地球表层特征参量反演与模拟的机理-学习耦合范式

构建物理驱动的机理模型一直是估算地球表层特征参量的核心科学范式, 发展数据驱动的机器学习模型是地学研究范式转换的重要途径, 而耦合机理模型与学习模型则可以实现“理性主义”与“经验主义”的结合, 是当前最受关注的研究热点之一. 文章针对参量估算的遥感反演与动力学模拟方法, 深入分析了机理模型与学习模型的内在瓶颈及其互补性, 搭建了以机理级联学习、学习嵌入机理、机理融进学习为核心的耦合范式框架, 归纳了预处理与初始化、中间变量传递、后置精化处理、模型替代、模型调整、模型求解、输入变量约束、目标函数约束、模型结构约束、混合应用等十种具体耦合方式, 剖析了当前的主要问题与未来的挑战方向. 研究为深入理解、应用机理-学习耦合模型提供了新视角, 为提升地球表层特征参量反演与模拟能力、服务地球系统科学发展提供理论与技术支撑。