《Water Resources Research》：Observation-Constrained Physical Snow Water Equivalent Simulations Using a Physics-Guided Machine Learning Approach
编辑推荐：
对于水文和气候应用而言，估算每日雪水当量（Snow Water Equivalent，SWE）至关重要，然而物理模型往往难以准确表征SWE，尤其是其年际异常。在本研究中，研究人员通过将社区土地模型4.0（Community Land Model 4.0，CLM
对于水文和气候应用而言，估算每日雪水当量（Snow Water Equivalent，SWE）至关重要，然而物理模型往往难以准确表征SWE，尤其是其年际异常。在本研究中，研究人员通过将社区土地模型4.0（Community Land Model 4.0，CLM4.0）SWE模拟与长短期记忆（Long Short-Term Memory，LSTM）网络相结合，开发了一种混合物理引导机器学习（Machine Learning，ML）模型（混合模型）。该模型使用GlobSnow v3.0数据集进行训练，并借助气象强迫数据，以0.5°空间分辨率估算北半球（Northern Hemisphere，NH）的每日SWE。研究结果表明，混合模型在预测SWE量级、时序和异常方面显著优于独立的物理模型和纯机器学习模型，尤其是在复杂山区。可解释机器学习分析表明，混合方法利用了积雪相关物理过程，同时有效利用观测数据以提高预测精度。此外，研究人员识别出一种广泛存在的气候记忆效应对北半球SWE预测的影响，其中记忆主导的极端事件导致的SWE损失或增益大于所有极端事件（包括没有强记忆效应的事件）的平均影响。这些发现强调了混合模型在纠正当前陆面模型中未完全捕捉的记忆相关偏差方面的能力。总体而言，该研究突显了混合建模在改进SWE模拟方面的价值，以及其作为现有陆面模型中替代积雪模拟器的潜力。
# 论文解读文章
## 研究背景与动机
雪水当量（SWE）是表征积雪水当量深度（即完全融化后的等效水深）的关键气候变量，对水文水资源管理、洪水预报和气候变化评估至关重要。然而，获取时空一致的SWE估算仍面临挑战，主要源于高质量雪深观测数据稀缺、陆面模型对积雪物理过程（如水汽通量导致的密度反转、风吹雪输运、升华和压实）的简化表征，以及复杂地形（尤其是山地）中未解析的次网格异质性。此外，当前气候强迫（如稳定边界层气温模拟）的不确定性进一步加剧了模型偏差。另一个关键问题是“记忆效应”，即过去气象条件的滞后影响（如高温异常提前触发融化，增加雪包液态水含量并削弱再冻结效率），而现有陆面模型仅通过过程动态（如压实、致密化）部分捕捉这些效应，导致系统性偏差。尽管纯机器学习（ML）方法在区域SWE模拟中取得进展，但其缺乏物理约束且难以泛化至气候异常。因此，研究人员开展本研究，旨在通过混合物理引导机器学习模型，集成物理模型（CLM4.0）的概括能力与数据驱动方法（LSTM）的偏差校正能力，提升北半球（NH）的SWE预测，特别是对复杂山区和记忆效应相关偏差的校正。该论文发表在《Water Resources Research》。
## 主要技术方法概述
研究人员采用了以下关键技术方法：（1）基于CLM4.0模拟（驱动数据来源：ISI-MIP2a协议下的WFDEI气象强迫，包括短波/长波辐射、降水、降雪通量、气温、风速、湿度、气压等）提供物理约束输出；（2）构建长短期记忆网络（LSTM）学习时间依赖性，输入包括气象强迫和CLM4.0 SWE输出（纯ML模型仅使用气象强迫）；（3）使用GlobSnow v3.0数据集（0.5°重采样）作为训练和验证标签，覆盖北半球（1981-2010年，其中1981-2005年用于开发，2006-2010年独立测试），并采用5折交叉验证集成策略；（4）采用集成梯度（Integrated Gradients，IG）方法进行可解释性分析，量化各输入特征对SWE预测的贡献，并分解短期（1-7天）和先行（8-30天）记忆效应。
