玻尔百科我们脚下的土地并非天气与气候大戏的静态舞台，而是一个充满活力且举足轻重的参与者。它呼吸、蒸腾，并与大气交换大量能量，深刻影响着从局部天气模式到全球气候变化的长期轨迹的一切。为了准确预测地球的未来，我们不能忽视这些复杂的相互作用。因此，核心挑战在于，如何在我们模拟地球的计算机程序中捕捉陆地表面错综复杂的物理和生物过程。这便是陆地表面模型（LSM）的关键作用，它是一个对陆地世界进行复杂数字化的再现。
本文将对这些强大的工具进行全面概述。在第一部分“原理与机制”中，我们将深入其内部，探索构成每个LSM引擎的基本能量和水守恒定律。我们将剖析模型的结构，从植被冠层到深层土壤，并理解用于表示多样化景观的巧妙技术。随后，在“应用与跨学科联系”部分，我们将看到这些模型的实际应用。我们将发现它们如何与卫星数据融合，以实时监测地球的健康状况，以及它们如何作为虚拟实验室，探索人类选择对气候系统产生的后果。首先，我们必须理解支配陆地行为的基本规则。
要构建地球陆地表面的数字孪生体，我们不能仅仅描述其外观，还必须理解它所遵循的规则。如同下宇宙象棋，陆地表面在不断地出招——吸收能量、调度水分、呼吸空气——所有这些都受制于几条优美而不可动摇的物理定律。陆地表面模型（LSM）就是我们试图将这些规则编入一个可运行的模拟程序中的尝试。其核心是一个关于平衡、结构和对话的故事。
想象一下你脚下的地面是一个能量银行账户。每一秒，它都在进行存款和取款。支配这个账户的基本原则是热力学第一定律——能量不能被创造或毁灭，只能被转移。这个简单的真理体现在或许是陆地表面科学中最重要的方程中：地表能量平衡。
让我们来解析一下。这不仅仅是一个公式，它是一份收支报表。
主要的“存款”是净辐射（）。这是地表最终保留的总辐射能量。它是所有入射辐射——来自太阳的耀眼光芒（）和来自大气的微弱热辐射（）——与所有出射辐射——反射回太空的太阳光（）和温暖地面自身发出的热辐射（）——之间的差值。在晴天， 是一个大的正数，是一笔可观的能量收入。在夜晚，没有太阳，地面继续向外辐射热量， 变为负数——这是一笔“取款”。
那么，这笔能量收入去向何方？陆地表面通过几种方式花费它：
感热通量（）：这是最直接的支出。它是用于直接加热与地表接触的空气的能量，这些空气随后上升并通过湍流混合。想象一下夏天午后滚烫沥青路上方闪烁的空气。那就是，一种你能感觉到的直接热能传递。
潜热通量（）：这是最引人入胜，也可以说是最重要的项。它是一种“隐藏”的能量转移。希腊字母lambda，，是蒸发潜热，是将液态水转化为水蒸气所需的巨大能量。是蒸散速率。当地表用其能量收入来蒸发水分时，那部分能量并未消失，而是储存在水蒸气分子中，并被带入大气。这与出汗让你身体降温的原理完全相同；蒸发汗水所需的能量来自你的皮肤。是地球“出汗”的方式。它将地球的能量循环和水循环紧密地耦合在一起。
这种“出汗”有三种形式，LSM必须对它们加以区分。蒸发是指裸土或水体发生的简单相变。蒸腾是一个更具生物性的过程，植物通过根系从土壤中吸收水分，并通过叶片上的微小孔隙（称为气孔）以水蒸气的形式释放出来。而冠层截留损失是指被植被叶片和枝干截留的雨水或露水的蒸发。当冠层湿润时，这个过程通常优先发生，因为水分更容易获得，并且它直接与蒸腾竞争可用的能量。
地热通量（）：一部分能量收入向下传导，加热地表以下的土壤。这就是为什么沙滩上的沙子，即使表面滚烫，在几英寸深处却是凉的。这部分能量没有丢失，只是储存在土壤中，到了晚上，随着地表冷却，这部分热量会向上回流。
储存项（）：最后，如果在某个瞬间收入和支出没有完全平衡怎么办？差额会进入或来自储存。是能量储存在地表薄层本身——植被生物量、冠层空气，或者最重要的是，积雪中——的速率。在一个晴朗的春日早晨，一个寒冷的积雪层必须首先吸收大量能量才能升温到熔点。这种能量消耗是一种储存形式，是模型必须捕捉到的一个关键延迟，以便正确预测春季洪水的时间。它不是一个误差项，而是一个真实的物理过程。
