本文档属于类型a，即报告了一项原创研究的科学论文。以下是基于文档内容生成的学术报告：

主要作者及研究机构

本研究由Xinlei He、Yanping Li、Shaomin Liu、Tongren Xu、Fei Chen、Zhenhua Li、Zhe Zhang、Rui Liu、Lisheng Song、Ziwei Xu、Zhixing Peng和Chen Zheng共同完成。研究团队来自北京师范大学地表过程与资源生态国家重点实验室、萨斯喀彻温大学环境与可持续发展学院、美国国家大气研究中心、上海师范大学城市研究所、安徽师范大学地理与旅游学院以及中国科学院地理科学与资源研究所。该研究于2023年4月17日发表在《Hydrology and Earth System Sciences》期刊上。

学术背景

本研究的主要科学领域为区域气候模拟与地表-大气相互作用。研究背景基于地表与大气边界层之间的能量和水汽交换在区域气候模拟中的关键作用。过去几十年，尽管地表模型（Land Surface Models, LSMs）有所改进，但将其与大气模型有效耦合以更好地描述地表-大气相互作用仍具有挑战性。近年来，地球观测技术的发展为利用数据同化（Data Assimilation, DA）方法研究地表-大气相互作用提供了重要机会。此外，机器学习（Machine Learning, ML）算法在地球和环境建模中的应用也逐渐增多。然而，将DA与ML方法结合用于区域气候模拟的研究尚未充分展开，特别是在复杂下垫面的流域中。

本研究的目标是：1）将混合数据同化与机器学习框架（DA-ML方法）耦合到天气研究与预报模型（Weather Research and Forecasting, WRF）中，以优化地表土壤和植被条件；2）验证DA-ML方法对区域气候和地表-大气相互作用的改进效果；3）揭示其物理机制。

研究流程

研究流程主要包括以下几个步骤：

1. WRF模型设置
   研究使用WRF模型（版本4.0.3）进行区域气候模拟。模型覆盖黑河流域（HRB），采用双向嵌套网格，网格间距分别为9 km和3 km。垂直方向设置了28个σ层，从地表到50 hPa。模型的大气边界条件由ERA5再分析数据集提供。地表覆盖、土壤质地、高程和GLASS叶面积指数（Leaf Area Index, LAI）数据集被重采样至3 km分辨率，以与模型模拟分辨率一致。研究选择了多种物理参数化方案，包括长波和短波辐射方案、微物理方案、行星边界层方案和地表模型（Noah-MP）。

2. 混合模型构建
   研究将基于DA和ML方法的混合模型引入WRF模型，以改进LAI、土壤湿度（Soil Moisture, SM）和蒸散发（Evapotranspiration, ET）的模拟。DA部分采用集合卡尔曼滤波（Ensemble Kalman Filter, EnKF）方法同化遥感LAI数据，更新Noah-MP模型中的叶片生物量（Leaf Biomass, LFMASS）和比叶面积（Specific Leaf Area, SLA）。ML部分则使用归一化土壤质地、地表覆盖、气温、湿度、风速、降水、太阳辐射和LAI等变量构建SM替代模型。SM替代模型采用极端梯度提升（Extreme Gradient Boosting, XGBoost）方法，以改进多层SM模拟。

3. 实验设计
   研究设计了两个实验：1）自然条件下的WRF模型（WRF (OL)）；2）实施DA和ML方法的WRF模型（WRF (DA-ML)）。模拟时间为2015年4月1日至9月30日，其中4月用于模型预热。

4. 数据验证
   研究使用黑河流域的综合观测网络中的九个通量和气象站点数据对模型结果进行验证。验证数据包括大孔径闪烁仪（Large Aperture Scintillometer, LAS）观测的感热通量（Sensible Heat Flux, H）和潜热通量（Latent Heat Flux, LE）、基于ML的流域ET产品（ETMap）以及自动气象站（Automatic Weather Station, AWS）观测的气温和比湿。

主要结果

1. LAI和SM模拟的改进
   研究结果表明，WRF (DA-ML)模型显著改进了LAI和SM的模拟。与WRF (OL)相比，WRF (DA-ML)在中游绿洲区域的LAI和SM模拟偏差分别减少了0.94 m²/m²和0.16 m³/m³。LAI和SM的改进主要归因于遥感LAI和多源SM观测数据的同化。

2. 感热和潜热通量的验证
   WRF (DA-ML)模型模拟的感热和潜热通量与LAS观测数据吻合良好。三个站点的平均均方根偏差（Root Mean Square Deviation, RMSD）分别为30.16 W/m²和48.45 W/m²，较WRF (OL)分别降低了43.74%和23.98%。

3. 气温和比湿的改进
   WRF (DA-ML)模型模拟的气温和比湿与站点观测数据更为接近。九个站点的平均RMSD分别为1.41 K和0.82 g/kg，较WRF (OL)分别降低了21.23%和24.07%。绿洲区域的冷却和湿润效应在中游绿洲尤为显著。

4. 风速和降水的模拟
   研究还发现，中游绿洲的作物、防护林和居民区产生了风屏蔽效应，降低了绿洲内的风速。此外，LAI和SM的集成还促进了上游区域的降水增加，特别是在迎风坡。

结论

本研究提出了一种混合数据同化与机器学习框架（DA-ML方法），并将其应用于WRF模型，以优化地表土壤和植被条件的初始化。研究结果表明，该方法显著改进了LAI、SM和ET的模拟，并增强了区域气候和地表-大气相互作用的描述。特别是在中游绿洲区域，DA-ML方法显著减少了气温和比湿的模拟偏差，并增强了绿洲的冷却和湿润效应。此外，LAI和SM的集成还促进了上游区域的降水增加。

研究亮点

1. 方法创新：首次将DA与ML方法结合用于区域气候模拟，显著改进了复杂下垫面流域的LAI、SM和ET模拟。
2. 数据验证：利用多种观测数据（如LAS、ETMap和AWS）对模型结果进行了全面验证，确保了模拟结果的可靠性。
3. 应用价值：研究结果为区域气候模拟和地表-大气相互作用的研究提供了新的方法和思路，特别是在干旱和半干旱区域的气候研究中具有重要应用价值。

其他有价值的内容

研究还详细分析了绿洲-沙漠相互作用的物理机制，揭示了绿洲冷却和湿润效应的空间分布特征及其对局地气候的影响。这些发现为进一步研究绿洲-沙漠相互作用提供了重要参考。