶段运行的松耦合顺序框架（Krasnopolsky, 2013; Xie等人, 2023）。在气候降尺度方面，Amnuaylojaroen（2025b）证明将贝叶斯模型平均（BMA）与U-Net CNN相结合可以显著改善多模型GCM降水估计。在湖泊系统方面，PINNs已将热力学约束编码到温度预测中（Jia等人, 2021），而过程引导的深度学习则提高了对未监测湖泊的泛化能力（Read等人, 2019）。近期物理约束AI的进展为环境预测拓展了工具集。Raissi等人（2019）引入了物理信息神经网络（PINNs），将控制方程直接嵌入损失函数；Read等人（2019）通过通用湖泊模型（General Lake Model）进行预训练并施加能量守恒约束，展示了过程引导的深度学习在湖泊温度预测中的应用。Willard等人（2022）提供了物理-ML集成方法的全面分类体系，涵盖从物理信息输入特征到架构和损失函数约束的不同层面。近年来，He和Yang（2025）以及Liu等人（2026）分别将物理信息深度学习应用于水库热分层和跨湖迁移学习。未来湖热浪的预测面临级联不确定性。Wynne等人（2023）表明，表层水温预测主要对GCM选取敏感，而深层热力学指标则主要受湖泊模型结构不确定性主导。Woolway等人（2022）证明严重湖热浪已可归因于人为增温，Yang等人（2025）发现湖热浪比大气热浪更为强烈且持续时间更长，风速是关键区分驱动因素。在湖泊模型层面，Air2Water的参数敏感性已通过GLUE-based不确定性估算进行了记录（Piccolroaz等人, 2013; Piccolroaz, 2016），其中控制冷水动力学的参数尤其难以识别。本文提出多尺度大气物理嵌入特征机器学习（MSAPE-ML），将三种WRF参数化方案推导出的解析关系编码为LSTM-注意力架构的输入特征：RRTMG辐射方案（Iacono等人, 2008）、MYNN2边界层混合方案（Nakanishi和Niino, 2009）以及Noah-MP陆面过程方案（Niu等人, 2011）。这些特征是基于温度、纬度和湖泊深度计算的闭合形式近似值（例如晴空辐射通量、边界层速度尺度、热惯性时间尺度）；框架不执行WRF模拟，仅以CERRA 2米温度为再分析输入。MSAPE-ML与air2water模型顺序耦合，后者是一个基于物理的常微分方程模型，通过具有八个可校准参数的集总能量平衡将降尺度气温转化为湖泊表面水温（Toffolon和Piccolroaz, 2015; Piccolroaz等人, 2015），近期研究已表明校准算法的选择会显著影响预测精度（Zhu等人, 2021）。在物理引导机器学习分类体系（Reichstein等人, 2019; Willard等人, 2022）中，MSAPE-ML属于物理信息输入特征类别——这是有意识地选择的最简单的集成策略，旨在保持透明性且计算成本极低——而非物理信息神经网络（PINNs; Raissi等人, 2019; Karniadakis等人, 2021），后者将控制方程作为损失函数中的软约束，也不同于过程引导的深度学习（Read等人, 2019; Jia等人, 2021），后者在架构或训练课程中施加物理结构。该方法无需PDE残差评估，也不增加训练时间成本——但我们并不声称其具有算法创新性；其价值完全在于通过实证表明物理推导特征不可或缺，而3.1节的消融实验对此进行了直接验证。我们将该框架应用于跨越多种形态学条件的37个波兰湖泊。波兰湖泊已记录了升温趋势（Wrzesiński等人, 2015; Zhu等人, 2020b; Ptak等人, 2025b），但在多种气候情景下的全面热浪预测尚未经过尝试。由八个CMIP6 GCM的BMA加权驱动，MSAPE-ML–air2water流程在三个SSP情景（SSP1-2.6、SSP2-4.5和SSP5-8.5）下生成至2100年的集合预测。湖热浪事件检测遵循Hobday等人（2016, 2018）的框架，重点关注强度、持续时间、频率和严重程度如何随排放路径、时间跨度和湖泊形态学演变。