GMD: 物理-AI融合新范式：可微分多年冻土陆面模型NoahPy
在全球气候变暖的背景下，多年冻土区的水热动态对全球水、能量和碳循环具有至关重要的调节作用 。然而，现有的模拟方法面临双重挑战：一方面，基于深度学习的纯数据驱动模型虽然预测能力强，但常因“黑箱”特性而缺乏物理一致性和可解释性 ；另一方面，传统的物理陆面模型（LSMs）虽然机制严谨，但其代码结构通常是不可微分的，难以与现代AI优化算法（如自动微分、神经网络反向传播）深度融合 。
为了填补这一Gap，Permalab研究团队推出了NoahPy。这是一个专门针对多年冻土水热动态设计的可微分陆面模型 。其核心创新在于：
- 研究人员将Noah陆面模型中控制水热传输的偏微分方程，重构为一种过程封装的循环神经网络（RNN）结构；
- 采用PyTorch等深度学习框架重写了模型的所有物理参数化方案，包括对多年冻土至关重要的冰水相变（潜热处理）逻辑；
- 与纯黑箱AI模型不同，NoahPy完整保留了物理过程的确定性，使其既具备物理可解释性，又支持端到端的梯度下降优化。
研究团队通过在青藏高原地区的验证，证明了NoahPy的优越性能。NoahPy能近乎完美地重现传统Fortran版模型的模拟结果。在参数校正实验中，结合Adam优化器的NoahPy表现出比传统SCE-UA算法更快的收敛速度、更强的稳定性和更低的不确定性。经过校正后，模型在多年冻土站点对土壤温度和液态水分 的模拟均表现稳健。
该论文以“NoahPy: a differentiable Noah land surface model for simulating permafrost thermo-hydrology”为题，发表于地球系统科学领域知名期刊《Geoscientific Model Development》。赵淑萍和南卓铜为通讯作者。已毕业硕士研究生田文彪为第一作者。图 文/南卓铜
Tian W, Yu H, Zhao S*, Cao Y, Yi W, Xu J, Nan Z*. NoahPy: a differentiable Noah land surface model for simulating permafrost thermo-hydrology. Geoscientific Model Development. 2026, 19(1): 57-72. https://doi.org/10.5194/gmd-19-57-2026.