ARTICLE · 1116413
AI复现平流层爆发增温
AI复现平流层爆发增温
AI Emulation of Stochastic Sudden Stratospheric Warming with Interpretable Latent Structure
图1
图2
研究背景
平流层极地涡旋是中高纬度冬季气候系统的核心成员，尤其在次季节至季节尺度上，其状态变化对地面天气有显著影响。当发生平流层爆发增温（SSW）时，极地涡旋会在短时间内急剧崩溃，随后大尺度环流重组、对流层急流调整，甚至触发持续性的地面极端寒潮。这类事件虽然相对稀少，却往往带来高昂的社会经济代价，因此准确预报SSW一直是数值天气预报和气候预测的重点与难点。 然而，SSW预报面临多重挑战。一方面，它要求模式能真实刻画平流层与对流层之间的双向耦合；另一方面，驱动SSW的过程跨越从日尺度（如对流活动）到年尺度（如准两年振荡和厄尔尼诺—南方涛动）的宽广时间谱，模式必须在整个平流层具备足够的分辨率和物理完备性。许多模式直到近年才逐步具备这些能力。此外，SSW本质上属于天气 regime 跃迁，具有突发性和历史样本稀疏的特点，传统统计方法难以充分学习其跃迁规律。
核心问题
本研究试图回答：能否用一个可解释的深度学习仿真器，准确再现随机亚稳态系统中SSW的统计行为，包括其跃迁概率、跃迁路径和长期状态分布？换言之，能否在简化但物理意义明确的Holton-Mass模型上，验证AI仿真器作为随机气候模型替代品的可行性？
研究方法
研究采用受ResNet启发的条件变分自编码器（Conditional VAE）。该架构在传统VAE基础上引入条件信息，使模型能够根据当前状态预测下一时刻的状态分布，从而学习系统的随机演化规律。训练数据来自随机亚稳态Holton-Mass模型的模拟输出，该模型是研究SSW的经典简化动力框架，包含平流层极地涡旋的两个亚稳态及它们之间的跃迁。 值得注意的是，模型仅使用单日预测任务进行训练，即输入当前状态，输出一天后的状态。但研究并未止步于短期预测精度，而是进一步评估仿真器在长期统计上的表现，包括状态概率密度函数（PDF）、跃迁committor函数（描述从某状态出发最终跃迁到另一状态的概率）以及跃迁期望提前时间。这些量是刻画随机跃迁系统的核心指标。 为提升可解释性，作者对仿真器的隐空间进行主成分分析（PCA），试图揭示模型内部是否自发学到了与物理状态和跃迁路径对应的低维结构。
主要发现
结果表明，该Conditional VAE仿真器不仅能准确匹配短期预测，还能再现长期统计特征。具体而言，仿真器生成的状态PDF与真实模型高度一致，跃迁committor函数和跃迁期望提前时间的二维结构也被成功复现。这意味着，尽管训练目标仅为单步预测，模型却隐式学到了系统的全局跃迁动力学。 更具启发性的是隐空间的PCA分析。结果显示，隐空间自发形成四个簇，分别对应两个亚稳态和两条跃迁路径。这说明模型不仅学会了“预测”，还以一种可解释的方式组织了系统内部的状态空间结构，为理解随机跃迁提供了新视角。
创新亮点
本研究的创新在于将可解释性引入随机气候模型的AI仿真。与以往只关注预测精度的深度学习天气模型不同，该工作强调隐空间结构与物理跃迁路径的对应关系，使仿真器不再是“黑箱”。同时，仅用单日预测训练却能匹配长期统计，说明模型具备较强的泛化能力和对慢过程的隐式捕捉能力。
研究意义
该工作为次季节至季节预报和极端事件早期预警提供了一种有潜力的方法框架。通过构建可解释的随机仿真器，科学家可以更高效地探索SSW等跃迁事件的统计规律，并在计算资源有限时作为高分辨率模式的补充工具。此外，隐空间分析为诊断模型学到的物理机制提供了新手段。
未来展望
当前研究基于简化的Holton-Mass模型，未来需将方法推广到更复杂的全球气候模式或再分析数据。如何在高维、多尺度系统中保持可解释性，以及如何融合真实观测约束，是下一步的关键方向。
图3
图4
📎 论文链接：https://arxiv.org/abs/2610.02069
📅 发布时间：2026-10-02