（加EarthAi微信交流群+商务合作，请备注：姓名-行业-单位）

ECMWF数据驱动预报系统AIFS中的海洋表层表征：AI首次实现大气-海洋-海冰-海浪联合预报

研究背景：为什么需要”联合建模”？

传统数值天气预报（NWP）系统采用”分而治之”的策略：大气模式（如ECMWF的IFS）与海洋模式（如NEMO4）各自独立运行，通过预设的耦合接口每小时交换一次数据。这种架构虽然成熟，但存在三个固有缺陷：

• 时间分辨率不匹配：大气模式通常运行在9km分辨率、450秒时间步长，而海洋模式为25km分辨率、1200秒步长，耦合过程本身会引入数值误差
• 信息传递损耗：物理参数化方案对跨圈层过程（如海浪对海冰的阻尼、海气通量交换）做了大量人为假设
• 计算资源瓶颈：多模式耦合的复杂架构限制了预报时效的提升

近年来，以ECMWF的AIFS（Artificial Intelligence Forecasting System）为代表的机器学习（ML）模型在大气预报领域取得突破，在中期预报时效上已超越传统数值模式，且计算成本大幅降低。然而，现有ML模型几乎都将大气视为孤立系统，海洋、海冰、海浪等分量仅通过训练数据（如ERA5再分析资料）间接”隐含”其中。

核心科学问题：这种”隐式表征”在中期预报时效（约10天）内是否足够？何时需要显式引入海洋分量？

核心创新：从”耦合”到”联合”

本文提出的AIFS Marine并非简单地将多个独立ML模型拼接，而是采用组件无关（component-agnostic）的联合建模策略：

• 统一状态空间：大气、海洋表层、海冰、海浪所有变量被映射到同一个潜空间，模型不区分变量属于哪个地球系统分量
• 共享表征学习：编码器-处理器-解码器架构中，注意力机制自动捕捉跨分量关联（如台风强风区与巨浪区、海冰边缘与波浪衰减区的空间一致性）
• 端到端训练：通过单一损失函数同时优化所有变量的预报技巧，而非分模块独立训练

这种架构彻底颠覆了传统耦合范式——耦合不再需要人为预设，而是从数据中学习涌现。

技术突破：四大工程挑战与解决方案

缺失值处理：陆地掩码机制

海洋变量在陆地上无物理定义，存在大量NaN值。团队采用归一化空间置零+掩码屏蔽策略：训练时将NaN替换为0，但用掩码排除这些区域对损失的贡献；推理时重新应用掩码恢复缺失值。这避免了模型在陆地区域学习无意义的海洋增量。

物理边界约束：泄漏激活函数

针对海冰浓度（[0,1]）、海表温度（≥271.15K）等有严格物理边界的变量，传统HardTanh/ReLU会导致梯度消失（当预测值恰好在边界0时）。团队创新性地采用泄漏边界（Leaky Bounding）：

• 海冰浓度使用LeakyHardTanh，允许小梯度穿透边界（α=0.01）
• 海表温度使用LeakyReLU，设置271.15K下界

实验证明，泄漏边界使预测值更集中于物理下界附近（图3），避免了非泄漏版本将负值全部截断为0导致的训练停滞。

方向变量连续化：三角函数重映射

平均波向（MWD，0°-360°）在边界处存在不连续性（359°与1°实际接近）。团队将其分解为sin(MWD)和cos(MWD)两个分量输入模型，彻底消除角度不连续问题。

损失函数平衡：多时间尺度加权

海洋变量（如海表温度日变化缓慢）与大气变量（如风场快速演变）的动态时间尺度差异巨大。团队设计双重损失缩放：

• 时间尺度补偿：慢变变量赋予更大损失权重，确保其微弱增量不被大气变量的强信号淹没
• 分量间平衡：当同时加入海洋和海浪时，将海洋变量损失权重减半，防止大气预报技巧被”挤占”

实验设计：四级模型对比体系

注：含海洋分量的模型通道数增加50%以应对更复杂的耦合交互。

关键结果：海洋预报提升约1天，大气影响复杂

海浪预报：显著波高误差降低10%

AIFS Waves相对于ECMWF业务化海浪模式（ecWAM），在中期预报时效（4-5天）的显著波高（SWH）均方根误差（RMSE）降低约10%，等效于预报技巧延长约1天。这一提升在全球大部分海域成立，尤其在开阔大洋表现稳健。

海冰边缘的波浪衰减是检验物理一致性的关键场景。AIFS Waves（无显式海冰）在该区域表现较差——波浪能量未充分衰减；而AIFS Marine（含显式海冰）通过海冰浓度与波浪变量的联合学习，准确复现了海冰对波浪的阻尼效应（图5）。

