综述：大气、海洋和耦合模型在气象预报中的进展

《Nefrología (English Edition)》：Advances in atmospheric, oceanic, and coupled models for meteorological forecasting

本综述系统回顾了数值天气预报（NWP）向地球系统模型（ESM）的演进，重点分析了大气环流模型（AGCM）、海洋环流模型（OGCM）、耦合气-海环流模型（AOGCM）及完全耦合ESM的发展路径与性能对比，强调了耦合策略、参数化方案和高分辨率倡议在模拟关键气候现象中的改进，并探讨了人工智能（AI）和机器学习（ML）在提升预测精度、减少系统误差及构建物理-数据混合模型方面的潜力，同时指出计算成本、云降水物理表征及跨组件初始化等持续挑战。

　　

摘要

数值天气预报（NWP）已从早期仅关注大气过程的模型发展为涵盖多圈层相互作用的地球系统模型（ESM）。这一演进得益于模型分辨率提升、物理过程精细化及计算能力增强。本综述系统分析了大气候环流模型（AGCM）、海洋环流模型（OGCM）、耦合气-海环流模型（AOGCM）及完全集成ESM的发展路径与比较优势，强调耦合模型在表征地球系统内部反馈和遥相关过程中的独特价值。

1. 引言

20世纪中叶数值天气预报的出现标志着气象预报从统计方法转向基于物理定律的机制性方法。早期NWP模型受计算资源和大气动力学知识限制，空间和时间分辨率较低。随着数字计算技术发展，20世纪50年代开始数值求解大气运动原始方程，尽管初期分辨率粗糙，但这些模型为后续大气、海洋及完全耦合ESM的发展奠定了基础。现代预报系统需模拟大气、海洋、冰圈、陆面和生物圈之间的复杂非线性相互作用，以生成从短时天气到季节乃至年代际气候预测的可操作结果。

2. 方法论

本系统综述采用证据驱动方法，综合近期大气、海洋和气候建模进展。通过检索Scopus、Web of Science等科学数据库，筛选155篇同行评议文章和模型评估报告，聚焦AGCM、OGCM、AOGCM、ESM及ML增强模型五大类别。评估维度包括物理保真度、耦合方法和预测性能，同时关注数据同化、集合后处理及AI驱动工具的应用。

3. 建模的历史演进

20世纪50年代初，冯·诺依曼等人在高级研究院实现首次计算机天气预报，菲利普斯（1956）开发首层全球环流模型，证明原始方程可数值积分以再现大气运动基本模式。1960年代出现全大气GCM，在固定海表温度下模拟三维大气环流，系统研究温室气体浓度上升等外部强迫的气候响应。1960-1970年代，Manabe和Bryan（1969）首次开发完全耦合AOGCM，实现气-海双向相互作用，从而表征ENSO等仅能在耦合系统中显现的现象。

1980-1990年代，气候建模从受限AGCM发展为无需通量调整的完全耦合GCM，如英国气象局Hadley中心的HadCM3。社区项目如NCAR的CCSM及其后继CESM逐步纳入陆地生物圈、海冰和复杂生物地球化学过程。21世纪初，ESM出现，整合大气、海洋、陆面、海冰和生物地球化学过程，支持碳-气候反馈和全球生物地球化学循环研究。CMIP等模型比对框架系统评估模型性能，增强对模型偏差、内部变率和预测的理解。

2010-2020年间，气候和天气建模改进源于三方面协同趋势：大气和海洋数值模型保真度提高、数据同化方法进步、以及通过百亿亿次和异构计算系统增强的计算能力。亚公里级模拟成为可能，但云和降水动力学等物理过程参数化仍是重大挑战。近期尝试逐步基于AI/ML，如卷积神经网络和Transformer模型，以模拟物理过程、减少偏差、插值降尺度变量及优化次网格参数化，支持动力-AI混合建模范式。

