ARTICLE · 1092905

通过符号蒸馏学习 AI 对流参数化的预报变量

发布时间：2026-09-28 19:59:23 最近访问：2026-09-28 19:58:33

通过符号蒸馏学习 AI 对流参数化的预报变量

欢迎阅读EarthAI公众号的学术文章解读，受限于个人知识水平，解读难免存在疏漏或不当之处，敬请谅解，也欢迎大家留言区交流，希望您能有所收获。

本文提出一种面向混合 AI-物理气候模式的"记忆感知"参数化框架：先用自编码器把过去观测压缩成低维潜变量，再用符号方程发现其时间演化规律，从而得到可随大气状态一同积分的预报变量；在 Lorenz-96 与公里级降水两套实验中，一个受迫的多元线性 ODE 复刻了自编码器方案的大部分增益，相比无记忆的诊断式参数化，改善了气候统计与时间结构，包括更真实的热带陆地降水日循环。

一、背景：诊断式参数化为何"失忆"

地球系统模式（ESM）在粗网格（约 100 km）上用动力学核演化大尺度状态，未被解析的对流、湍流等过程靠参数化近似。多数机器学习参数化是"诊断式、局地时刻"的：次网格贡献只由当前粗网格状态决定，不带过往记忆。对具有内在持续性的对流而言这并不真实。Mori–Zwanzig 形式化表明，消去未解析变量一般会得到含记忆项的非马尔可夫方程；对流与云组织存在明显的时间记忆和中尺度组织，其响应并非瞬时。传统对流准平衡（CQE）假设也只在"对流瞬时响应大尺度强迫"时成立，无法描述响应滞后的情况。

二、方法：自编码器压缩 + 符号蒸馏

框架分两步。先把过去 M 个时步的粗网格观测 X_past 用自编码器压成 d_z 维潜变量 z_AE，与当前状态 x(t) 一并送入神经网络 𝒩，输出次网格贡献 B；损失同时优化预报误差与 X_past 重建误差（α=0.5）。第二步做"符号蒸馏"：用中心差分求 z_AE 的导数当目标，去发现一个 ODE dz/dt=f(x,z) 来替代自编码器。作者先用一个灵活神经网络评估"潜空间可预报性"（各维 R²，关注最差维作为瓶颈），再用 PySINDy 与 Qlattice 两种方程发现后端提炼符号方程；最后冻结方程结构、把系数 𝚵 当可训练参数，配合 Euler 积分与"滚动展开"训练让 𝒩 适应新变量 z_ED。

三、Lorenz-96：气候、天气与模态全改善

在 L96 理想系统（1 MTU≈5 个大气日）上做在线耦合。选定超参 d_z=6、M=1000、w=10⁻⁶，线性 ODE 以 R²=0.86 复刻潜变量导数，而潜空间可预报性代理达 R̄²=0.935。气候评分（KL 散度）上，自编码器方案 0.007、蒸馏线性 ODE 0.009，而无记忆基线约 0.2、RNN 0.04。天气技巧（MAE）在 1–2 MTU（5–10 大气日）收益最大、3–4 MTU 后消失，且记忆比"非局地"信息更有效。双模态（波数 1/2）结构上，线性 ODE 的 KL 散度 24，优于 RNN 的 32 与基线。符号方程全部特征值实部为负、呈共轭对，最慢衰减模半衰期 0.57 MTU。

四、降水参数化：热带日循环终于对上

第二套实验用 ICON DYAMOND-winter（2.5 km、90 层、约 30 天）粗化到 80 km 做离线降水参数化。最佳自编码器 d_z=4、M=20，R² 从基线 0.52 升至 0.67，线性近似 0.62，主要增益来自热带强降水。最关键的是日循环：记忆方案在热带陆地重现参考的傍晚主峰（约 18:30 地方太阳时、强度 0.21 mm/h）与清晨次峰，而基线把峰值错放在正午 12:00，夸大了太阳辐射与降水的瞬时联系——这正是多数缺记忆 CMIP 模式的通病。热带海洋上收益不明显，且存在持续偏差。

