利用物理信息机器学习评估永久冻土退化风险

全球变暖加速了永久冻土退化，影响每日超五百万人使用的关键基础设施的可靠性。此外，永久冻土融化产生大量甲烷排放，进一步加速全球变暖与气候变化，使超八十亿人面临额外风险。为缓解迫近的风险，必须向政策制定者与利益相关者提供对融化发展的准确预测。遗憾的是，综合的基于物理的永久冻土模型需要特定位置的精细调参，在实践中颇具挑战。中等复杂度的模型所需输入参数少但精度相对较低。纯数据驱动模型性能亦低，且观测数据稀疏有限。本工作中，我们设计了一种物理信息机器学习方法用于永久冻土融化预测。该方法利用热方程对基于永久冻土监测数据与气候预估训练的数据驱动方法进行正则化。后者带来了更高精度与更佳数值稳定性，可在受永久冻土融化威胁区域以数十年为时间尺度支撑可靠的决策或建设维护。