通过在单一模块化流程中桥接大气降尺度和湖泊热力学建模，本研究首次对21世纪气候变化下区域湖泊群体的湖热浪轨迹进行了多情景评估。文章片段 材料与方法 本研究提出了一种混合框架，通过将MSAPE-ML与基于物理的air2water常微分方程模型（Toffolon和Piccolroaz, 2015）耦合来预测湖热浪。该方法应用于分布在波兰北部和中部的37个温带湖泊，使用八个CMIP6 GCM的多模型集合：AWI-CM-1-1-MR、BCC-CSM2-MR、CESM2-WACCM、CMCC-CM2-SR5、EC-Earth3-CC、GFDL-ESM4、MPI-ESM1-2-LR和MRI-ESM2-0。为确保模型开发的稳健性以及结果... 本节分两部分呈现结果。3.1节评估了耦合的MSAPE-ML + air2water框架在独立验证期（约2009–2014年）的性能，对全部37个湖泊的气温降尺度精度和水温模拟保真度进行了评估。3.2节将验证后的框架应用于刻画1985至2100年在三种排放情景（SSP1-2.6、SSP2-4.5和SSP5-8.5）下的湖热浪特征。与以往湖热浪预测的比较 本研究的历史平均热浪强度（0.87 °C）和持续时间（10.2天）均落在Woolway等人（2021a, 2021b）报告的全球范围内，证实了Hobday等人（2016, 2018）的框架在不同建模链条中可产生一致的结果。然而，本研究的历史平均热浪持续时间（10.2天）与Woolway等人（2021a, 2021b）报告的全球平均值7.7 ± 0.4天一致，证实了Hobday等人... 结论 本研究提出MSAPE-ML，一种LSTM-注意力框架，其输入特征编码了从RRTMG、MYNN2和Noah-MP参数化方案推导出的解析关系。该框架与air2water耦合，并由BMA加权的CMIP6集合驱动，在三种SSP情景下预测了37个波兰湖泊（1985–2100年）的湖热浪特征，水温RMSE达到1.89 ± 0.15 °C（R2 = 0.94）。37个WRF启发特征贡献了总特征重要性的19.1%... 软件和数据可用性 软件名称：MSAPE-ML-Air2Water 开发者：Teerachai Amnuaylojaroen 联系方式：[e-mail] 首次可用年份：2026 所需硬件：标准PC 所需软件：Python ≥ 3.10，TensorFlow ≥ 2.12 编程语言：Python 程序大小：约12,000行代码 可获取地址：https://github.com/smalltee2/MSAPI-ML_AIR2WATER 全球气候模型数据可在以下地址获取：https://cds.climate.copernicus.eu/datasets CRediT作者贡献声明 Mariusz Ptak：写作——审阅与编辑、写作——初稿撰写、调查、数据整理、概念化。Teerachai Amnuaylojaroen：写作——审阅与编辑、写作——初稿撰写、可视化、验证、软件、方法论、调查、形式化分析、数据整理、概念化。未引用参考文献 Allen等人, 1998; Chen等人, 2023; Fairall等人, 2003; Hausfather和Peters, 2020; Henderson-Sellers, 1986; https://wody.isok.gov.pl（访问日期：2026年4月5日）; Oliver等人, 2018; Rahel和Olden, 2008; Schimanke等人, 2022; Soares和Calijuri, 2021。利益冲突声明 作者声明不存在已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。致谢 作者感谢哥白尼气候变化服务（C3S）通过气候数据存储（https://cds.climate.copernicus.eu）提供CERRA再分析和CMIP6模型输出数据集。湖泊水温观测和气象站数据由波兰气象和水文研究所——国家研究院（IMGW-PIB）提供。Mariusz Ptak | Teerachai Amnuaylojaroen