短时大气温度预报是气候感知数字孪生系统的关键需求，但观测往往不完整。本研究评估了一种基于物理信息的神经网络（PINN）用于位势温度预测。模型受限于压力坐标下的热力学平流‑源方程，并使用前 12 小时的对流源闭合项进行拟合，随后在未来时间训练阶段保持不变。采用 ERA5 重分析的每小时数据，选取三个等压面进行实验，作为条件后验预报在 1、2、3 小时预报时段与持久性、局部趋势以及两种基准神经网络进行比较，其中一种基准网络同样获得未来气象强迫，以区分物理约束与未来信息的贡献。
在俄克拉荷马的开发案例中，PINN 相对于最强基准的均方根误差（RMSE）提升从 1 小时的 8.1% 增至 3 小时的 23.8%。当观测密度降至候选点的 5% 时，3 小时的优势仍保持在 14.6%‑16.9%，且未出现稀疏度提升性能的迹象。将相同协议转移至阿拉巴马的热浪事件，三种虚拟观测布局下的 3 小时提升介于 19.7%‑24.4%，且始终在原始层面获胜。
在蒙大拿的压力面与复杂地形交叉的压力测试中，3 小时预报出现约 17.5% 的退化，表明固定垂直坐标在复杂地形上的适用性受限。综合来看，物理约束的收益随预报时长增长，在极端观测稀疏条件下仍然有效，并能跨区域迁移，但受限于固定坐标系在复杂地形上的有效性。这为气候感知预报和数字孪生系统中的物理约束组件提供了重要参考。
点评