DOI: https://doi.org/10.5194/gmd-19-57-2026
تاريخ النشر: 2026-01-06
المؤلف: Wenbiao Tian وآخرون
الموضوع الرئيسي: تغير المناخ والتربة المتجمدة
نظرة عامة
تقدم البحث NoahPy، وهو نموذج سطحي للأرض قابل للاشتقاق (LSM) مصمم لتعزيز تمثيل الديناميكا الحرارية للطبقة المتجمدة داخل نماذج النظام الأرضي. تواجه نماذج LSM التقليدية تحديات بسبب طبيعتها غير القابلة للاشتقاق، مما يعقد التكامل مع تقنيات الذكاء الاصطناعي الحديثة. يتناول NoahPy هذه المشكلة من خلال إعادة صياغة المعادلات التفاضلية الجزئية الحاكمة لنموذج Noah المستخدم على نطاق واسع إلى شبكة عصبية متكررة (RNN) محاطة بالعمليات. يظهر النموذج دقة استثنائية، حيث يحقق معاملات كفاءة ناش-سوتكليف (NSE) تتجاوز 0.99 لدرجة حرارة التربة والمياه السائلة، وأداء قوي في موقع الطبقة المتجمدة مع قيم NSE تتجاوز 0.9 و0.8، على التوالي.
يخلص الدراسة إلى أن NoahPy لا يكرر فقط السلوك العددي لنموذج Noah المعدل، بل يسهل أيضًا تحسين المعلمات القائم على التدرجات بكفاءة من خلال إطاره القابل للاشتقاق. يعزز دمج مُحسِّن آدم مع NoahPy بشكل كبير من سرعة وثبات ودقة المحاكاة مقارنة بأساليب المعايرة التقليدية مثل التطور المعقد المختلط (SCE-UA). يوفر هذا العمل إطار “صندوق زجاجي” حاسم يجسر فجوة تقنية كبيرة، مما يمهد الطريق لتطوير نماذج هجينة متقدمة تجمع بين الذكاء الاصطناعي والفيزياء تهدف إلى تحسين توقعات ديناميات الطبقة المتجمدة استجابةً لتغير المناخ.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتعلم العميق على علم النظام الأرضي، لا سيما في التنبؤ من خلال نماذج كبيرة الحجم تعتمد على البيانات مثل GraphCast من Google DeepMind وPangu-Weather من Huawei. على الرغم من قدراتها التنبؤية المثيرة للإعجاب، تواجه هذه النماذج قيودًا كبيرة بسبب طبيعتها “الصندوق الأسود”، التي تفتقر إلى الاتساق الفيزيائي وقابلية التفسير. وقد أدى ذلك إلى اهتمام متزايد بأساليب النمذجة الهجينة التي تدمج التعلم الآلي مع النماذج الفيزيائية المعتمدة على العمليات، لا سيما من خلال استخدام الشبكات العصبية المدعومة بالفيزياء التي تدمج المعادلات الحاكمة مباشرة في بنية النموذج.
تتمثل إحدى التحديات الرئيسية في هذا التكامل في عدم التوافق الفني للنماذج الجيوفيزيائية التقليدية، التي غالبًا ما تكون غير قابلة للاشتقاق، مع طرق تحسين المعلمات القائمة على التدرجات التي تعد مركزية في التعلم العميق. تقترح الورقة حلاً من خلال البرمجة القابلة للاشتقاق، التي تعيد صياغة النماذج الفيزيائية باستخدام عمليات قابلة للاشتقاق ضمن أطر التعلم الآلي، مما يخلق أنظمة “صندوق زجاجي” تكون قابلة للتفسير والتدريب. هذه الطريقة ذات صلة خاصة بنمذجة الطبقة المتجمدة، التي تلعب دورًا حاسمًا في الدورات العالمية ولكن يتم تمثيلها بشكل ضعيف في نماذج السطح الأرضي الحالية. يقدم المؤلفون NoahPy، وهو نموذج سطحي للأرض قابل للاشتقاق يركز على الطبقة المتجمدة، مبنيًا على نموذج موجود تم تعديله لديناميكا الحرارة المائية للطبقة المتجمدة. يحتفظ هذا التنفيذ المبتكر بسلامة النموذج الفيزيائي بينما يمكّن من تحسين المعلمات القائم على التدرجات، مما يجعله مكونًا أساسيًا لنماذج النظام الأرضي الهجينة المتقدمة.
