摘要
持续的气候变化加剧了湖泊表面的升温现象。提高湖泊温度建模的准确性有助于更好地评估生态系统因热临界点而受损的风险，从而为更可持续的水资源管理提供依据。最近在基于物理原理的深度学习（PIDL）领域取得的进展为改进此类建模开辟了新的途径。然而，PIDL训练的特定地点依赖性仍对其广泛应用构成挑战。在这里，我们展示了Transfer-PIDL这一迁移学习框架，它增强了PIDL在湖泊表面温度预测方面的泛化能力。该方法采用三阶段训练策略：首先基于大规模卫星观测数据进行预训练，然后使用基于过程的（PB）模型模拟进行再训练，最后利用本地测量数据进行微调。我们的首次实验表明，在充分预训练的情况下（例如，在40个湖泊上进行预训练），Transfer-PIDL在验证阶段的均方根误差（RMSE）上比本地PIDL高出20%–39%。此外，在三个初始案例中，Transfer-PIDL所需的微调数据量比本地PIDL和纯数据驱动的深度学习（DL）都要少。Transfer-PIDL在另外43个具有实地温度观测数据的湖泊中也表现出稳定的准确性（平均验证RMSE为1.2°C），优于本地PIDL（1.6°C）、DL（1.8°C）和PB（1.9°C）模型。在一个涉及869个湖泊的全球规模实验中，Transfer-PIDL展现了跨不同湖泊系统的泛化能力，即使是在表现最差的验证场景下，其RMSE仍为1.5 ± 0.36°C，平均绝对误差为1.1 ± 0.25°C，R2值为0.85 ± 0.12（平均值±标准差）。这项研究展示了迁移学习与PIDL之间的协同作用，为大规模湖泊温度建模提供了一种有前景的方法。
利益冲突
作者声明与本研究无关的利益冲突。
数据可用性声明
本研究中使用的ESA-CCI湖泊数据可在以下链接获取：https://catalogue.ceda.ac.uk/uuid/7fc9df8070d34cacab8092e45ef276f1/。有关实地湖泊数据，请参阅支持信息S1以获取更多数据。ERA5-Land数据集可在此链接访问：https://cds.climate.copernicus.eu/datasets/reanalysis-era5-land。HydroLAKES数据集的获取地址为：https://www.hydrosheds.org/pages/hydrolakes。GLM源代码可在以下链接获取：https://github.com/GLEON/GLM3r。开发的Transfer-PIDL的源代码也公开发布在GitHub上：https://github.com/louisl101/Transfer-PIDL。