3.1. 大气模型

AGCM是现代NWP和气候建模系统的基础，数值求解动量、质量连续性、热力学和状态方程的原始守恒方程，通常采用静力和Boussinesq近似。早期AGCM以非耦合形式运行，海表温度和陆面属性预设为边界条件，虽计算可控但限制了气-地系统耦合反馈能力。2010年以来AGCM物理参数化显著改进，辐射传输模块新增光谱分辨短波和长波处理、云-气溶胶-辐射相互作用及痕量气体吸收特征。对流方案更新包括随机触发、对流记忆、夹卷和卷出修正及对流组织诊断。

先进建模系统如NCAR开发的跨尺度预测模型（MPAS）采用非结构化网格细化，实现单域可变空间分辨率，可在气旋生成区或山地地形等兴趣区域细化，无需线性增加全局计算成本。但扭曲网格结构增加数值实现和物理参数化难度，与地球系统其他组件耦合时通信开销可能增长。ICON模型等准均匀二十面体网格保证较少数值各向异性和全局一致性，易于与海洋和陆地组件接口，但均匀分辨率需全局高计算容量，即使在不需更细尺度区域亦然。

AI/ML突破增强次网格过程模拟、偏差去除、后处理和快速全球预报能力。FourCastNet和GraphCast等架构以较低计算成本生成熟练全球预测。但相比物理模型，多数AI方法存在可复现性问题，对训练数据、预处理决策和未记录超参数敏感。神经架构可解释性有限，难以将预测技能归因于物理过程，样本外泛化在气候变化的极端值预测中仍是问题。这些缺点表明需支持混合方法，将物理约束纳入ML模型，保证鲁棒性和科学有效性。

3.2. 海洋模型

海洋模型设计用于追踪温度、盐度、海流和海平面高度的时空演变，采用Boussinesq和静力近似下的原始方程。网格架构涵盖结构化z级坐标系统、非结构化网格和动态自适应分辨率方案。业务配置如英国气象局FOAM使用多达75个垂直级别的NEMO耦合组件，补充海冰模型如CICE和完整生物地球化学示踪剂套件。

OGCM解析海洋混合层、温跃层和中尺度涡旋特征，对描述ENSO、大西洋经向翻转环流（AMOC）和区域海洋变率等现象不可或缺。海洋吸收地球90%以上余热并跨海盆输送，生物地球化学组分考虑营养循环、生物生产力、碳输出和海洋酸化，解释海洋吸热及其对气候和天气机制的反馈。

除气候过程外，海洋模型在风暴潮过程和复合洪水灾害预报中至关重要。耦合气-海模型如ADCIRC模拟风暴引起的海平面上升及其与沿海测深和地形相互作用，有效重现2005年卡特里娜飓风和2012年桑迪飓风的极端风暴潮模式，提供洪泛范围和基础设施脆弱性关键信息。更集成建模框架耦合海洋、水文和水力过程，确定暴雨伴风暴潮的复合洪水效应，增强沿海洪水预测和管理能力。

物理海洋学中，BlackmanV和NEMOVAR等关键数据同化系统结合卫星和原位测量，改进上层海洋初始条件，增强季节预测和耦合再分析应用中的预报技能。热含量和盐度的初始条件对较长时间尺度的热和盐度动态至关重要。

3.3. 耦合模型

现代气候模型集成大气、海洋、陆地、海冰和生物地球化学组件，模拟地球耦合物理、化学和生物系统。OASIS-MCT、ESMF和MCT等集中耦合器促进能量、动量、水分和物质交换，保持并行处理环境中的计算效率和可扩展性。该架构支持模块间双向信息流，允许内部涌现行为而非外部强加。

ENSO是耦合模型效用的典型例子。1970年代末至1980年代初，Zebiak-Cane中间模型首次纳入SST、大气对流和风之间的相互作用和反馈。TOGA计划等后续努力通过纳入密集观测数据集和优化初始化过程改进模型性能。

ESM中耦合系统范式早已成为气候研究主导框架。热输送路径、中尺度涡旋和海岸反馈过程显著影响大气动力学，改进热带气旋、季风爆发和中纬度风暴轨迹等现象的模型保真度。双向相互作用可缓解非耦合或板块海洋配置固有的气候漂移，但耦合模型计算成本高且需复杂校准程序。初始化仍是关键问题；需耦合数据同化系统同时估计大气和海洋分析场，引入随机创新和混合协方差技术额外要求。