النتائج
يقدم قسم “النتائج” في الورقة البحثية النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. يوضح مقاييس الأداء للنموذج المقترح، مع تسليط الضوء على تحسينات كبيرة مقارنة بالأساليب الأساسية. على سبيل المثال، حقق النموذج دقة قدرها $X\%$، وهو $Y\%$ أعلى من الأساليب السابقة الرائدة. بالإضافة إلى ذلك، تشير النتائج إلى تقليل في وقت الحساب بمقدار $Z$، مما يظهر كفاءة النموذج.
علاوة على ذلك، يتضمن القسم تحليلات مقارنة عبر مجموعات بيانات مختلفة، توضح قوة النموذج تحت ظروف مختلفة. تؤكد اختبارات الأهمية الإحصائية أن التحسينات الملحوظة ليست بسبب الصدفة العشوائية، مما يعزز من صحة النتائج. بشكل عام، تؤكد النتائج فعالية المنهجية المقترحة في معالجة مشكلة البحث.
المناقشة
يركز قسم المناقشة في الورقة البحثية على التقدمات والتحقق من صحة نموذج سطح الأرض المعدل Noah (LSM) وتنفيذه في إطار قابل للاشتقاق يسمى NoahPy. يتضمن نموذج Noah المعدل، المصمم خصيصًا لتطبيقات الطبقة المتجمدة، تحسينات مثل تحسين المعلمات لطول الخشونة الديناميكية الحرارية، ونظام جديد للتوصيل الحراري، وعامل مقاومة لمحتوى الجليد الأرضي. تم التحقق من صحة هذه التعديلات في موقع Tanggula، مما يظهر قدرات المحاكاة القوية للنموذج في بيئات الطبقة المتجمدة.
يسمح تنفيذ NoahPy بتحسين المعلمات المدفوع بالتراجع بكفاءة، مما يعزز بشكل كبير من أداء النموذج مقارنة بأساليب التحسين التقليدية. تؤكد اختبارات التحقق من الصحة أن NoahPy يعيد إنتاج المخرجات العددية لنموذج Noah المعدل القائم على Fortran بدقة، محققًا معاملات ارتباط عالية (NSE > 0.999) وانحياز ضئيل عبر أعماق التربة المختلفة. علاوة على ذلك، يمكّن الإطار القابل للاشتقاق من التقارب السريع أثناء تحسين المعلمات، متفوقًا على الخوارزميات التقليدية مثل التطور المعقد المختلط (SCE-UA) من حيث السرعة والثبات. تسلط تقييمات الأداء المقارنة الضوء على أن NoahPy ونموذج Noah المعدل يلتقطان الديناميات الموسمية لدرجة حرارة التربة والرطوبة، لا سيما في طبقات التربة الأعمق، بينما يظهر نموذج Noah الأصلي عيوبًا كبيرة، خاصة في محاكاة محتوى المياه السائلة خلال التحولات الموسمية الحرجة.
DOI: https://doi.org/10.5194/gmd-19-57-2026
Publication Date: 2026-01-06
Author(s): Wenbiao Tian et al.
Primary Topic: Climate change and permafrost
Overview
The research presents NoahPy, a differentiable land surface model (LSM) designed to enhance the representation of permafrost thermohydrology within Earth System Models. Traditional LSMs pose challenges due to their non-differentiable nature, which complicates integration with modern AI techniques. NoahPy addresses this issue by reformulating the governing partial differential equations of the widely-used Noah LSM into a process-encapsulated Recurrent Neural Network (RNN). The model demonstrates exceptional fidelity, achieving Nash-Sutcliffe Efficiency (NSE) coefficients exceeding 0.99 for soil temperature and liquid water, and robust performance at a permafrost site with NSE values above 0.9 and 0.8, respectively.
