🔬 applied physics

A Next-Generation Snow Albedo Parameterization for Climate Modeling using Constrained Machine Learning

本文介绍了一种受约束的神经微分方程，与现有模型相比，该方程显著提高了雪反照率预测的准确性及其在不同气候带的泛化能力，为下一代气候建模提供了一个轻量级且具有自适应性的框架。

原作者： Andrew Charbonneau, Katherine Deck, Tapio Schneider

发布于 2026-06-05

📖 1 分钟阅读☕ 轻松阅读

原作者： Andrew Charbonneau, Katherine Deck, Tapio Schneider

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

大局观：教计算机如何“看见”雪

想象一下，你正在试图预测一片积雪会将多少阳光反射回太空。这种“反射”能量被称为反照率（albedo）。当雪是新鲜且洁白时，它会反射几乎所有的光线（高反照率）。随着雪变老、变脏或开始融化，它会变得灰暗或潮湿，从而吸收更多的热量（低反照率）。

这对我们的气候至关重要。如果雪吸收了更多热量，它就会融化得更快，导致地面变得更暗，进而吸收更多的热量。这是一个恶性循环反馈。

几十年来，科学家们一直试图通过编写数学公式来预测雪失去“白度”的速度。有些公式很简单，但经常出错；另一些则极其复杂，需要我们目前无法获取的数据（例如每一片雪花的精确大小）。

这篇论文介绍了一个新工具：一个智能的数据驱动计算机模型。它通过观察现实世界的雪来学习反照率的变化，而不是仅仅依靠旧的数学规则进行猜测。

旧方法的缺陷

把旧的积雪模型想象成一本僵化的食谱书。

简单的食谱： 它们会说：“如果距离上次降雪已经过了3天，那么雪就会变暗20%。” 但现实生活并非如此简单。即使是在同样的天数下，晴天也会比阴天让雪融化得更快。
复杂的食谱： 它们试图考虑每一个微小的细节（尘埃、粒径、光照角度）。但这就像是在试图一边烘焙蛋糕，一边还要同时玩转50种你在厨房里根本找不到的食材。在大型气候模型中，我们往往缺乏这些特定的“食材”，因此食谱就会失效。

新的解决方案：一位“聪明的学徒”

作者构建了一个神经网络（一种简单的AI），它扮演着一位聪明的学徒的角色。这位学徒并不遵循僵化的食谱，而是通过观察来自卫星和地面传感器的数千小时真实雪数据来进行学习。

它是这样工作的：

输入： 学徒只观察那些我们在任何地方都能轻松测量的指标：当前的雪白度、气温、降雪量以及太阳的角度。它不需要知道雪花的微观尺寸。
规则（护栏）： 作者并没有让AI进行盲目猜测。他们在它周围设置了“护栏”。例如，他们告诉AI：“雪的反照率永远不能低于0.3，也不能高于1.0。” 这就像教孩子学开车时安装了辅助轮；他们可以学习转向，但不会开下悬崖。
预测： AI学习的不是最终的颜色，而是变化率。它回答的问题是：“在给定今日条件下，明天的雪白度会发生多少变化？”

结果：更快、更聪明、更准确

团队使用来自世界各地（从美国到喜马拉雅山脉）的数据，将这个新的“学徒”与旧的“食谱书”进行了对比测试。

更高的准确度： 新模型比目前气候科学中使用的标准模型准确度高出 10–30%。即使是在它从未见过的地区，它的表现也更加精准，犯错更少。
泛化能力： 如果你训练一只狗在客厅里捡球，它到了公园可能就不会捡了。但这个模型不同。它学习的是雪融化的原理，因此无论是在山峰还是在平原，它都能表现得同样出色，即使它最初只是在特定的数据集上进行训练的。
轻量化： 该模型非常小巧。在标准计算机上训练只需不到一秒钟，且运行速度极快。这意味着它可以被用于大规模的全球气候模拟，而不会拖慢运行速度。

为什么这很重要

该论文声称，这种方法提供了一种灵活且面向未来的积雪建模方式。

并非“黑箱”之谜： 不同于某些难以理解的复杂AI，这个模型遵循物理定律（得益于护栏的存在）。我们知道它为何做出这样的预测。
准备好应对变化： 随着气候变化，积雪的行为也会发生变化。旧模型在面对新模式时会显得力不从心。因为这个模型直接从数据中学习，所以它可以适应新的条件，而无需重新编写。
可扩展性： 它既适用于地面上的单个点，也适用于全球天气模型中使用的巨大网格区域。

局限性（论文中承认的部分）

作者坦诚地说明了该模型并不完美的地方：

突发变化： 该模型擅长预测季节内缓慢、稳定的积雪融化过程。然而，它有时会错过在强降雪后立即发生的白度剧烈跳变。它倾向于将变化“平滑化”，这对于长期气候趋势是有利的，但在预测特定暴风雪后的即时状态方面不够完美。
数据缺口： 模型的表现取决于其喂入数据的质量。如果卫星数据模糊或地面传感器损坏，模型的预测也会变得有些模糊。

总结

这篇论文展示了一种教计算机如何模拟积雪融化的全新且高效的方法。通过将简单的AI与物理规则相结合，作者创造了一个比现有方法更准确、运行更快，且能够处理复杂多变的现实气候环境的工具。这是迈向更可靠的气候模型的重要一步，有助于我们更好地理解地球的未来。