初始化涉及创建平衡初始状态，表示大气、海洋、陆地和冰圈字段而不引起虚假冲击或漂移，通过耦合数据同化（CDA）处理，以物理一致方式摄取地球系统多组件数据，通常采用混合集合-变分方法或弱耦合数据同化模型。近期进展包括耦合再分析增长，结合子系统间观测约束以增强初始化和校准。例如ECMWF CERA-20C再分析使用耦合集合数据同化系统，构建并摄取20世纪大气和海洋观测，相比非耦合再分析减少海-气界面差异，平衡海洋热含量与海表温度和大气环流，减少初始化分析偏差，增强低频变率表征。集合设计提供概率形式不确定性估计，增强后续模拟和预测鲁棒性。

4. 主要模型的分类与描述

业务气象预报基于气候、海洋和耦合模型生态系统模型，定制用于不同时空体制。CMIP6、WRF、NEMO、HYCOM、CESM和CFSv2等方法复杂性和耦合方法多样。

CMIP6是当前全球气候建模标准协议，其高分辨率模型比对项目（HighResMIP）系统研究增加水平分辨率对气候模型的影响，配置从标准（约100公里大气，1°海洋）到高分辨率（约25公里大气，0.25°海洋）。HighResMIP指定分层实验方案，允许评估分辨率对偏差和变率的影响。

CESM由NCAR开发，是完全耦合综合ESM，结合大气（CAM）、海洋（POP）、陆地（CLM）和海冰（CICE）组件。高分辨率CESM1.3大气CAM5和陆地CLM4组件水平分辨率0.25°，海洋（POP2）和海冰（CICE4）组件设置0.1°，采用混合垂直坐标。该高分辨率改进中尺度海洋特征（如涡旋相互作用）和大气过程（如云制度和边界层过程）表征。

NEMO是模块化灵活海洋模型，全球低分辨率系统网格分辨率约1°，区域、海岸或全球涡旋分辨系统达0.25°或更好（约0.1°）。垂直遵循z级坐标，输出每小时至每日生成，理想捕获海岸动力学、潮汐变率和中尺度现象。大气模型耦合以松散或半紧密模式进行，在解耦区域系统中每日交换通量而无运行时耦合，在WRF-NEMO等框架中使用半紧密耦合。

HYCOM采用动态垂直网格，深水用z级，公海用等密度/追踪层。设计提供涡旋分辨分辨率（约0.08°至0.25°，或10公里），详细洞察中尺度海洋物理，包括锋面、涡旋和区域环流。嵌入紧密耦合系统如CESM-HYCOM，允许高频耦合，海洋动力学相对大气强迫每几小时更新。

WRF是区域NWP主力，具有两个气象动力核心（ARW和NMM）和广泛物理选项。允许网格以不同分辨率嵌套，从50公里（中尺度）至1公里（对流允许）。最常用于100公里区域和嵌套局部子区域，输出时间频率每小时至亚小时。较大尺度模型或分析提供侧边界条件。兼容高保真耦合方案，新版本（如WRF 4.6.0）纳入非侵入多尺度接口，实现与海洋模型（如NEMO或HYCOM）、陆面模型、波浪模型或化学模块无缝耦合。

CFSv2是NOAA/NCEP开发业务耦合模型，用于次季节至季节（S2S）预测。配置耦合大气（GSI初始化网格点统计插值）、海洋（GFDL MOM4）、陆地（Noah LSM）和海冰（CICE）模型，网格分辨率约0.5°至1.0°。模块间通量每小时或更少交换，耦合紧密因连贯动力演化。输出以3小时（大气）和每日（平均海洋）间隔存储，支持严格S2S分析。

