综述：高分辨率全大气层建模的视角与挑战

《SURVEYS IN GEOPHYSICS》：Perspectives and Challenges in High-Resolution Whole-Atmosphere Modeling

这篇综述深入探讨了高分辨率全大气层模型在刻画从地表到热层（thermosphere）的垂直耦合机制中的前沿进展。文章重点分析了精细尺度过程（如重力波，gravity waves）在电离层-热层-中间层（ITM）区域的作用，并评估了嵌套（nesting）、松弛逼近（nudging）和数据同化（data assimilation）等关键技术在全大气层建模中应用的特殊考量与挑战，为提升空间天气（space weather）预测能力指明了方向。

　　

地球的大气层是一个高度耦合的系统，从我们生活的地表一直延伸到遥远的太空。理解不同大气层之间的相互作用，特别是那些由天气和空间环境扰动驱动的精细过程，对于准确的空间天气预报至关重要。物理基础的数值模型是研究这些从上方（如太阳-地磁输入）和下方（如陆地天气）扰动上层大气动力学和能量学机制的关键工具。这些相关的物理现象尺度范围极广，从全球和天气尺度，一直到表征中间层动力学的公里尺度。

来自上方的强迫

在电离层-热层模型中，高纬度地区最重要的两种磁层强迫是极光粒子沉降和电势分布图。经验模型可以合理捕捉大尺度特征和地磁活动期间磁层能量沉积的增强，但与观测相比，它们常常缺失时间变异性和中尺度结构。这些精细结构对于焦耳加热的产生以及能量从上方沉积到电离层-热层系统同样重要。

研究显示，通过数据同化技术将卫星和地面观测的极光粒子通量和电离漂移信息融入模型，可以生成尺度为几百公里的精细结构。例如，利用同化后的极光和电场图驱动热层-电离层-电动力学通用环流模型（TIEGCM）来研究2015年圣帕特里克节磁暴事件（Kp=8）时，同化后的图显示出更大的局地值和更显著的中尺度结构。

其结果是，由同化数据驱动的模型模拟出的焦耳加热更强，并在全球范围内诱发了更强的行进大气扰动（TADs）。与使用经验模型的默认模拟相比，同化后的模拟还显示出电离层-热层响应的动态范围更大，包括观测到的约100 ms^-1的强烈垂直风、E区电子密度的次峰以及高离子和电子温度。这些研究强调了将真实的磁层驱动因子纳入全大气层模型的重要性，以模拟电离-中性耦合过程，从而解释地磁暴期间观测到的电离层-热层响应的完整时空范围。

来自下方的强迫

卫星和地面观测揭示了丰富的、能在上层大气留下印记的气象现象谱。这些过程时空尺度广泛，从地球海陆分布引起的电离层和热层中近乎恒定的波4结构，到爆发性事件（如地震、海啸、火山）产生的高度动态的局地和全球电离层扰动。在数周时间尺度上，突发性平流层增温（SSW）会引起电离层和热层的半日变化以及热带热层冷却。在气候时间尺度上，厄尔尼诺-南方振荡（ENSO）和二氧化碳增加会导致上层大气系统的多年和长期变化。

这些垂直遥相关很大程度上可归因于周期从几分钟到数天不等的大气波。这些波动可以通过多种途径影响100公里高度以上的电离层-热层系统：通过电动力学过程，波动可在大约110公里高度的E区发电机产生电场和电流；其次，通过直接向上传播到热层产生原位影响；此外，波动还可以调节辐射活性痕量气体的分布或受到因气候变化导致的痕量气体分布变化的影响。所有这些波动的影响都是高度非线性的。

就精细分辨率而言，重力波（GW）尤其相关。水平分辨率约25公里的WACCM-X和UA-ICON模拟远未达到对流解析（水平网格<5公里）的程度，对流仍需参数化。研究表明，对流方案的处理强烈影响产生的重力波，但观测数据不足以约束相关的不确定性。

目前约25公里的分辨率能有效解析尺度≥100公里的波动。网格间距在2.5公里（UA-ICON正在测试）到20公里之间，使得当前业务和实验性的高分辨率全大气层模型处于重力波的灰色地带，即重要的波谱部分被解析，部分未被充分解析或未被解析。与粗网格模拟相比，随着分辨率提高，重力波的参数化效应应当减小。然而，由于计算需求，为精细化的模型分辨率重新调整重力波参数化方案通常不可行。最佳的解决方案是开发一种能自动根据网格间距调整设置的参数化方案，即尺度自适应参数化。