技术摘要：一种用于气候建模的下一代雪地反照率参数化方案——基于受约束机器学习

问题陈述
准确表征雪地反照率 ( $\alpha$ ) 仍然是气候建模中的一个关键挑战，因为其对扰动具有高度敏感性，并在通过正反馈循环放大变暖的过程中发挥作用。现有的参数化方案通常分为两类：复杂的物理模型（例如 SNICAR、SNOWPACK），这些模型需要计算成本高昂且在全球气候模型 (GCM) 尺度上往往难以获取的输入数据；以及更简单的经验方案（通常基于雪龄），这类方案难以在多样化的气候和空间尺度上进行泛化，且经常表现出 10–20% 的误差。此外，许多机器学习 (ML) 方法依赖于非物理输入（如卫星反射率、再分析数据）或未能遵循物理约束，限制了它们作为耦合 GCM 中预报组件的效用。因此，需要一种计算量轻量、物理一致、能够跨尺度泛化，并能从标准气象输入中学习而无需预设函数形式的参数化方案。

方法论
作者提出了一种数据驱动的参数化方案，该方案通过一个受约束的神经微分方程来预测雪地反照率的时间导数 ( $d\alpha/dt$ )。其核心预测组件是一个简单的三层全连接神经网络，其宽度超参数为 $n=2$ ，仅包含 331 个可训练权重。该网络接收四个标准的物理输入：当前反照率 ( $\alpha$ )、气温 ( $T_a$ )、液态水等效降雪率 ( $P$ ) 以及太阳天顶角的余弦值 ( $\mu$ )。

为了确保物理上的容许性，该神经网络被嵌入到一个通过在训练和推理过程中使用固定层来实施约束的框架中。这些约束将更新后的反照率值限制在物理上现实的范围（0.3 到 1.0）内，且不会对损失函数进行惩罚，从而防止过拟合，并实现对训练数据凸包之外的推断。模型旨在最小化预测的 $d\alpha/dt$ 与经过清洗数据所得观测速率之间的均方根误差 (RMSE)。

数据与训练
模型使用以下数据进行训练和测试：

训练数据： 源自 STC/MODSCAG-MODDRFS (SMM) 产品的粗尺度（500 米）反照率数据，结合了来自 40 个站点的美国雪量遥测 (SNOTEL) 气象数据。
测试数据： 模型在来自 700 个站点的未见过的粗尺度 SMM 数据以及 31 个多样化位置的点位观测数据上进行了评估，这些位置包括带有直接辐射传感器的 SNOTEL 站点和国际验证站点（如 Col de Porte、Küstai、Mammoth Mountain、喜马拉雅山脉、智利）。
预处理： 应用了自定义的质量控制程序来处理传感器噪声、缺失数据和不物理的数值。训练数据集包含约 87,000 个站点-日样本。

主要贡献

受约束的神经微分方程： 本研究引入了一个将小型神经网络集成到带有固定约束层的常微分方程 (ODE) 结构中的框架。这确保了输出保持物理有效性，而不像标准的机器学习方法那样需要对损失函数进行惩罚。
预报型公式化： 不同于直接预测反照率的诊断型方案，本模型预测的是变化率 ( $d\alpha/dt$ )，这模仿了其他 GCM 变量的预报结构，从而能够无缝集成到时间步进模型中。
极简的输入需求： 该方案仅使用标准且广泛可用的气象变量（ $T_a, P, \mu$ ）和当前反照率，刻意排除了雪粒径或吸光颗粒 (LAP) 浓度等复杂输入，因为这些变量在 GCM 分辨率下具有不确定性或难以获取。
计算效率： 该模型极其轻量化，在单个 CPU 上训练时间不足 30 秒，且所需存储空间小于 2 kB，使其能够扩展到高分辨率 GCM。

结果

性能： 所提出的方案在粗尺度站点上实现了 0.049 的中位数 RMSE（相对误差为 6.8%），在点位观测中为 0.056（相对误差为 7.5%）。这比已建立的方案（如 BATS、JULES、HTESSEL、SNOWPACK）提升了 10–30%，并超过了该领域常见的 10% 误差阈值。
泛化能力： 该模型利用从粗尺度数据中获得的单一校准，在多样化的气候带和空间尺度（从 500 米网格到点传感器）上展示了稳定的性能。它成功地泛化到了样本外的站点和海拔高度，且无需重新训练。
对比： 在泰勒图 (Taylor diagrams) 和 Wilcoxon 符号秩检验中，即使竞争模型经过了相同的训练数据重新校准，该神经方案仍表现出更高的观测相关性和更低的偏差。
物理一致性： 累积局部效应 (ALE) 图证实，该模型学习到了物理一致的关系，例如反照率随温度升高而下降，以及随降水事件而增加，而无需显式编程这些规则。

意义与主张
作者声称，这项工作证明了面向下一代地球系统模型的物理启发式、数据驱动框架的可行性。通过打破对雪龄指数和复杂物理输入的依赖，该方案提供了一种灵活且计算成本低的替代方案，同时保持了物理一致性。研究认为，这种方法特别适用于正在演变的气候状态，因为在这些状态下，历史常态可能不再适用，而该模型学习的是集成过程而非固定的经验关系。作者强调，虽然该模型会平滑高频波动（这是为了气候建模的稳定性而做出的权衡），但它在捕捉季节性趋势和集成能量通量方面表现出色，这对于长期气候模拟至关重要。该框架被呈现为一个可扩展的解决方案，可以随着新观测数据的出现而进行调整，弥合了数据驱动的高效性与物理严谨性之间的鸿沟。