5. 近期趋势与创新

气候和天气预报模型能力随高性能计算（HPC）发展提升。传统CPU集群转向GPU、TPU和其他AI加速器的异构系统，实现全球尺度超高清模拟。业务中心达约1公里分辨率，先前全球模型不可能。ECMWF高分辨率集合系统（HRES）水平分辨率约9公里和137垂直级别，完全耦合海洋、海冰和波浪模型，使用IFS和4D-Var数据同化。NOAA全球预报系统（GFS）修改为有限体积立方球（FV3）动力核心，垂直分辨率加倍至127级别，增加Wave Watch III模型，改进热带气旋和中尺度降水表征。

AI/ML在气候模型中显著改进模型校准、后处理和集合预报。混合系统在数据同化循环纳入ML方法，证明纠正模型偏差、降尺度输出和校准集合潜力。U-Net等AI/ML模型用于增强东亚次季节降水预报，优于传统回归模型。FourCastNet、Pangu Weather、GraphCast、FuXi 2.0、FengWu和AIFS提供快速确定性预报，允许以可忽略计算成本实现大成员集合，使集合预报民主化。

物理约束ML模型在训练中应用守恒定律，改进预报可预测性和强度。神经GCM结合可微分求解器和学习参数化，近似全GCM性能，提供大计算加速。

集合预报仍是概率天气预测元素。NMME、TIGGE存档和GEFSv12等传统模型使用多个动力模型采样初始条件和模型不确定性。近期发展用ML后处理方法补充这些集合，对抗学习模型如校正生成对抗网络（GAN）训练偏差校正和降尺度集合降水场，增强预报准确性。

AI集成应用改进，但挑战留存。实证研究表明AI模型在较长提前期更可能模糊预测，极端事件表现更差，尤其温带和高纬度区域相关事件。这些限制表明需额外研究增强AI预测鲁棒性和有效性。科学路线图聚焦解决可解释性差距、未来气候泛化问题和AI模型物理一致性问题。尝试通过纳入物理约束、构建概率神经集合模型和改进基于流体动力学的ML系统解决。

HPC分辨率改进与AI/ML创新结合正为创建混合AI NWP系统铺平道路。这些系统结合高分辨率模拟效率与AI模型速度。高分辨率4D大气重建（20CRv3和ERA5）允许训练AI系统强气候学基础，准确建模气候学并启用偏差敏感学习。

AI优先预报模型出现，以传统NWP模型关联成本一小部分竞争甚至优越，代表气象预报范式转变。此类系统已影响季节季风、气旋和ENSO预报。然而，克服极端事件、可解释性和物理保真度问题对推进AI预报系统至关重要。

6. 限制、挑战与未来方向

更高空间分辨率或更复杂模型参数化可能增加计算需求。10公里×1公里网格单元减至1公里×1公里，计算量乘约1000倍。该扩展限制业务中心大气和海洋模型粗空间分辨率。台风等极端气象事件已用高分辨率模拟，证明更准确预报，但扩展此类模拟至全球或多年代尺度成本过高。百亿亿次计算可解决部分问题，但最先进系统仍需百万CPU小时模拟公里级耦合ESM。

数据驱动系统，尤其ML基础，成为可行替代。例如FuXi S2S显示ML技术可做类似或更好次季节预测达42天提前，显著减少计算率。全球每日预报现可几秒内完成而非小时。然而这些ML模型也有问题，包括可解释性问题、校准问题和不利天气条件无法使用。

纯物理模型极高保真但用巨大计算资源，而数据驱动方法快速但缺乏可解释性和异常值抵抗。ML混合和物理模型提供好前景。ML可加速参数化或降尺度方案，最小物理一致性损失。

全球耦合气候模型低分辨率常无法捕获小尺度过程，包括地形降水、局地对流和城市微气候。需动态和数据驱动降尺度方法填补分辨率差距。动力降尺度使用嵌套RCM或有限区域模型（LAM），同化粗全球数据。例如区域北极系统模型（RASM）表示全球模型无法解析表面通量和大气条件，较低对流层无偏差。但年代际多组件模拟仍禁止计算成本。

统计和AI/ML降尺度显著进展。潜在和生成扩散模型现为动力方法竞争替代。研究表明潜在扩散降尺度ERA5输入场至2公里分辨率，远优于U-Net和GAN基线，需少得多计算努力。生成扩散模型模拟台湾等地公里级现象，如台风和冷锋，但不确定性校准缺是开放挑战。

