面向环北极冻土基础设施风险的物理-机器学习混合框架：达 290 万观测记录规模

北极变暖威胁着北方地区超过 1000 亿依赖冻土的基础设施，然而现有的风险评估框架缺乏时空验证、不确定性量化和运行决策支持能力。我们提出了一个混合物理-机器学习框架，整合了来自 171,605 个地点（2005-2021 年）的 290 万条观测数据，将冻土分数数据与气候再分析相结合。我们的堆叠集成模型（随机森林 + 直方图梯度提升 + 弹性网）实现了 R2=0.980（RMSE=5.01 pp），并进行了严格的时空交叉验证以防止数据泄露。为了解决机器学习在外推气候情景中的局限性，我们开发了一种混合方法，将学习到的气候-冻土关系（60%）与物理冻土敏感性模型（40%，-10 pp/C）相结合。在 RCP8.5 强迫下（10 年内升温 +5C），我们预测平均冻土分数下降 -20.3 pp（中位数：-20.0 pp），其中 51.5% 的俄罗斯北极地区将经历超过 20 个百分点的损失。基础设施风险分类识别出 15% 的高风险区（25% 的中风险区），并提供了具有明确空间特征的不确定性地图。我们的框架代表了全球最大规模的已验证冻土机器学习数据集，提供了首个面向北极基础设施的运行级物理-机器学习混合预测系统，并交付了开源工具，能够为工程设计规范和气候适应规划提供概率性冻土预测。该方法可推广至其他冻土区域，并展示了混合方法如何克服气候变化应用中纯数据驱动的局限性。