高分辨率全大气层模型，尽管使用的数值算法和物理包不同，但在其可解析范围内已显示出能量谱的尺度不变性。这种尺度不变性或许可用于开发尺度自适应参数化方案。例如，模型解析的重力波谱部分可用于推断未解析谱部分的影响。

在平流层，对流解析模拟在没有任何重力波拖曳参数化的情况下，显示出大大改善的重力波动量通量气候学。对于中间层和低热层进行类似的比较将很有启发性。例如，在UA-ICON R2B7分辨率的模拟中，重力波温度扰动振幅在110公里高度显示出对热带非洲大陆对流的区域热层响应。

左图显示的是与100-500公里纬向波长的重力波相关的温度振幅分布，右图显示的是平均降水量（对流的指示）。降水和热层重力波扰动之间的强相关性是显而易见的。

嵌套

嵌套是一种强大的能力，因为它能在有限区域内实现所需分辨率（如对流解析）的全球模拟，从而成为全球均匀高分辨率模拟的一种计算效率高的替代方案。

嵌套可用于过程研究，例如研究垂直耦合。一个有前景的应用是针对地形热点地区的山地波，以解释飞机或火箭探测活动。随着嵌套网格分辨率从20公里提高到2.5公里和1.25公里，陡峭地形上空出现了强烈的区域波包，其中一些波在40公里高度以下破碎并产生次级波。这种多步骤的垂直耦合在较粗分辨率下无法真实再现。

在全大气层模型中使用嵌套的一个可能担忧与深厚的大气层有关，因为较高的模型顶意味着垂直与水平域尺寸的纵横比更大。对于任何参数化调整的尝试以及过程研究，期望大多数解析的重力波能从其源传播到汇而不离开嵌套区域。垂直与水平相速之比、水平风场剖面和水平域尺寸是这个问题最重要的参数。

因此，在全大气层模型中使用嵌套是否合适取决于模拟的目的。对于某些应用或科学问题，使用下边界在大气上层的模型可能更有利，例如TIEGCM的嵌套网格版本（TIEGCM-NG）。其多网格嵌套能力有助于包含来自低层高分辨率波的强迫，支持敏感性研究。

嵌套用于全大气层模型的另一个遗留问题是完全自洽的电动力学，这可能导致低估重力波引起的电离漂移扰动。在区域域中实现电动力学的挑战在于求解泊松方程，这是一个全局问题。一个正在开发的新电发电机模块将允许嵌套域中的中性风影响全球电发电机解，从而改进重力波对电离层电动力学影响的量化。

除了水平分辨率细化，重力波动力学对垂直分辨率的敏感性也是一个需要解决的问题，以确保天气模型中使用的垂直和水平分辨率的一致性。未来的方向可能还包括自适应网格细化。

松弛逼近

松弛逼近指的是将数值模拟约束到一个预定义的状态，通常依赖于代表过去大气条件、时间间隔通常为3或6小时的多再分析产品。松弛逼近可用于研究全球长期趋势、案例研究，或在使用单向嵌套时约束模拟的外围域。

确定性混沌会导致初始模型误差的混沌增长，并且是大气数值模型（包括全大气层模型）所固有的。中层和上层大气的误差增长部分受低层大气误差增长的控制。因此，在对流层和平流层将模型状态松弛逼近到再分析产品，至少可以部分约束中间层和热层的模型动力学。

这种方法的一个动机是再现松弛逼近域以上层次观测到的变率，例如研究大气化学变化和垂直耦合过程。这种方法的成功依赖于这样一个事实，即在对流层和平流层进行松弛逼近可以强制实现潮汐、行星波和解析重力波的现实源和传播环境。到目前为止，松弛逼近方法仅限于对流层和平流层，因为传统的再分析模型在其顶边界附近使用海绵层以避免波反射。

尽管松弛逼近方法在低分辨率和中等分辨率模型中已成熟且广泛应用，但将当前高分辨率再分析产品应用于高分辨率全大气层模型存在挑战。最关键的议题是保持波谱的中尺度部分。高分辨率再分析存在中尺度子范围动能谱衰减的缺陷，与自由运行的模拟相比，这会模糊精细尺度的波动图案。

另一个相关问题是再分析产品的典型时间间隔，通常是3或6小时。这些时间分辨率限制了松弛逼近对约束由24小时、12小时和8小时潮汐和低频重力波所代表的日变化和次日夜变化的直接影响。强的松弛逼近（松弛逼近时间常数τ < 1天）有可能进一步削弱小尺度波，从而抵消高分辨率模型的好处。