动力生成降尺度是混合系统，含动力降尺度和ML细化。集成解决方案使大尺度气候集合能现实不确定性量化，无全RCM套件各成员强加大量计算成本。Transformer基础和零样本一致性模型减少跨多ESM再训练需求。

结合区域和ML基础降尺度策略可能少努力做高分辨率预报。但模型健康需处理不确定性量化、物理一致性和多模态极端事件。

气候变率和极端准确预报需包含大气、海洋、陆地、海冰和生物圈-地球化学组件。这些耦合用ESM研究，如双热带辐合带偏差和冰圈-大气相互作用等现象无法用非耦合模型模拟。

欧洲项目如Destination Earth（DestinE）设通过应用完全耦合模型创建行星数字孪生，利用实时原位测量和卫星观测生成政策相关应用和灾害响应。全球设施如ECMWF关注模型耦合、数据同化发展和再分析，如ERA5，可信预报产品构建其上。

耦合价值也随物理混合方法涉及AI增加。新ESM渐将AI纳入物理混合设计，聚焦保持物理约束、显式表达变量间依赖和增强极端事件保真度。

然而挑战持续。高分辨率模拟仍计算昂贵；AI/ML组件可能不可靠因物理不一致。混合配方需严格基准测试，最佳全球集成依赖标准开放架构。

除计算和模型限制，观测数据代表性和质量对预报和投影可靠性至关重要。模型启动和验证过程需定期、偏差校正和质量保证观测输入，但现有数据流空间和时间不均。卫星检索全球优势，但可能受校准漂移、检索算法错误和无法解析近表面和云层过程损害。地面数据小尺度更准确但海洋、极地和全球部分南部不可用，可能导致再分析和预报初始化系统代表性错误。

此类不确定性也应用于模型偏差，尤其土壤湿度、气溶胶和降水极端等变量。质量保证和协调结构（如ERA5再分析中使用）改进异构数据流同化。但确保公民科学、物联网和商业卫星生成高频和非传统数据流满足严格可复现性和可追溯性标准仍难。系统数据策划、不确定性量化和代表性测量必须执行使地球系统模拟可靠和政策相关。

7. 结论

气象和气候建模历史已超越早期AGCM和OGCM，未显式模拟地球系统组件间相互作用，至耦合AOGCM和完全集成ESM，包括重要相互作用，如气-海热通量、陆-生物圈相互作用和冰圈相互作用。此类发展显著推进大尺度过程模拟，如ENSO、AMOC变率和北极放大，当前系统如CESM、CMIP6、WRF和CFSv2捕获地球多圈层更细时空过程。然而这些保真度增益计算成本非常高，突出模型精度和业务可行性间永恒权衡。

近期AI/ML系统，包括FourCastNet、Pangu-Weather和GraphCast，显示更快运行模拟、更好偏差校正和更好物理一致性以给实时预测承诺。混合方法，尤其物理知情ML，承诺数据驱动架构中纳入 governing 约束，从而可解释性和科学强度。尽管这些发展，存在几个重要挑战。主要气候变量持续偏差不允许投影置信，且全球高分辨率模拟既计算有限又模型缩放有限。次季节至季节预测技能仍低于每日和年代际尺度，限制新气候极端准备。

此外，复合危害描述，如热浪并行干旱或级联水文气象风险，尚未充分发展。ML系统纳入数据同化方案也是未解决问题，尤其平衡物理现实主义和数据驱动灵活性问题。此外，云微物理和降水参数化是重大不确定性领域，标准化多模型比对协议尚未标准化。

未来发展应优先混合建模系统、生成降尺度方法和标准化ESM框架显式链接业务预报和政策驱动应用。加强这些连接将启用集成和可缩放预测系统，直接支持危害监测、灾害准备和证据基础决策制定。这些知识差距需解决以促进气候韧性、增强灾害风险减少措施和可持续规划面对增加和复合气候相关危害。