使用不同深度学习框架在气候变化下对土壤热力状况进行高分辨率预报

为什么地下变暖很重要

大多数人把气候变化理解为更热的夏季和缩小的积雪，但发生在我们脚下几厘米深处的悄然变化同样可能具有重大意义。土壤温度决定作物的生长、粮食产量、景观的蓄水能力以及土地向大气释放碳的多少。本研究将视线投向伊朗西部的一处山地半干旱地区，提出问题：在不同的气候未来中，我们赖以生存的地表下方会如何变暖——或甚至出现短暂变冷——这些变化会以多快的速度展开？

近距观察崎岖地形

研究者将重点放在洛雷斯坦省（Lorestan），位于扎格罗斯山脉一带，地形起伏剧烈。在这里，温度从刺骨的冬寒到酷热的夏季波动极大，农民高度依赖地下水来支持农作物和畜牧业。十个气象站在几十年间记录了仅5厘米深处的日土壤温度。为了展望未来，团队将这些局地记录与来自加拿大地球系统模式的投影配对——该模式描绘的是大气的粗尺度、低分辨率图景。他们的挑战是把这些模糊的全球尺度预报翻译成对地方土地管理者有意义的清晰站点尺度预报。

教计算机“读懂”气候

研究团队没有采用传统的、相对简单的统计公式，而是转向深度学习——这类方法同样支持现代语音识别和图像搜索。他们测试了四种尤其擅长处理时空模式的神经网络结构：卷积网络（CNN）、两种面向序列的设计（LSTM 和 GRU），以及将 CNN 与 LSTM 层结合的混合模型。在训练这些模型之前，他们从加拿大地球系统模式提供的26个大气变量中筛选出有用的预测因子，变量包括气温、气压模式、风和湿度等，使用三种互补的方法找出与观测到的土壤温度相关性最强的项。结果显示，地表气温和中层大气压力在几乎所有观测站中都是关键的预测因子。

混合深度学习带来更精确的地下预报

在选定最佳预测因子后，研究者用1980年至2014年的逐日日数据训练并调优每种神经网络，并在留出年份上仔细检验性能。总体而言，混合的 CNN‑LSTM 模型表现最佳。它既能捕捉大尺度天气模式，又能描绘土壤温度的日常起伏，取得了较高的技能评分，典型误差仅为几摄氏度。针对2015至2020年的近年观测进行的检验显示，该模型能在若干气候故事情景（称为“共享社会经济路径”或 SSP，从大幅减排到化石燃料主导的发展不等）下再现真实行为。有趣的是，与近期土壤趋势最匹配的情景随海拔和位置而异：较凉的山地站点倾向于与低排放情景一致，而较温暖的低地站点则更符合中等到较高排放的路径。

未来土壤增温的意外转折

凭借其表现最佳的模型，团队将逐日土壤温度预测到2100年，考虑三种代表性未来：低、中、高温室气体排放。所有情景最终都会导致土壤变暖，但方式与步调并不相同。在低排放和中等排放情景下，土壤温度适度上升然后趋于平稳，到本世纪末比当下增加大致几摄氏度。而在高排放路径下，情形更为戏剧化。在未来几十年内，许多地点的表层土壤实际上会出现降温，可能是因为更厚的云层、降雨格局改变以及土壤含水量增加使地表受光照遮蔽，即便上方的空气逐渐变暖。中叶之后，这种短暂的降温会反转为加速增温，使高排放情景下的土壤远比其他情景更为温暖，并带来截然不同的年际波动模式。

对农业、水资源和生态系统的意义

对非专业读者而言，这一研究既是警示也是实用的启示。研究表明，土壤表层的变化并非空气温度的简单映像；局地地形以及云、降雨和湿度的变化可以在短期内掩盖变暖，随后又可能放大这一趋势。像洛雷斯坦这样的地区的农民和水资源管理者，若排放持续偏高，可能会面对先暂时变冷然后快速且难以适应的土壤增温序列。相反，积极的气候行动——靠近低排放情景的未来——似乎会导致较慢且更平稳的土壤增温，生态系统更有可能逐步适应。通过利用先进的深度学习工具，本研究为我们提供了更清晰的地下气候视角，将抽象的全球情景转化为具体的风险和时间表，指向养育我们的那一层土壤的未来走向。

引用: Saeidinia, M., Haghiabi, A.H., Nazeri Tahroudi, M. et al. High-resolution forecasting of soil thermal regimes using different deep learning frameworks under climate change. Sci Rep 16, 7377 (2026). https://doi.org/10.1038/s41598-026-38496-6

关键词: 土壤温度, 深度学习, 气候变化, 下采样/降尺度, 农业