原文题目：Parameter Estimation in Land Surface Models: Challenges and Opportunities With Data Assimilation and Machine Learning原文链接：https://doi.org/10.1029/2024MS004733
准确预测陆地生态系统对长期气候变化的响应，对于应对全球性挑战至关重要。这依赖于通过陆面模型对生态系统过程进行机理建模。尽管陆面模型至关重要，但由于参数约束不足，尤其是在碳循环预测方面，它们面临着显著的不确定性。本文回顾了利用数据同化优化陆面模型参数方面取得的进展，重点关注碳-水-植被相互作用，并讨论了该领域面临的技术挑战。这些挑战包括：识别敏感模型参数及其先验分布、表征观测偏差和模型-数据不一致导致的误差、开发连接模型与观测的观测算子、处理时空异质性以及应对大量多样化数据集、并将模型启动期和历史时期纳入同化窗口。我们概述了机器学习如何帮助解决这些问题，提出了未来工作中整合机器学习与数据同化以降低陆面模型不确定性的不同途径。最后，我们强调了未来的优先事项，包括开展国际合作，以充分利用现有地球观测数据集、借助机器学习进展，最终提升陆面模型的预测能力。
图1: 本概念示意图展示了如何利用多种原位及卫星观测产品来约束不同生态过程，进而实现各过程参数的校准。图中各框内所列参数仅为代表性示例，实际参数会因不同陆面模型及其配置方案而有所差异。同理，所示例的过程与观测产品亦非完备，其所展示的过程-产品关联关系也非穷举。原位观测数据被划分为通量数据、地上与地下生物物理测量数据，并标注了其可辅助约束的典型过程类型。展示的卫星产品包括：植被指数与吸收性光合有效辐射比例、植被光学深度与表层土壤湿度、太阳诱导荧光以及地表温度。有关这些观测数据典型时空尺度的概述，请参阅Scholze等（2017）论文中的图2。
图2: 本示意图展示了陆面模型参数数据同化的工作流程，阐释了模型、观测数据与同化组件之间的交互关系。流程框展示了同化系统的主要构成模块，箭头指示了典型的参数数据同化工作路径。图中将研究方法（蓝色三角，对应第2章）、技术挑战（绿色星标，对应第3章）及未来重点（紫色菱形，对应第5章）映射至工作流的相关环节，编号与各章节子单元相互对应。关于机器学习如何优化该工作流的论述（第4章）未在本图中呈现，而是作为第4章开篇的图3组成部分单独展示。
图3: 本示意图展示了机器学习在陆面模型参数数据同化工作流各环节的应用场景。灰色箭头代表标准PDA工作流程：经处理的模型输出与观测数据及其代表性误差被传递至同化系统，从而推导最优参数及其不确定性。机器学习的赋能作用通过两种形式呈现：其一（红色箭头所示）采用模型输出的仿真模拟器；其二（蓝色文字标注）则展示了机器学习可辅助实现的通用流程——本节后续内容将对此展开详细论述。
来源：土壤物理与水文
声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编(微信：qxxjgzh)处理。
