近日，计算机科学与技术学院李清亮教授团队（陆气交互智能模拟团队）在农林气象领域国际顶级期刊 Agricultural and Forest Meteorology 上发表题为 “Physical process-based attention encoder-decoder LSTM model to improve global soil moisture prediction”（基于物理过程的注意力编码器-解码器LSTM模型用于提升全球土壤水分预测精度）的研究论文。taptap点点官方网站入口为第一完成单位，李清亮教授为第一作者及通讯作者、2022级硕士研究生洪健（导师外第一作者）等。该研究得到了国家自然科学基金等项目的支持。

在全球变化背景下，土壤水分作为连接陆面水循环、能量交换与大气过程的关键状态变量，通过调控地表蒸散发及陆气间水热交换，深刻影响边界层演变、对流降水触发及区域水循环过程。因此，提升土壤水分预测能力，对于认识陆气耦合机制、改进天气气候模式陆面过程表征具有重要科学意义。

然而，现有土壤水分预测方法仍面临显著挑战。一方面，传统物理过程模型具有较强的机理解释能力，但在全球尺度复杂下垫面条件和显著空间异质性背景下，模型结构与参数表达仍存在局限；另一方面，纯数据驱动的深度学习模型虽然具备优越的非线性拟合能力，却普遍缺乏物理约束，难以有效识别关键物理过程，甚至可能产生偏离物理规律的预测结果，例如忽略土壤储水的饱和上限约束，从而制约其在大气科学研究与业务应用中的可信度。

针对这一问题，研究团队提出一种物理过程与深度学习耦合的混合建模框架-HBV。该方法将经典HBV水文模型中的关键物理状态变量引入深度学习网络，将表征储水状态的慢速储水层信号和土壤湿润度等信息作为附加输入特征，实现物理机理信息与数据驱动方法的有机融合。该框架在保留深度学习处理复杂非线性关系优势的同时，增强了模型对陆面水文过程的感知能力和物理一致性，为突破纯数据驱动模型“高拟合、弱机理”的局限提供了新思路。

全球尺度实验结果表明，物理状态特征的引入显著提升了模型预测性能。与基准深度学习模型相比，提出方法在决定系数（R²）、Kling-Gupta效率系数（KGE）和均方根误差（RMSE）等关键评价指标上均表现出系统性改善。同时，该混合模型在不同区域和空间网格上的模拟结果更加稳定，误差分布更为集中，并在复杂情景下表现出更强的鲁棒性。物理特征生成所带来的额外计算成本较低，表明该方法在兼顾预测精度与计算效率方面具有良好的业务应用潜力

该研究的一项重要进展，是显著缓解了深度学习模型在极端条件下的“物理失真”问题。通过引入物理状态变量，能够更准确地刻画土壤水分接近饱和时的变化特征，有效纠正纯数据驱动模型在湿润峰值阶段的系统性偏差。尤其在多年冻土区和干旱荒漠区等气候敏感区域，该模型相较基准方案的预测性能提升最高可达20%。表明混合模型在捕捉液态水有效性及蒸发受限机制方面具有明显优势，也为全球气候模式中陆面过程参数化改进提供了新的技术路径

为进一步揭示模型的内部决策机制，研究团队还引入梯度加权类激活映射方法，对模型关注的关键驱动因子进行了可解释性分析。结果表明，混合模型能够在不同季节背景和气候分区下，自适应聚焦于具有明确物理意义的控制变量：在湿润区更关注水分饱和状态相关信息，在干旱区则更敏感于水分亏缺信号。该结果说明，模型并非停留于简单的统计拟合层面，而是在一定程度上学习到了与陆气相互作用过程一致的物理关联特征。

研究团队表示，将物理机理信息嵌入深度学习框架，是提升地学智能模拟可靠性和可解释性的重要方向。相较传统纯数据驱动模型，物理约束与数据智能深度融合的混合建模方法，在复杂地球系统变量预测中展现出更高的精度、稳定性和物理一致性。该研究不仅为土壤水分等关键陆面变量预测提供了新的方法支撑，也为未来构建更高可信度的天气气候预测系统和气候监测工具奠定了理论与方法基础。

                                              初审：刘江 王春蕾 复审：许博文 终审：佟军