为了遵守能量和水平衡定律，LSM不能将陆地视为一个简单的平板。它必须表现我们周围世界错综复杂的垂直结构。因此，一个现代LSM由几个相互连接的组件构成，每个组件都有自己的账本，用于追踪质量和能量。
冠层构成了与大气接触的生命界面。它拦截降水，反射和吸收阳光，并交换热量和水蒸气。模型赋予冠层自己的温度和一个用于储存截留水分的“桶”，精确追踪有多少水分蒸发回天空，又有多少滴落到下面的地面。这个冠层的密度通常用叶面积指数（LAI）来描述——即单位地面面积上叶片总面积的堆叠层数。
冠层之下是土壤，一个多层柱体，是水分的主要储存库和热量的主要储存库。模型模拟水进入土壤的过程——称为入渗。但是，当雨下得太大，土壤无法完全吸收时会发生什么？多余的水就变成了径流。LSM必须捕捉到两种不同的机制。超渗径流（或 Horton 机制）发生在降雨强度极大，就像用消防水管给海绵注水一样；即使海绵大部分是干的，水也根本来不及渗入。这在压实的土壤或城市地区很常见。相比之下，蓄满产流（或 Dunne 机制）发生在土壤已经完全饱和时。“海绵”已经满了，任何额外的雨水除了在地表流动外无处可去。这通常发生在山谷或长时间缓雨之后。一旦进入土壤，水可以向下流动以补给地下水，地下水随后缓慢地以基流形式释放到河流中，或者它可以作为壤中流在浅层横向移动。
在较冷的地区，会形成积雪，增加了另一个复杂、动态的层次。一个积雪模型本身就是物理学的奇迹，它追踪雪的积累、其结构如何随时间变化，以及其自身的详细能量平衡，该平衡决定了它何时开始融化，将其储存的水释放到土壤中。
如果你从飞机窗户向外看，你会看到一片由森林、田野、城市和湖泊组成的拼布被面。在全球气候模型中，一个可能横跨50或100公里的单一网格单元就包含了这种令人难以置信的多样性。模型如何可能解释这一点呢？简单地对属性进行平均是错误的——比如，说一个网格单元50%是森林，50%是草地，所以我们使用“草地森林”的属性。
这种方法之所以失败，是因为一个优美的数学上的微妙之处：这些过程是非线性的。例如，来自一个表面的热通量以一种复杂的方式取决于其温度和空气动力学粗糙度。用平均温度和平均粗糙度计算出的通量并不能得到平均通量。
为了解决这个问题，大多数现代LSM采用一种优雅的策略，称为次网格剖分或镶嵌方法。它们将大的网格单元划分为一组较小的、独特的“瓦片”，每个“瓦片”代表一种单一的土地覆盖类型（例如，森林瓦片、草地瓦片、混凝土瓦片）。然后，模型为每个瓦片分别运行其完整的物理过程——即完整的能量和水平衡计算——使用其独特的参数，如反照率（反射率）、LAI和空气动力学粗糙度（）。最后，通过对所有瓦片通量进行面积加权平均，来汇总该网格单元的总热量和水分通量。这种“先计算后聚合”的方法，而不是“先聚合后计算”，对于尊重非线性物理和确保守恒至关重要。
这些瓦片的参数来源于庞大的全球土地覆盖、土壤类型和植被健康状况的卫星观测数据集，这些数据可以随时间更新，从而创建一个动态的、活生生的、不断变化的地球的表征。
LSM并非孤立运行。它与上方的大气模型进行着持续、动态的对话。这种对话由一个名为耦合器的软件组件管理，它既是翻译器，也是严谨的会计师。
在固定的时间间隔——耦合频率——大气模型会告知陆地模型它正在创造的天气：入射辐射、风、气温和降雨。陆地模型接收这些信息，运行其内部计算，并计算出从地表上升的热量和水分通量。然后它将这些通量传回给耦合器。耦合器最神圣的职责是确保报告为离开陆地的能量或水分通量与大气接收到的量完全相同。这就是通量匹配原则。
这听起来可能很简单，但要做到恰到好处却异常困难。陆地和大气模型可能以不同的时间步长运行，或使用略有不同的假设。例如，想象一下大气模型使用过去30分钟的平均地表温度来计算热通量，而陆地模型则根据那30分钟结束时刻的温度来计算其通量。如果温度在变化，这两个计算将产生略有不同的通量。这种微小的不匹配，一个看似无害的数值假象，代表了对热力学第一定律的违反。它在数字世界中创造了一个“虚假”的能量源或汇——能量无中生有或无故消失。在一次长期气候模拟中，这些微小的误差会累积成显著的偏差。
