海洋、气旋与气候临界点：机器学习模拟器的三种路径

大气过程的机器学习模拟器在几年内改变了天气预报。海洋版本进展较慢，原因不难理解。大气中大部分能量集中在较大尺度的现象中，而海洋中起关键作用的是小一个数量级左右的中尺度涡旋。此外，曲折的海岸线、狭窄的海峡和覆冰海域也是海洋模拟必须面对的问题，大气模式则无需为此操心。因此，海洋模拟通常在局部加密或完全非结构化的网格上进行，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 提出了一种直接在 FESOM2 模式原生非结构网格上运行的模拟器。它基于 AWI-CM3 的 209 年控制积分进行训练。运行时不施加大气强迫，仅在初始时刻引入大气状态，从而将海洋自身的可预报性单独隔离出来。模拟器的表现因变量而异。在 30 天预报中，其海流结果优于所有参照模型；但在温度和盐度方面，衰减的持续性异常仍然表现更好。作者从物理角度解释：海流变化很大程度上是地转的且由内部产生，而表层温度和盐度的波动则由天气驱动。在 OceanBench 基准测试中，使用再分析数据训练的版本相对于 GLORYS 再分析数据的 RMSE 在所有受评估系统中最低。

高分辨率的临界情景

第二组工具用于评估气候临界点的影响。ClimTip-GML 是首个经过全球偏差校正和降尺度的数据集，旨在评估大尺度临界过渡情景的影响。它包含来自 CESM1-CAM5、HadGEM3-GC31-MM 和 MPI-ESM1-2-HR 三个大气环流模式的八个关键变量，分辨率为 0.25 度。数据集还包括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，保持了空间、时间以及全部八个变量之间的物理一致性。验证结果显示偏差明显减小，小尺度变率和多变量相关性得到改善，对外部强迫的长期响应也保持一致。

物理作为约束

第三项工作关注热带气旋和快速增强，后者仍是预报中最难的环节之一。作者结合了两种方法：完全物理的数值模式能描述导致增强的过程，但计算成本高昂；纯数据模型则缺乏物理解释。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，用于诊断通风控制，即环境风切变和对流层中层熵亏。参数通过可微的 FAST 强度模型进行端到端优化，因此风暴演变仍受热力学规律支配。与其物理参照相比，该模型在 60 小时时效上将 CRPS 降低约 31%，快速增强的虚警率几乎减半，同时未损失检测灵敏度。在一百成员的集合配置下，其对受研究风暴的预报与 FNV3 相当；东太平洋的零样本测试则提示了跨海盆的可迁移性。

这些工作的共同结论是方法论上的：模拟器不必通用才有用，但必须逐变量评估。在海流上表现优异的模型，在温度上可能落败。这不是失败，而是关于其可预报性边界的信息。