厄尔尼诺-南方涛动研究的海气耦合模式：物理驱动与数据驱动模型的融合建模及示范案例

摘要

厄尔尼诺-南方涛动（El Niño-Southern Oscillation,ENSO）作为地球气候系统中最强的年际变率模态，其演变对全球气候及社会经济具有深远影响，实现ENSO的精确模拟与预测一直是气候科学的核心挑战。目前ENSO模拟与预测主要依赖两类模型：一类是基于物理驱动的海洋-大气动力模式，它们能够显式描述与ENSO相关的海气耦合过程，但受参数化方案和分辨率等限制，在模拟和预测精度、计算效率及实时预报方面仍存在较大误差与不确定性，且在构建过程中未充分利用历史观测数据。另一类为基于人工智能（artificial intelligence,AI）的数据驱动模型，如卷积神经网络（convolutional neural network,CNN）、U-Net及物理信息神经网络（physics-informed neural network,PINN）等，该类模型善于从历史数据中挖掘海气变量间复杂的非线性时空关系，在提升预测技巧方面优势显著，但也存在物理约束缺失、泛化能力弱等问题。近年来，物理驱动与数据驱动相结合的融合建模方法逐渐成为研究热点。其融合方式主要包括两种：一是在物理模式中引入AI技术以优化物理过程的表征等；二是在AI架构中嵌入物理约束以增强过程和机制的一致性，从而在保持物理合理性的同时，提升对ENSO非线性特征的刻画能力，有效整合了两类方法的优势。本文重点回顾作者团队在利用AI技术开展海洋-大气相互作用融合建模方面的近期研究，结合具体案例阐述融合方法实现路径与应用成效，包括：基于观测数据与PINN构建了改进的上层海洋垂向扩散参数化方案；利用U-Net构建了热带太平洋海表风应力模型及与不同复杂程度的海洋动力模式的耦合，率先实现了AI大气模型与动力海洋模式的融合建模。文中进一步分析了当前融合建模面临的关键问题与挑战，展望了其在海气相互作用过程表征与模拟方面的发展前景。本研究展示了海气相互作用融合建模的新范式与创新路径，旨在为海气耦合融合建模领域未来发展提供科学依据，推动其在实际ENSO和气候模拟及预测中的更深入应用。

关键词

海气耦合 / ENSO / 物理驱动模式 / 数据驱动模型 / 融合建模 / 示范案例