11月12日,欧洲中期天气预报中心(ECMWF)研究团队的aiLand v1论文在《Geoscientific Model Development》正式发表。研究先让神经网络学习物理陆面模型ecLand,再用地面通量观测微调。对气候、水文和地球系统建模的读者,它回答的是一个具体问题:AI能否在保留土壤状态演变的同时,纠正从物理模型继承的地表能量交换偏差?

论文报告了留出观测站点上的误差改善,也明确将成果定位为概念验证。以下结果均归于作者团队的论文与公开归档资料;这些资料不是相互独立的实验复验,也不代表aiLand已成为业务天气预报系统。

aiLand原论文图1:土壤水分、土温、积雪与气象和地表特征输入神经网络,分别输出状态增量及地表诊断变量,顶部箭头表示状态逐步更新
作者原始模型结构资料图,展示状态更新路径与诊断输出的区别。原论文图1。来源:Nina Raoult等论文作者,©作者2026,按CC BY 4.0使用。完整原图4205×1897像素,等比例缩小至2400×1083并转换为JPEG,未改动图中文字、连线或含义。

先学会物理模型,再用观测校正什么?

aiLand采用多层感知机。第一阶段以ecLand模拟输出预训练,输入包括气象条件、地表特征与此前的土壤水分、土温、积雪状态。模型预测下一步状态增量,并给出潜热通量LE、显热通量H等诊断输出。潜热对应水分相变携带的能量,显热对应地表与空气之间的热交换。

这一区分决定了微调的代价。只更新诊断分支,可以让土壤状态轨迹保持与预训练模型一致;允许整个网络适应观测,则可能更充分地修正通量,也需要检查状态是否漂移。作者比较五种策略,其中S4先更新诊断分支、再以低学习率调整全模型,S5从开始就调整全模型。

约30%与20%的误差下降,来自哪些站点?

观测资料经筛选后共有241个站点,其中199个用于观测微调、42个留出验证。微调使用2000—2019年数据;但在2020—2023年主评估期,具有有效观测的只有84个微调站点和17个留出站点。表7中的验证结果对应后者,不是全部42个站点。

方案 17个留出站点LE的RMSE 17个留出站点H的RMSE
物理模型ecLand 32.0 W/m² 28.1 W/m²
预训练aiLand-base 31.9 W/m² 27.2 W/m²
aiLand-S4:分两阶段微调 22.3 W/m² 21.8 W/m²
aiLand-S5:全模型微调 23.1 W/m² 21.6 W/m²

以上指标按日均值计算,RMSE越低越好。按表7列出的四舍五入数值,S4相对aiLand-base的LE误差下降约30.1%,H误差下降约19.9%,计算方式均为“基线与微调后的误差差值÷基线误差”。这不是天气预报总体准确率提高30%,也不是两项通量在所有地点同步改善。

作者的逐站分析显示,S4分别在17个验证站点中的14个改善LE、14个改善H,只有11个站点两项同时改善。表7还显示,S4的LE误差略低于S5,S5的H误差略低于S4;不存在一个配置在这两列都占优。

aiLand原论文图9:四个验证站点的潜热通量LE与显热通量H月均时间序列,对照FLUXNET观测、ecLand、预训练aiLand及S4微调模型,浅金色背景表示评估时段
作者原始验证资料图,左列为潜热通量、右列为显热通量;浅金色背景标出评估时段。这里展示月均曲线,不应把图内单站示例与表7的日均跨站指标混为同一统计口径。原论文图9。来源:Nina Raoult等论文作者,©作者2026,按CC BY 4.0使用。完整原图2684×2181像素,等比例缩小至2200×1788并转换为JPEG,未修改数据、色彩或标签。

总能量偏差接近零,不等于各项都没有误差

表8使用另一套口径:42个留出站点、2000—2023年全观测期。它包含观测微调所用的年份,因此不能与上表的2020—2023年、17站点结果拼成同一项未来时段验证。

方案 站点Bowen比误差MedAE 总湍流通量相对观测的平均偏差
aiLand-base 0.26 +13.60 W/m²
aiLand-S4 0.15 −2.24 W/m²
aiLand-S5 0.20 −0.10 W/m²

Bowen比是H与LE的比值,论文只在LE大于5 W/m²时计算,并将比值截在−20至20范围;MedAE对日误差及站点采用中位数汇总。S4在这一列更低,S5在总通量偏差上更接近零。S5仍有H平均高估2.06 W/m²、LE平均低估2.17 W/m²。因此,总量接近零不能解释成两项通量分别无偏,更不能推出每个站点、每个时刻都严格守恒。

这里的观测目标本身也经过能量闭合订正:原始H和LE按比例调整,以满足可用能量关系。论文没有在神经网络结构或损失中强制能量、水量守恒;它从物理模型和订正观测中学习近似一致性。这是有证据支持的改善,尚不是物理守恒保证。

从离线概念验证走向应用,仍有哪些距离?

首先,时间留出需要按流程看。论文方法部分写明,预训练使用1998—2019年的物理模型输出,并用2022年做验证和检查点选择;2022年同时落在主评估的2020—2023年范围内。本文据此认为,17站点的“留出”可以说明它们未参与观测微调,但不宜把整条预训练与选模流程描述为完全未接触该时间窗的未来预测测试。

其次,通量塔代表百米量级的局地条件,模型代表数十公里网格的平均状态,复杂地形、海岸和混合地表会造成代表性差异。作者还指出,罕见极端条件测试不足;只调诊断输出不能解决全部积雪—土壤耦合误差。与大气模型耦合、扩展径流及更多观测约束,仍属于后续工作。关于历史资料重建与实时预测的区别,也可参阅本站日本降雨降尺度研究解读。

据这些条件,aiLand当前更适合作为离线实验、偏差分析与方法研究的工具。是否能改善具体水文或天气业务,还要以相应输入时效、局地观测和耦合试验重新检验。

概念插画:草地树木下方露出分层土壤,虚构环境观测塔立于一旁,半透明神经网络节点与蓝色水汽、暖色热流飘带连接模拟与观测的概念
AI原创概念图,非真实现场。来源:小花儿AI使用内置ImageGen生成,作为本站原创生成素材使用。虚构地形、仪器和飘带仅帮助理解陆面过程与观测校正,不代表真实站点、测量值或实验结果。

来源与资料核验

aiLand v1正式论文与出版记录、论文PDF:正式发表日期2026年11月12日,公开讨论开始于7月13日,接收日期10月30日;页面未提供具体上线时刻及其时区。主要核对方法第2节、表7—8、图1与图9、局限和附录B。

作者代码与复现材料归档:公开元数据的发布日期为2026年6月19日。该归档与论文属于同一作者团队资料,不构成独立复验;本篇报道的是论文正式发表,而不是当天首次开放代码。

资料核验时间:2026年11月13日09:10(北京时间)。

本文由小花儿AI使用AI辅助整理公开资料。