## 研究结果
### 3.1 通过混合模型改进北半球SWE预测
研究人员发现，混合模型在北半球大部分积雪网格（尤其在60°N附近）表现出强预测性能，平均皮尔逊相关系数（Pearson-r）约0.9，Kling-Gupta效率（KGE）约0.9，归一化均方根误差（NRMSE）约0.05；而在30°N附近性能下降（Pearson-r约0.5，KGE约0，NRMSE约0.2），但仍显著优于CLM4.0（后者在30°N处Pearson-r接近0，KGE低于-1）。混合模型在87%的积雪网格中KGE>0.5，而CLM4.0仅26%。在六个随机选取的5°×5°区域中，混合模型将KGE从CLM4.0的负值或低值（如-8.24至0.57）提升至0.79-0.93。在雪特性方面，混合模型预测年平均最大SWE的KGE为0.91（CLM4.0为-0.48），雪融化完成日期的KGE为0.88（CLM4.0为0.40），雪开始日期的RMSE从CLM4.0的17.22天降至1.43天。CLM4.0在82.9%网格中延迟雪开始日期（平均3.9天），在59.1%网格中提前融化结束日期（平均9.3天），而混合模型有效校正了这些偏差，尤其在高海拔区域（如青藏高原）。沿高程梯度分析表明，混合模型在所有高程带（尤其>2500米）均将SWE差异从±100毫米/天缩小至约±50毫米/天，并在年最大SWE日期预测中实现0天平均差异。
### 3.2 通过混合模型改进SWE异常预测
研究人员通过去除多年日气候态计算SWE异常，发现CLM4.0对异常预测极差（NSE=-2.27，RMSE=41.34毫米），纯ML模型NSE=0.27但系统性低估，而混合模型NSE=0.41，且在73.7%网格中优于纯ML模型。在极端天气条件下（气温和长波辐射的<5%和>95%百分位数），混合模型在所有指标（NSE、KGE、RMSE、NRMSE）上均优于CLM4.0和纯ML模型。例如，在极端高温（>95%百分位数）下，混合模型的中位数NSE、KGE、RMSE、NRMSE分别为0.47、0.56、21.7毫米/天、0.20，而CLM4.0为-3.8、-0.62、65.1毫米/天、0.62。这表明混合模型能更准确捕捉与温暖雪旱（由高温驱动的低积雪积累）相关的异常。
### 3.3 物理输出与气候强迫对偏差校正的益处
通过集成梯度（IG）分析，研究人员发现CLM4.0 SWE模拟是预测中贡献最大的输入变量（中位数相对贡献约13%），其次为长波辐射、近地表气温、气压、降雪通量和风速。这些贡献的空间模式随地形特征（高程、坡向）变化，表明物理模型输出与局地强迫共同影响SWE预测。混合模型通过结合两者成功推断出未解析的次网格过程。
### 3.4 校正记忆效应偏差对北半球SWE预测的影响
通过将时间滞后输入分为短期（1-7天）和先行（8-30天，定义为记忆效应）两组，研究人员发现记忆效应贡献在北半球平均约68%，且在高程和纬度上显著变异性：高海拔（>2500米）区域记忆贡献显著高于低海拔区域，高纬度（>60°N）高于中纬度（30-60°N）。这反映了高原区域较慢的积雪过程（如积累、变质）和持久降雪覆盖。进一步将SWE极端事件按正/负异常分类，发现记忆主导的极端事件（记忆贡献>50%）相比所有极端事件的平均基线，导致更强烈的SWE损失或增益（如温度驱动的记忆主导损失事件导致更大的SWE消耗）。这暗示当前物理模型可能低估了先行条件对SWE动态的放大作用。
## 总结与讨论
研究人员在讨论部分指出，混合模型虽然有效校正了CLM4.0的多种偏差，但仍存在局限性：CLM4.0输入本身可能包含强迫和参数化偏差，且未针对SWE重新校准；GlobSnow v3.0在陡峭山地覆盖有限；集成梯度分析可进一步扩展至季节和事件尺度以揭示机制。结论部分翻译如下：本研究中研究人员开发了一种新颖的全球尺度SWE估算方法，使用混合物理引导机器学习模型，并以GlobSnow v3.0数据集进行评估。这是首次通过将物理引导长短期记忆神经网络与CLM4.0输出集成来增强全球SWE模拟的尝试。通过系统性实验校正北半球CLM4.0 SWE估计的偏差，研究表明混合方法在全球和季节尺度上显著提升了SWE预测精度（包括量级和时序）。主要发现包括：（1）混合LSTM模型一致优于纯ML和物理模型，不仅改善SWE积累和融化量级与时序，还更好地捕捉异常，尤其在极端事件和复杂地形（如青藏高原）中；（2）CLM4.0 SWE输出使混合模型能泛化不同区域的SWE异常，凸显物理约束的重要性；（3）混合模型揭示了北半球广泛的记忆效应，且在高海拔和高纬度地区更强，表明当前物理模型可能低估了滞后气象影响；（4）记忆主导的SWE极端事件表现出更大的损失或增益，记忆效应的低估可能导致显著预测偏差，尤其在雪旱等极端事件中。总体而言，该研究强调了混合物理引导机器学习模型改进全球SWE模拟的潜力，并可作为现有陆面系统中有效的积雪模拟器。