海冰预报：南极边缘冰区大幅改善

采用综合冰缘误差（IIEE）评估，AIFS Ocean/Marine在南极的预报技巧显著优于IFS数值模式，IIEE降低幅度最大。北极改善相对温和。空间误差分析显示，改进集中在南极 marginal ice zone（边缘冰区），这与该区域海冰动力学主导、热力学结构影响较弱的特征一致。

值得注意的是，显式海浪信息对海冰边缘预报几乎无额外贡献——因为训练数据中海浪响应海冰而非反之，海浪不提供独立的冰缘演化信息。

海洋表层：温度提升明显，高度存在偏差

• 海表温度（SST）：AIFS Marine/Ocean在全区域优于IFS，尤其在南北半球中高纬度偏差显著降低。热带改进较小，因SST变率本身较弱。
• 海表高度（SSH）：出现系统性负偏差且随预报时效增长。作者归因于训练期（1993-2023）内全球海平面上升的单调趋势信号——模型倾向于预测训练期平均气候态，而非延续趋势。未来拟采用距平预报（预测SSH异常而非绝对值）解决。

对大气预报的”双刃剑”效应

• 中性/微弱正面：加入海浪对大气500hPa位势高度、850hPa温度等核心评分几乎无影响，因ERA5训练数据已隐含海浪信息
• 近地面温度改善：显式海冰使2米温度在极区提升15% RMSE；显式海洋改善热带2米温度技巧，因SST梯度和日变化被更精确保持
• 近地面风场退化：10米风RMSE略有增加，反映海气数据集不一致性（ERA5强迫自OSTIA海温，而非ORAS6）对动量场的敏感影响

物理一致性验证：两个理想化实验

实验一：孤立 swell 传播

在平静海面上人为注入25-30秒长周期涌浪（无风强迫），AIFS Waves成功模拟了swell跨洋盆相干传播，并在风区生成新的风成浪系统。但无海冰分量时，南极海冰边缘出现虚假北移——证明显式海冰对极地波浪至关重要。

实验二：完全移除初始海冰

将初始海冰浓度、体积、速度全部置零，并施加+2K SST扰动（加速融冰记忆衰减）：

• 恢复非瞬时：海冰不会立即重现，而是随大尺度热力学条件逐步恢复
• 季节不对称：2月初始化时北极先恢复（冬季热力条件有利），南极延迟至秋季；8月则相反
• 体积恢复慢于范围：范围（extent）在冻结条件重建后快速增加，体积（volume）因冰厚增长的热力学自限性（冰越厚隔热越强，增长越慢）而缓慢累积，符合数值模式spin-up行为

该实验证实联合模型并非简单记忆初始场，而是具备真实的热力学响应能力。

台风案例：跨圈层耦合的”压力测试”

针对2023年8月飓风Idalia和Franklin，AIFS Marine展现了与IFS高度一致的跨分量响应（图1）：

• 大气：强风区与2米露点温度、10米风速的台风结构清晰
• 海浪：显著波高与风场空间对齐，台风路径上浪高增强
• 海洋：台风过境后海表温度出现负异常（cold wake），源于风驱动混合将次冷水卷入表层
• 海表高度：气旋式环流驱动海水向佛罗里达西海岸堆积，形成正高度异常（风暴潮信号）

这种多变量物理一致性完全从数据中学习，无需预设任何耦合方案。

局限与展望

1. 数据集一致性瓶颈：ERA5（大气）与ORAS6（海洋）的海表强迫不一致（ERA5用OSTIA，ORAS6用ERA5自身），导致联合训练时近表面大气场存在噪声。未来需发展耦合再分析或采用更灵活的基础模型架构（如Aurora的掩码策略）
2. 趋势变量处理：SSH等含长期趋势的量需转为距平预报
3. 深度海洋缺失：当前仅表层海洋（2D），次表层热盐结构对季节尺度记忆至关重要
4. 概率预报扩展：正向概率联合模型（如扩散模型、CRPS训练）发展，AIFS-Thalassa已开展次季节试验

结论

本研究标志着数据驱动地球系统模型的重要里程碑：首次证明单一ML架构可在统一潜空间中联合预报大气、海洋、海冰、海浪四大分量，且多数海洋变量技巧超越传统物理模式约1天。联合建模消除了显式耦合的技术复杂性，使跨圈层关联直接从数据涌现。尽管大气评分受数据集一致性制约存在轻微权衡，但物理一致性验证（理想化实验、台风案例）表明系统具备可靠的热力学与动力学响应。这为未来构建全耦合AI地球系统模型奠定了坚实基础。

本文解读如有偏差欢迎联系小编，感谢！

EarthAi

微信公号：Earth-Ai

商务联系：Earth_Ai