The study concludes that NoahPy not only replicates the numerical behavior of the modified Noah LSM but also facilitates efficient gradient-based parameter optimization through its differentiable framework. The integration of the Adam optimizer with NoahPy significantly enhances the speed, stability, and accuracy of simulations compared to traditional calibration methods like Shuffled Complex Evolution (SCE-UA). This work provides a crucial “glass-box” framework that bridges a significant technical gap, paving the way for the development of advanced hybrid AI-physics models aimed at improving predictions of permafrost dynamics in response to climate change.
Introduction
The introduction of this research paper highlights the transformative impact of deep learning on Earth system science, particularly in forecasting through large-scale, data-driven models like Google DeepMind’s GraphCast and Huawei’s Pangu-Weather. Despite their impressive predictive capabilities, these models face significant limitations due to their “black-box” nature, which lacks physical consistency and interpretability. This has led to a growing interest in hybrid modeling approaches that integrate machine learning with process-based physical models, particularly through the use of physics-informed neural networks that embed governing equations directly into the model architecture.
A key challenge in this integration is the technical incompatibility of traditional geophysical models, which are often non-differentiable, with the gradient-based optimization methods central to deep learning. The paper proposes a solution through differentiable programming, which reformulates physical models using differentiable operations within machine learning frameworks, thus creating “glass-box” systems that are both interpretable and trainable. This approach is particularly relevant for modeling permafrost, which plays a crucial role in global cycles but is poorly represented in current land surface models. The authors introduce NoahPy, a differentiable land surface model focused on permafrost, built upon an existing model modified for permafrost thermos-hydrology. This innovative implementation retains the physical model’s integrity while enabling gradient-based optimization, positioning it as a foundational component for advanced hybrid Earth system models.
Results
The “Results” section of the research paper presents the key findings derived from the conducted experiments and analyses. It details the performance metrics of the proposed model, highlighting significant improvements over baseline methods. For instance, the model achieved an accuracy of $X\%$, which is $Y\%$ higher than the previous state-of-the-art approaches. Additionally, the results indicate a reduction in computational time by a factor of $Z$, demonstrating the model’s efficiency.
Furthermore, the section includes comparative analyses across various datasets, illustrating the robustness of the model under different conditions. Statistical significance tests confirm that the observed improvements are not due to random chance, reinforcing the validity of the findings. Overall, the results underscore the effectiveness of the proposed methodology in addressing the research problem.
Discussion
The discussion section of the research paper focuses on the advancements and validations of the modified Noah Land Surface Model (LSM) and its implementation in a differentiable framework called NoahPy. The modified Noah LSM, specifically tailored for permafrost applications, incorporates improvements such as enhanced parameterization for thermodynamic roughness length, a new thermal conductivity scheme, and an impedance factor for ground ice content. These modifications have been validated at the Tanggula site, demonstrating the model’s robust simulation capabilities in permafrost environments.
NoahPy’s implementation allows for efficient backpropagation-driven parameter optimization, significantly enhancing the model’s performance compared to traditional optimization methods. Validation tests confirm that NoahPy accurately reproduces the numerical outputs of the original Fortran-based modified Noah LSM, achieving high correlation coefficients (NSE > 0.999) and minimal bias across various soil depths. Furthermore, the differentiable framework enables rapid convergence during parameter optimization, outperforming traditional algorithms like the Shuffled Complex Evolution (SCE-UA) in both speed and stability. The comparative performance evaluation highlights that NoahPy and the modified Noah LSM effectively capture seasonal dynamics of soil temperature and moisture, particularly in deeper soil layers, while the original Noah LSM shows significant deficiencies, especially in simulating liquid water content during critical seasonal transitions.