确保这种对话是完美的——通量匹配到最后一位小数——是地球系统建模的一大挑战。它需要对细节的一丝不苟、一致的物理学和保守的数值方法。这证明了要模拟我们的世界，我们不仅必须理解其物理定律，还必须以绝对的忠诚来遵守它们。
既然我们已经窥探了陆地表面模型复杂机械的内部——其能量平衡的齿轮和水守恒的弹簧——我们可以提出最激动人心的问题：它有什么用处？我们能用这个奇妙的装置做什么？我们就像刚刚看到一块怀表的孩子；我们欣赏了它的工艺，现在我们想看它报时。事实上，这些模型的作用远不止报时。它们是我们研究地球的虚拟实验室，是我们连接太空数据的桥梁，也是我们窥探气候未来的水晶球。让我们来探索这些模型让我们能够完成的一些奇妙之事。
一个模型，无论多么复杂，都只是一个假设——一个关于世界如何运作的宏大而复杂的“如果”故事。为了有用，这个故事必须不断地与现实进行核对。但是，一个存在于数字抽象世界的模型，如何与卫星测量和地面传感器的真实世界对话呢？这就是观测算子概念的用武之地。它是通用翻译器，是连接模型语言和测量语言的罗塞塔石碑。
例如，一颗在数百公里高空飞行的卫星并不直接测量“土壤湿度”。它测量的是微波亮度温度之类的东西，这是一种我们肉眼看不见的光。这种亮度温度不仅是土壤湿度的复杂函数，还取决于土壤的温度、覆盖其上的植被、地表的粗糙度，甚至它必须穿过的大气。观测算子是一个物理公式——模型中的一个微型模型——它根据模型当前的状态，计算出卫星应该看到的亮度温度。只有这样，我们才能进行有意义的比较。相比之下，一些测量值，比如在理想条件下由地面仪器测量的地表辐射温度，可以被视为直接可观测量，因为它与模型中的一个变量几乎一一对应，只需要通过普朗克函数等基本物理学进行简单转换。
一旦我们能将模型与观测进行比较，我们就进入了数据同化的美妙世界。这是将模型预测与传入数据进行最优融合的艺术。想象一下，你的模型预测地表温度为 ，但卫星反演测得为 。你该相信谁？一种天真的做法可能是取个折中值。但数据同化的贝叶斯框架为我们提供了一个更为优雅的答案，体现在卡尔曼滤波器等工具中。它告诉我们，要根据每条信息的不确定性来加权。如果我们的模型有较高的不确定性（比如，标准差为 ），而卫星观测更不确定（例如，标准差为 ），我们就会更相信模型的预测。最优的“增益”或权重因子 ，可以直接从模型（）和观测（）的不确定性中计算出来。在一维情况下，这个增益是 ，其中 是观测算子。这个过程给了我们一个新的估计值，即“分析”，它被证明比单独的模型预报或观测都要好。
这个原则不限于单一数据源。其真正的力量在数据融合中得以展现，我们可以将来自不同传感器的交响乐般的数据结合起来。我们可以获取来自SMAP等卫星的数据、埋在地下土壤湿度传感器的读数，以及我们陆地表面模型的先验预报，并将它们全部融合在一起。在一个美妙的转折中，这个框架如此强大，以至于它不仅能估计真实的土壤湿度，还能同时估计并修正传感器本身的系统性偏差！。这是通过将模型的物理定律作为强约束，一个一致性的支柱来实现的。这就是为什么状态估计——在尊重模型物理的前提下，调整土壤湿度等模型变量以匹配观测——比简单地强迫模型的输出通量与观测值匹配要强大得多，后一种方法可能会破坏作为模型核心的内部能量和水守恒[@problem-id:4097673]。最后，为了确保我们的模型从一开始就值得信赖，其内部参数——数十个控制着从土壤水力学到植物光合作用的一切——必须被“调整”。在这里，贝叶斯方法再次提供了一种严谨的方式，来消化大量数据并找到使模型与真实世界最合拍的参数值。
手握一个经过校准、并不断被真实世界数据引导的模型，我们就可以开始解决环境科学中一些最重大的问题了。
