Noah+SHAW联合模拟：显著提升青藏高原多年冻土活动层水热动态模拟精度
青藏高原拥有世界上面积最大的高海拔多年冻土区，其活动层（季节性冻融的近地表土层）的水热动态变化对区域水资源、生态系统及基础设施安全至关重要。在全球气候变暖的背景下，活动层的水热状态正发生显著改变，这不仅威胁到青藏公路等基础设施的稳定性，还可能加速多年冻土碳的释放。
然而，现有的研究工具，如大尺度陆面模型（LSMs），在模拟这一复杂过程时常面临两大挑战：一是模型对多年冻土中复杂的物理过程（如热量和水分的耦合传输）描述过于简化；二是应用在数据稀疏的青藏高原地区时，缺乏准确的深层土壤观测数据作为模型的下边界条件。特别是像SHAW模型这类对多年冻土物理过程描述先进的模型，因其对下边界条件的高度敏感性，难以直接应用于缺乏深层观测的区域。
为了克服这一“物理模型精度高但边界条件难求”的两难困境，Permalab研究人员提出了一种混合建模方法。该方法的核心思想是：
- 利用物理模型优势： 采用具有更详细多年冻土水热传输过程描述的SHAW模型作为活动层模拟的主体。
- 机器学习优化边界条件： 利用陆面模型 Noah LSM 可在无精确边界约束下提供合理深层模拟的特性，并结合随机森林（Random Forest, RF）机器学习模型，对Noah LSM模拟的深层（2.7米）土壤温度进行校正，从而为SHAW模型提供高质量、时变的下边界条件。
这种方法有效地结合了物理模型的过程精细性与机器学习的数据校正能力，解决了在数据稀疏地区应用先进多年冻土模型的核心难题。
在青藏高原沿线的七个多年冻土监测站点对该混合模型进行了严格评估，并与独立的Noah LSM及其他传统SHAW配置进行了对比。
- 温度模拟精度最优： 混合模型在模拟活动层土壤温度方面表现最佳，对测试数据而言，其平均Nash-Sutcliffe效率（NSE）值达到了0.81，显著高于单独的Noah LSM（0.69）。
- 水分模拟大幅改进： 在模拟非冻结水含量（土壤水分）方面，混合模型的平均NSE值（0.35）远高于Noah LSM（0.17）。
- 纠正模型偏差： 混合方法成功纠正了Noah LSM在冻结期间往往会高估土壤温度和非冻结水含量的关键偏差，使模拟结果更接近观测值。
这项研究提出的混合模型方法，通过将机器学习引入物理模型的边界约束，为在数据稀疏的青藏高原地区进行大尺度、高精度的多年冻土动态模拟提供了一个可推广的框架。
该论文以“A hybrid modeling approach for improved simulation of thermal-hydrological dynamics in permafrost active layer on the Tibet Plateau”为题，已在《Water Resources Research》上正式出版。/图文：赵奕
引用：Zhao Y, Nan Z*, Ji H, Chen Y, Ou M. A hybrid modeling approach for improved simulation of thermal-hydrological dynamics in permafrost active layer on the Tibet Plateau. Water Resources Research. 2025, 61(e2025WR040288). doi:10.1029/2025WR040288.
