AI大气模型的气候变率模拟能力评估:优势、局限与基准测试

新闻

作者：微信文章
关注地球与人工智能，设置EarthAi星标

（加EarthAi微信交流群+商务合作，请备注：姓名-行业-单位）



AI大气模型的气候变率模拟能力评估：优势、局限与基准测试


https://arxiv.org/abs/2510.04466


这篇论文由芝加哥大学的研究团队撰写，系统评估了两种基于人工智能的大气模型（ACE2-ERA5 和 NeuralGCM）在模拟大气环流变率方面的表现，并与传统物理模型和再分析数据（ERA5）进行对比。

---

一、研究背景与动机

1. AI 模型在气象与气候预测中的兴起

• 近年来，基于神经网络的AI天气模拟器（如FourCastNet、GraphCast等）在短期天气预报中表现出色，甚至超越传统数值天气预报模型。• 这些模型通过监督学习从再分析数据（如ERA5）中学习大气演变的统计关系，实现快速、准确的预测。

2. 从天气预测到气候模拟的延伸

• AI模型开始被用于次季节至季节尺度甚至更长期的气候预测。• 目前有两种主要类型：

• 纯数据驱动的模拟器（如ACE2-ERA5）• 混合模型（如NeuralGCM），结合了可微分的动力学核心与神经网络参数化

3. 问题与挑战

• 尽管AI模型在多项指标上表现优异，但其是否真正理解大气动力学、能否捕捉长期变率过程（如QBO、SAM）仍存疑问。• 传统物理模型（如CMIP6中的AMIP模型）在模拟这些过程时也存在系统性偏差。

---

二、研究方法

1. 评估对象

• AI模型：

• ACE2-ERA5（纯数据驱动，基于SFNO架构）• NeuralGCM（混合模型，物理动力学核心 + 神经网络物理参数化）

• 对比基准：

• ERA5再分析数据• CMIP6中的AMIP物理模型

2. 四项关键大气变率指标

1. 准两年振荡（QBO）：赤道平流层风向的准周期性反转（~28个月）2. 对流耦合赤道波：包括MJO、Rossby波、Kelvin波等，通过波数-频率谱分析3. 温带涡旋-平均流相互作用：通过角相速度-纬度谱分析涡流动量通量4. 南半球环状模传播：SAM的极向传播及其150天周期性

3. 诊断方法

• 使用集合模拟（37个滞后初始化成员）• 所有输出统一插值至相同网格（2.8°），转为日平均数据• 采用经典气候诊断方法（如EOF分析、功率谱分析、波数-频率谱分析）

---

三、主要结果

1. QBO 模拟

• ERA5：清晰显示~28个月的周期，振幅达40 m/s• AMIP模型：多数无法准确模拟QBO周期或振幅，部分模型出现半年振荡• AI模型：

• ACE2-ERA5：无稳定周期，但振幅接近ERA5• NeuralGCM：偏向东风或西风状态，无向下传播信号

• 原因分析：

• 损失函数侧重于快速过程（6小时步长），难以捕捉慢变过程• 平流层垂直分辨率不足• 重力波参数化缺失或学习不足

2. 热带对流耦合波

• AI模型在模拟MJO、Rossby波、Kelvin波方面表现良好，甚至优于部分AMIP模型• 但在高频Kelvin波和高波数Rossby波方面功率偏低• NeuralGCM因未直接预报降水，在高频区域表现略差

3. 温带涡旋-平均流相互作用

• AI模型能准确模拟临界纬度和涡旋破碎过程• NeuralGCM在涡流动量通量方面略优于ACE2-ERA5，更接近ERA5• 所有模型在谱密度方面略低于ERA5

4. 南半球环状模传播

• AI模型能捕捉EOF模态之间的反馈机制• 但无法重现150天的周期性• 表现出与物理模型类似的过度持续性

---

四、讨论与结论

1. AI模型的优势与局限

• 优势：

• 能学习复杂的非线性动力学过程• 在短期过程和部分中尺度过程中表现优异• 计算效率高

• 局限：

• 对长期、准周期性过程（如QBO、SAM）模拟能力不足• 受限于训练策略（如损失函数设计、垂直权重分配）• 外推能力（如对未来气候的预测）存疑

2. 对AI模型发展的启示

• 需要改进训练策略，如引入多时间尺度损失、强化平流层约束• 应考虑更高垂直分辨率，尤其是在平流层• 需进行更系统的动力学测试，确保模型“因正确的原因而正确”

3. 混合模型 vs 纯数据驱动模型

• 当前研究中，两者表现相似，未显示出显著差异• 说明数据驱动方法也能学习到动力学核心所模拟的关键过程• 但在外分布强迫下的表现仍需进一步研究

---

五、研究意义与展望

• 提供了首个系统评估AI大气模型在关键气候变率指标上的研究• 提出的四项基准指标可作为未来AI模型开发的标准测试集• 强调了动力学理解在AI气候模型中的重要性，超越传统统计指标（如RMSE、相关系数）• 为AI模型在气候预测、极端事件模拟、外推能力评估等方面的应用提供了基础

---

总结

这项研究显示，AI大气模型在模拟短期和部分中期过程方面已具备强大能力，甚至优于传统物理模型，但在长期准周期性过程（如QBO和SAM）方面仍存在明显不足。这些不足可能与训练策略、垂直分辨率、时间尺度分离等因素有关。未来需要通过更精细的模型设计、训练方法和评估体系来进一步提升AI模型的气候模拟能力。




EarthAi
微信公号：Earth-Ai

商务联系：Earth_Ai