生命行星的脉搏： 您是否曾看过地球的卫星图像，并想知道我们如何将那些绿色图案转变为对地球健康状况的理解？陆地表面模型是关键。来自欧洲Sentinel-2等卫星的数据为我们提供了地表反射多少红光和近红外光的测量值。由此，我们可以计算出一个植被指数，如著名的NDVI。这个指数是植被绿度和密度的代表。奇迹就发生在这里：通过比尔-朗伯定律等物理原理，这个指数可以与我们陆地表面模型中的一个关键参数——叶面积指数（），即单位地面面积上的总叶片面积——建立数学关系。通过将这个卫星衍生的输入我们的模型，我们可以即时更新我们对关键地球系统过程的估计，例如通过蒸散作用输送到大气中的水量。这就是我们如何在全球范围内监测干旱、评估作物健康和理解水循环的方式。当然，大自然是狡猾的。在半干旱地区，明亮、反射性强的土壤可能会混淆像NDVI这样的简单指数。因此，科学家们开发了更复杂的指数，如土壤调节植被指数（SAVI），以更好地区分植物信号和土壤背景，从而更准确地估计植被覆盖度，进而得到更可靠的水和能量通量预测[@problem-id:3849031]。
地球的呼吸： 陆地表面不是静止的，它在呼吸。通过光合作用，植物从大气中吸入大量二氧化碳（），这个过程称为总初级生产力（）。与此同时，植物自身进行呼吸（，自养呼吸），土壤中分解有机物的无数微生物也在呼吸（，异养呼吸），将释放回大气。这场巨大拉锯战的净结果是净生态系统交换量（），按照向大气通量为正的约定，定义为 。当为负时，如晴天健康的森林，该生态系统是一个净汇，吸收大气中的。当它为正时，如夜晚光合作用停止时，该生态系统是一个净源。陆地表面模型，凭借其对这些生物过程的详细表征，是我们计算全球碳收支的主要工具。它们帮助我们回答我们这个时代最紧迫的问题之一：我们排放的有多少将被地球陆地吸收，而在一个更暖的世界里，这种情况又会如何变化？。
人类的选择，行星的后果： 也许陆地表面模型最深远的应用是它们能够将人类决策与行星反馈联系起来。当森林被砍伐用于农业时会发生什么？我们可以通过将LSM与社会经济模型联系起来探索这个问题。未来的情景，即共享社会经济路径（SSPs），提供了关于人口增长、经济发展和政策选择的叙述。这些叙述可以转化为具体的土地利用变化——例如，一定比例的森林被转换为农田。在LSM中，这表现为不同植物功能型（PFTs）覆盖比例的变化。这不仅仅是地图上的变化，它改变了地表的物理特性。森林通常是深色的（低反照率）、粗糙的，并且能高效地蒸腾水分。农田通常更明亮（高反照率）、更平滑，并且有不同的水分利用季节周期。通过使用新的土地覆盖运行LSM，我们可以计算出其后果：农田较高的反照率可能会反射更多的阳光，导致局部降温，而能量在感热和潜热之间的分配变化可能会改变云的形成和降雨模式。这是一种生物地球物理反馈。正是通过这种机制，我们关于如何使用土地的集体选择在气候系统中产生涟漪，改变了我们赖以生存的天气和气候。
当科学家对未来气候进行预测时，他们不依赖于单一模型。他们使用一个集合，即来自世界各地研究中心的数十个模型的集合，例如耦合模式比较计划（CMIP）中的那些模型。人们可能认为，如果你有20个模型，你的不确定性就会减少倍。但这是一个错误。我们必须问：这些模型真的相互独立吗？有趣的是，答案是否定的。模型就像人，它们有家族树。一些模型可能共享相同的“父代码”用于其大气动力学，另一些可能借用了“表亲”的海洋冰分量。它们通常是由上过同样学校的科学家开发的，并且都用相同的历史气候数据进行“调整”。这种共享的“结构谱系”意味着它们的误差通常是相关的。如果一个模型存在偏差，它的亲属很可能也有类似的偏差。统计学家已经证明，由于这种相关性，有效独立模型的数量可能远小于实际模型的数量，遵循关系式。对于一个典型的相关性，一个包含20个模型的集合可能只具有3个真正独立模型的统计能力！。这是一个深刻而令人谦卑的教训。它提醒我们，即使拥有最强大的工具，我们也必须坦诚其局限性，并以雄心和科学诚信来应对理解我们星球的巨大挑战。