《National Science Review》：AI for atmosphere-ocean sciences: advancements, challenges, and ways forward
编辑推荐：
本文针对AI在大气海洋科学中应用存在的可解释性不足等问题，系统梳理了AI在天气气候预测、数据同化等领域的突破性进展，创新性提出物理机制与AI融合的hybrid modeling范式，并构建AI-MIP模型比较框架。研究表明XAI技术与AI agent将推动地球科学向因果发现与自主实验范式变革，对提升多灾种预警、绿色能源等社会应用具有重要价值。
随着气候变化加剧，精准预测台风路径、海洋热浪等极端天气气候事件已成为保障人类社会可持续发展的关键。传统基于物理定律的动力模型虽具有明确的机理解释性，但存在计算成本高昂、参数化方案不完善等局限。近年来人工智能（AI）技术在地球科学领域快速渗透，其深度学习模型在天气预报准确性方面甚至开始超越部分数值模式，但这种"黑箱"模型也引发了对可解释性和物理一致性的担忧。
发表于《National Science Review》的这项研究系统审视了AI在大气海洋科学中的发展路径。研究团队发现，深度学习通过卷积神经网络（CNN）和循环神经网络（RNN）等架构，在短期天气预报领域展现出超越传统方法的技巧，特别是在识别台风眼墙置换等复杂现象时表现突出。在数据稀缺的海洋领域，AI通过生成对抗网络（GAN）成功重构了高分辨率海表温度场，这对改进厄尔尼诺预测至关重要。
为突破纯数据驱动模型的局限，作者提出物理信息神经网络（PINN）这一混合建模范式，将纳维-斯托克斯方程等物理约束嵌入神经网络损失函数，确保模型输出符合热力学定律。针对模型对比标准缺失的问题，研究首创AI模型比对项目（AI-MIP）框架，建立统一的基准测试集和评估指标。
在应用层面，该研究论证了AI代理（AI agent）在自动化科学发现中的潜力。这些自主系统能够设计控制实验，如通过强化学习优化海洋碳汇观测网络布局，甚至从多源卫星和浮标数据中自主推导海洋湍流参数化新方案。对于社会需求，研究强调AI可增强多灾种早期预警系统（MHEWS）的可靠性，并通过改进风能功率预测促进可再生能源并网。
关键技术方法包括：采用深度学习方法（如CNN、RNN、GAN）处理气象卫星和海洋浮标数据；开发物理信息神经网络（PINN）实现物理约束与数据驱动的融合；建立AI模型比对项目（AI-MIP）框架进行系统性评估；利用AI agent技术实现地球科学过程的自主建模与假设检验。
研究结果具体包括：
- 1.
天气气候预测突破：深度学习模型在3-7天预报技巧上超越欧洲中期天气预报中心（ECMWF）集成预报系统，其中U-Net架构对极端降水落区预报的时空分辨率提升至4公里/1小时
- 2.
复杂现象识别：基于注意力机制的Transformer模型成功捕获大气河与海洋中尺度涡旋的耦合信号，对解释北大西洋涛动（NAO）年际变率提供新视角
- 3.
数据同化增强：变分自编码器（VAE）与集合卡尔曼滤波（EnKF）结合，将Argo浮标数据同化效率提高3倍，显著改善海洋次表层初始场精度
- 4.
偏差校正创新：条件生成对抗网络（cGAN）有效校正CMIP6模式在东亚季风区的系统性湿偏差，使降水趋势预测可信度提升40%
研究结论强调，AI不应仅被视为计算工具，而是推动地球科学研究范式变革的催化剂。通过可解释人工智能（XAI）技术如层间相关性传播（LRP），研究人员能从深度网络中提取出海气反馈关键过程，这对发现新的气候敏感度指标具有启示意义。未来需重点发展因果发现算法，使AI模型不仅能关联变量，还能识别大气海洋系统中的因果机制。这项研究为构建下一代数字孪生地球奠定了方法论基础，其提出的混合建模思路将加速气候科学的可预测性突破。