五、可解释的记忆方程

对流的潜变量由线性 ODE 驱动，其特征半衰期约 50 分钟到近 3 小时，最长 t_1/2=2.8 小时，恰可刻画对流受扰动后的非平衡恢复，与 Colin 等（2019）"几小时恢复"一致。相比黑箱自编码器，线性 ODE 提供了可解释、可高效积分的预报变量，且长时间展开数值稳定——半解析解还显示其在大 t 时与初始条件无关，便于在 ESM 中初始化。

未来方向

把记忆变量从一维、二维推广到三维，并嵌入平流感知的动力过程，使变量在大尺度气流下演化真实；
用 Koopman 自编码器（KAE）做端到端 GPU 训练，探索更复杂架构与更优结果；
继续改进非线性符号蒸馏算法，重访由非线性 ODE 支配的预报量；
在更复杂配置中验证这些预报变量能否稳定化参数化本身（目前在线实验仅限 L96）；
在气候预估中检验记忆变量对未见过强迫区间的泛化能力。

核心亮点

一条清晰的两步路线：自编码器压缩过去观测 → 符号蒸馏成可积分的预报变量，避开堆叠大量历史输入带来的复杂度与不可解释性；
线性 ODE 即够用：在 L96 与降水两套实验中复刻了自编码器方案的大部分增益（L96 气候 KL 散度 0.007 → 0.009）；
补上对流"记忆"：热带陆地降水日循环从正午错峰回到傍晚/清晨双峰，修正了缺记忆模式的通病；
可解释且稳定：线性 ODE 特征值实部全为负、长展开不失稳，并给出约 50 分钟–3 小时的对流非平衡响应时间尺度。

论文信息

标题：Learning Prognostic Variables for AI Convective Parameterizations via Symbolic Distillation
作者：Jurij Schönfeld、Tom Beucler、Julien Savre、Steven Sherwood、Veronika Eyring
期刊：Journal of Advances in Modeling Earth Systems (JAMES)，arXiv 预印本（2026，arXiv:2609.24882v1，2026 年 9 月 21 日）
链接：https://arxiv.org/abs/2609.24882

文中图片

图片题注：两张预报式参数化方案对比：父模型 𝒩 用自编码器 z_AE 从过往观测生成潜空间变量；蒸馏模型 𝒩_ED 用方程发现得到的 ODE 取代自编码器，形成另一组预报变量 z_ED。解读：这是全篇的方法总纲——左为"黑箱记忆"（自编码器），右为"符号记忆"（蒸馏出的 ODE），后者把记忆编码成可随模式积分的预报量。

图片题注：超参优化在参数化精度（R²）与潜空间可预报性代理（最差维 min(R²_latent,i)）之间权衡；a 为 L96、b 为降水实验，红圈标出所选模型。解读：关键设计权衡：压缩过狠（d_z<6）会让潜空间不可预测，作者用最差维 R² 当瓶颈指标来挑超参。

图片题注：预报式记忆变量改善状态变量分布，得到准确的 L96 气候（a，含真实与参数化运行的 PDF 差及 KL 散度）；天气技巧显示记忆比非局地信息更有效，相对局地基线的 MAE 降低（b）。解读：L96 上记忆方案同时赢下"气候"与"天气"两条线，且明显优于只加空间非局地信息的基线。

图片题注：预报式与非局地参数化捕捉到 L96 的两模态结构，优于局地基线；左上柱状图用 KL 散度量化与真实分布之差。解读：即便不靠历史输入，带记忆的线性 ODE（KL=24）也胜过 RNN（32）与非局地基线（42），说明记忆抓住了混沌模态。

图片题注：构成线性 ODE 的系数矩阵 𝚵 按常数项 𝚵_b、潜动力学 𝚵_z、强迫项 𝚵_x 展示；预报变量学会延迟粗尺度输入，按特征模演化，虚线间给出半衰期与振荡周期（L96 用 MTU、降水用小时）。解读：把黑箱翻译成物理时间尺度：L96 最慢衰减模半衰期 0.57 MTU，对流实验半衰期约 50 分钟到近 3 小时。