来自卫星的陆面信息提升近地面温度预报技能

更好温度预报为何与您息息相关

从决定下周穿什么到管理农作物、电网和野火风险，我们都依赖准确的温度预报。然而即便拥有强大的超级计算机，天气模式在几天以外仍常常表现欠佳。本研究探讨了一个简单但未被充分利用的想法：通过更密切关注陆地本身——地表有多热以及植物生长有多活跃——并利用全球卫星数据，使预报更智能。

从高空观察地球

现代天气预报主要依赖大气信息：风、湿度、云和气压。但几十年来，卫星一直在默默收集丰富的陆面信息。这包括陆面温度（地表“皮肤”的温度）、植被的绿度，以及叶片发出的微弱荧光（太阳诱导荧光），它揭示了植物光合作用的活跃程度。传统预报系统大多忽视这些陆地和植物信号，因为在基于物理的模式中难以表示。本文作者采用了不同的方法：他们没有把卫星数据强行塞入现有模式，而是构建了一个独立且灵活的深度学习系统，直接从大气与卫星观测中学习。

教神经网络“看懂”天气

为此，团队训练了数千个小型神经网络，称为长短期记忆（LSTM）模型。每个模型聚焦于地球上的一个特定点，学习该点逐日温度的演变。首先，他们只给网络输入“常规”信息，类似传统天气模式使用的：近地面气温、入射辐射与热量、湿度、气压、降雨、土壤水分和积雪覆盖。随后他们训练了第二组网络，输入相同的信息并额外加入三项基于卫星的陆面变量：陆面温度、绿度指数和植物荧光。通过比较这两类模型的表现，能直接衡量额外陆面信息的帮助程度。

小数据量，大影响

在全球范围内以及面向一到十二天的预报中，加入卫星陆面信息持续地提高了温度预报的准确度。平均而言，预报误差降低了约6–7%，约相当于温度改进四分之一个摄氏度。收益在四天左右最大——这是一个常用于决策的重要“中期”时段。森林（热带以外地区）和半干旱区域的改进尤为显著，在这些地区陆地与空气之间的热量与水分交换对局地气温有强烈影响。在许多此类地区，基于卫星的植被活性和陆面温度成为了最重要的单一预测因子，超过了传统的大气输入。

植物如何预示明日的炎热

一个显著结果是，植物荧光——光合作用的直接信号——往往比更简单的绿度指标更重要。当植物积极吸收碳并蒸发水分时，它们会冷却地表，并影响入射能量在加热空气与驱动蒸发之间的分配。由于这些过程在数日内发生，它们为预报提供了一种对近期陆面状况的“记忆”。神经网络捕捉到了这种联系：在植被随季节变化明显且土壤水分限制植物活动的地区，加入的卫星数据帮助最大。相反，热带雨林区由于林冠致密且云层频繁影响卫星测量，结果喜忧参半，有些网格单元甚至因数据质量问题出现轻微退步。

在关键时刻的预报助力

卫星陆面信息的好处并不局限于几天之内。尽管随着预报时效增长——大气本身变得更难预测——相对改进有所缩小，但在某些区域，如北美、南美、南部非洲和西亚的部分地区，即便在11–12天时效仍能获得技能提升。这些时段是发布高温或寒潮早期预警可以挽救生命并降低经济损失的关键时间尺度。研究还发现，在卫星数据非常稀疏或质量较低的地区，使用这些陆面变量的长期平均格局有时比依赖嘈杂的逐日测量更有效，这为实际预报系统提供了可行策略的线索。

卫星与天气模式的新型协作

对非专业读者而言，关键信息很直接：地表及其上的植物包含关于未来气温的有价值线索，而卫星具备全球捕捉这些线索的独特位置优势。通过让深度学习系统直接从这些观测中学习，研究人员展示了预报在尤其是几天时效上可以明显变得更精准。他们的工作表明，未来的运行气象模式可以通过系统地将基于卫星的陆地与植被信息融入预报流程，结合物理模式与数据驱动学习的优点，来更好地预见塑造我们日常生活的冷热变化。

引用: Ruiz-Vásquez, M., O, S., Brenning, A. et al. Land surface information from satellites boost near-surface temperature forecast skill. Commun Earth Environ 7, 245 (2026). https://doi.org/10.1038/s43247-026-03298-1

关键词: 卫星陆面数据, 温度预报, 深度学习天气模型, 植被与气候, 数值天气预报