人工智能技術提升氣候模式性能

基于深度學習的海洋垂向混合參數化方案示意圖   海洋所供圖

（a） 為目前海洋模式中采用基于物理經驗關系的KPP參數化方案得到的赤道東太平洋溫度模擬誤差（0o，140oW）；（b）為應用了基于神經網絡（Neural Network， NN）新參數化方案后的誤差；（c）和（d）為NN方法比 KPP方法的改善效果。結果顯示60-80米的暖誤差減小了約44%       海洋所供圖

近日，記者從中科院海洋研究所獲悉，在明確的物理約束下，該所研究員張榮華團隊設計了首個基于深度學習和湍流觀測數據的海洋垂向混合參數化方案，并應用于海洋和氣候模式中，其模擬效果優于基于物理經驗關系的傳統參數化方法，有效提升了海洋和氣候模式的模擬性能。相關成果發表于《國家科學評論》。

自2021年諾貝爾物理學獎獲得者真鍋淑郎等人于1969年首次建立了涵蓋全球大氣、海洋等分系統的耦合模式以來，海氣耦合模式一直是進行氣候研究的重要工具。世界氣候研究計劃（WCRP）從1995年起，先后組織了六次國際耦合模式比較計劃（如最近的CMIP6產品），這些計劃極大地推動了氣候模式的發展和改進，并已經成為政府間氣候變化專門委員會（IPCC）評估報告撰寫的重要科學依據。然而，即使是2021年最新發布的CMIP6模擬結果，與觀測之間仍存在較大的系統性差異，這些誤差嚴重制約了模式對當前氣候模擬和未來氣候變化預估的能力，并直接影響到IPCC報告的可信度。鑒于此，氣候模式誤差的歸因和消除一直是氣候研究中的重要內容之一。

在“氣候模式的系統性誤差從何而來”的眾多原因中，海洋垂向混合參數化方案存在很大的不確定性，是一個公認的重要誤差來源。當前氣候模式采用基于物理經驗關系的參數化方案（如基于洋流切變和穩定度等海洋狀態的 KPP方案），而這些方案估算的混合系數與觀測事實差異較大，很難準確地刻畫好觀測到的海洋垂向湍流熱交換過程，進而導致海溫模擬等變量出現誤差。尤其是在熱帶太平洋海區，基于物理關系的參數化方案估算的垂向渦擴散系數明顯偏大和向下湍流熱通量過強，是導致耦合模式中“冷舌”偏冷誤差的重要原因。

參數化方案之所以出現不確定性，關鍵在于目前通用的方案都是基于預先假設的物理經驗關系；由于目前對海洋湍流混合過程的物理認識還很有限，基于這些有限認識的經驗關系自然會產生很大的不確定性。

為解決這一難題，張榮華團隊利用近十年熱帶太平洋海域的湍流觀測記錄，在明確的物理約束下，設計了首個基于深度學習的海洋垂向混合參數化方案，進一步將這一參數化方案應用到海洋環流和海氣耦合模式中， 證實其對上層海洋垂向混合系數和垂向熱通量表征的能力，從而有效改善熱帶太平洋的溫度模擬結果。

國際人工智能地球科學權威專家Gustau Camps-Valls教授特別撰文評述該研究成果，他認為該研究以一種簡潔和切實可行的方式，構建了性能更優的、泛化能力較強的參數化方案，最終實現提升氣候模式模式性能的目標。

論文第一作者為海洋研究所副研究員朱聿超，通訊作者為張榮華，合作者包括海洋研究所研究員王凡、李曉峰、李德磊以及美國俄勒岡州立大學教授James N. Moum。該研究成果得到了中科院海洋大科學研究中心、青島海洋科學與技術試點國家實驗室、中科院第四紀科學與全球變化卓越創新中心、中科院戰略性先導科技專項和國家自然科學基金等項目的資助。