弥合理想化与运行模型：用于地球系统仿真器的可解释人工智能框架

为什么更好的气候模型很重要

季节性预报和长期气候预测影响着粮食安全、水资源管理和灾害防范等决策。然而，即便是当今最复杂的计算模型也可能误判诸如厄尔尼诺这类重要格局，而这些格局会在全球范围内引发旱灾或洪涝。本文提出了一种新方法，通过一种可解释的人工智能手段，让复杂模型从简单且经过精调的模型中“学习”，从而变得更聪明、也更值得信赖。

两类气候模型，两类优势

现代的运行气候模型在精细网格上模拟整个地球系统，追踪大气、海洋、陆地与冰层的演化。它们功能强大但并不完美：在表现极端事件以及像厄尔尼诺/拉尼娜这类周期性格局的统计特性时，常存在偏差。另一端是理想化模型：这些模型将方程简化，只聚焦少数关键过程，通常限于某一区域或跨洋的一条剖面线上。由于简单且运行迅速，科学家可以对它们进行细致调参，使其在再现特定行为和统计特性方面表现极好。不幸的是，这两类模型世界很少交汇：详细模型过于复杂，难以用来自简单模型的见解手工调整；而简单模型又缺乏用于实用预测的丰富场字段。

用可解释人工智能搭建的一座桥

作者提出一种“桥接模型”，用可解释的人工智能而非黑箱修正，结合两种方法的长处。首先，他们用自编码器（一种能够从更少的数值重建完整场的神经网络）将复杂气候模型的大量输出压缩成紧凑的“潜在”表示。然后，他们用少数关键变量——例如赤道海表温度与温跃层深度——来丰富这份紧凑状态，这些变量由已知能很好匹配观测的理想化模型产生。第二个神经网络学习该压缩状态随时间的演化，同时通过数据同化步骤反复将这一演化状态向理想化模型给出的格局推动。因为这种修正是通过成熟的统计公式完成的，简单模型对完整系统的影响可以被量化和追溯，从而使过程具有可解释性。

修正厄尔尼诺的形态、强度与节律

为检验他们的框架，研究者聚焦赤道太平洋的厄尔尼诺—南方涛动现象，其暖相（厄尔尼诺）与冷相（拉尼娜）对全球天气有强烈影响。许多最先进的模型（包括用于CMIP6比对的那些）难以再现厄尔尼诺事件的多样性：有些在东太平洋达到峰值，有些在中太平洋峰值，且强度与时序在各周期间差异显著。借助能够准确捕捉这些变化统计特性的理想化模型，桥接模型显著修正了领先运行模型（CESM2）的偏差。它改善了地表与海下温度和风场的空间格局，匹配了观测到的厄尔尼诺指数的概率分布与季节节律，并再现了包括极端与多年事件在内的现实事件序列。

快速且明确地探索“假设”世界

由于该桥接在完整模型的压缩版本上运行，它比原始气候系统的模拟便宜得多：多年代的运行在标准计算机上只需几分钟，而非完整全球模型所需的巨大资源。这种效率允许科学家生成大样本集合以研究罕见极端事件，并探索各种“假设”情景。例如，通过改变理想化模型中代表太平洋信风强度的缓变参数，作者考察了大气环流持续减弱或增强的未来情景。桥接模型的回应表现为厄尔尼诺事件发生位置与强度的迁移，与先前研究一致，但所需计算成本只是其一小部分。由于这些修正通过透明的数据同化步骤施加，研究者可以看到系统哪些部分被引导以及引导的强度。

一种新型的气候孪生体

通俗地说，该框架让大型细致的气候模型能够“借用”简单且被充分理解模型的智慧，而不会变成神秘的黑箱。得到的混合体表现得像真实气候系统的数字孪生：它保留了影响评估所需的丰富高分辨率场，同时其关键格局与统计特性与观测和经精调的理论保持一致。作者认为，这种方法可以推广到其他区域、多个模型，甚至超出地球科学，应用于任何简单与详细模型并存的复杂系统。通过使修正可解释，他们的工作促进了构建理想化模型的社区与维护运行模型的团队之间更紧密的合作，为更可靠地预测对社会重要的气候极端事件铺平了道路。

引用: Behnoudfar, P., Moser, C., Bocquet, M. et al. Bridging idealized and operational models: an explainable AI framework for Earth system emulators. npj Clim Atmos Sci 9, 65 (2026). https://doi.org/10.1038/s41612-026-01334-7

关键词: 厄尔尼诺, 气候建模, 可解释人工智能, 数据同化, 数字孪生