海洋、气旋与气候临界点：机器学习模拟器的三种做法

大气过程的机器学习模拟器几年之内就改变了天气预报。海洋版本走得慢一些，原因不难看出。大气里大部分能量集中在尺度较大的现象中，海洋里起关键作用的却是小一个量级左右的中尺度涡旋。再加上曲折的海岸线、狭窄的海峡和覆冰的海域，大气模式不必为这些操心。所以海洋模拟通常在局部加密或完全非结构化的网格上做，而数据驱动模型过去是在普通的经纬度网格上训练的。

海洋在自己的网格上

HClimRep-Ocean 的工作提出了一种模拟器，直接在 FESOM2 模式的原生非结构网格上运行。训练数据是 AWI-CM3 的 209 年控制积分。运行时不给大气强迫，只在起始时刻拿到大气状态，这样就把海洋自身携带的可预报性单独隔了出来。技能高低很看变量。30 天预报里，模拟器的海流结果优于所有参照模型；温度和盐度方面，衰减的持续性异常仍然更好。作者从物理上解释：海流变化很大程度上是地转的、由内部产生，表层温度和盐度的波动则由天气驱动。在 OceanBench 基准上，用再分析数据训练的版本相对于 GLORYS 再分析的 RMSE 在所有受评估系统中最低。

高分辨率的临界情景

第二组工具用来评估气候临界点的影响。ClimTip-GML 是第一个经过全球偏差校正和降尺度的数据集，用于评估大尺度临界过渡情景的影响。它包含三个大气环流模式 CESM1-CAM5、HadGEM3-GC31-MM 和 MPI-ESM1-2-HR 的八个关键变量，分辨率 0.25 度。数据集里还有前工业时期和历史时期的百年模拟，以及升温 2 摄氏度、大西洋经向翻转环流或亚马孙森林发生临界转变和不发生转变的情景。偏差校正和降尺度由在再分析数据上训练的生成式机器学习方法完成，空间、时间以及全部八个变量之间的物理一致性都保持住了。验证显示偏差明显减小，小尺度变率和多变量相关性改善，对外部强迫的长期响应也保持一致。

物理作为约束

第三项工作关于热带气旋和快速增强，后者仍是预报中最难的环节之一。作者把两种方法结合起来。完全物理的数值模式能描述导致增强的过程，但代价高昂；纯数据模型又缺乏物理解释。他们的混合模型 FAST-ML 使用双流神经网络参数化，输入 ERA5 三维场，用来诊断通风控制，也就是环境风切变和对流层中层熵亏。参数通过可微的 FAST 强度模型端到端优化，风暴的演变因此仍受热力学规律支配。相对于其物理参照，该模型在 60 小时时效上把 CRPS 降低约 31%，快速增强的虚警率几乎减半，同时不损失检测灵敏度。在一百成员的集合配置下，对受研究的风暴给出的预报与 FNV3 相当；东太平洋的零样本测试则提示跨海盆的可迁移性。

这些工作的共同结论是方法上的：模拟器不必通用才有用，但必须逐变量评估。在海流上取胜的模型，在温度上落败。这不是失败，而是关于它的可预报性在哪里结束的信息。