解决上述问题有两种显而易见的方法，即空间尺度选择和时间尺度选择。在全大气层模型中仅松弛逼近大尺度动力学，对于谱模型来说是直接了当的。然而，大多数新开发的高分辨率全大气层模型使用非谱动力核心，不允许轻松分离动力学尺度以便仅松弛逼近气象分析能准确表示的尺度。因此，这些模型需要替代方法。假设小尺度和中尺度动力学通常与快速变化的过程相关，选择适当长的松弛逼近时间常数（τ ~ 2-4天）是非谱模型中优先约束较大尺度的一种可能方案。这种方法约束全球和天气尺度的缓慢变率，但对较短局地尺度的快速变化变率影响较小。

需要进一步研究以优化高分辨率全大气层模型的松弛逼近时间常数。图示说明了三个τ值（96, 24, 6小时）如何影响WACCM-X模拟的向西传播半日潮（SW2）的温度和经向风振幅。

在SW2被强迫的松弛逼近域及其上方，τ=（24,6）小时时的SW2振幅明显弱于τ=96小时。可以通过进行基准研究来寻找最佳τ值，优化松弛逼近时间尺度和松弛逼近域，以匹配在中间层和低热层诊断出的观测到的平均流状态以及与行星波和潮汐相关的变率。

现已提供时间间隔为1小时的再分析产品，例如ECMWF的ERA-5和NASA全球建模与同化办公室（GMAO）的R21C。图示说明了高时间频率数据松弛逼近的影响。

使用1小时间隔的气象资料能够准确再现“真实”振幅，而使用3小时间隔或6小时间隔存档的实验则无法定量再现参考的DW1振幅。在使用6小时间隔气象资料时，潮汐相位也存在显著偏差。这些结果表明，更频繁地引入数据能更好地约束日变化和次日变化。

最后，松弛逼近也可用于在两个模型的重叠垂直边界处进行耦合。例如，有研究通过将TIMEGCM松弛逼近到WACCM-X直至110公里高度，来研究电离层对突发性平流层增温事件的响应。TIEGCM松弛逼近到WACCM-X潮汐以捕捉电离层逐日变率性能的系统评估模块，现已成为TIEGCM Version 3.0的组成部分。

数据同化

大多数现有的再分析产品延伸至约80公里。在平流层上层和中间层低层，这些再分析受观测约束较差，导致再分析产品之间存在巨大差异。为解决平流层以上缺乏观测约束的问题，一些团队开发了延伸至热层的数据同化系统，包括同化中间层和低热层的观测。一个例子是最近的日本高层大气研究用大气环流模式-数据同化系统（JAGUAR-DAS）全中性大气再分析JAWARA，其延伸至110公里。中层和全大气层数据同化系统很大程度上依赖于来自两个NASA研究卫星仪器的中间层和低热层观测。研究表明，同化这些观测改善了中间层、热层和电离层的状态。

迄今为止，所有将数据同化纳入全大气层模型的努力都基于低分辨率模型（约1-2度）。大多数这些同化系统代表了数值天气预报中使用的同化算法向上层的扩展。它们采用标准的6小时分析-预报循环，同化业务低层大气数据的子集以及中间层和低热层观测。调整和实施这些数据同化方案到能解析快速变化的日变化区域振荡和中尺度波动图案的高分辨率全大气层模型（≤25-50公里或更细）中，将带来需要解决的计算和算法基础上的挑战。

首先，几个全大气层数据同化系统依赖于集合方法，需要运行中等规模（约30-100个成员）的预报模型集合。现有高分辨率全大气层模型的计算开销可能阻碍在不久的将来采用标准集合数据同化方法。因此，需要调整其他数据同化技术，如变分或混合方法，以执行快速的小时分析-预报循环，从而正确同化日变化的观测特征，并部分约束高分辨率预报能解析的快速移动的区域波动图案。

所有全大气层模型共有的上层大气数据同化的额外挑战与稀疏的观测覆盖以及多种仪器观测之间的系统性差异有关。同化来自具有不同精度、空间分辨率、垂直跨度和时间间隔的多种仪器的风和温度观测，当模型预报与观测显著偏离时，可能导致分析增量中出现巨大的非地转质量-风不平衡。这些不平衡会在分析场中引发大的不切实际的发散扰动，影响后续的预报。由同化后步骤强制的失衡调整所触发和传播的虚假波的增长会严重降低全大气层预报的质量。尽管有方法可以减轻同化引起的失衡调整的影响，但必须确保它们不会过度阻尼模型中的真实波。因此，在高分辨率模型中实施这些方法必须谨慎。

在高分辨率数值天气预报系统中，已应用两种方法来减轻低层大气中失衡初始化的影响。切线线性正态模约束（TLNMC）方案被用于减少/过滤GFS中的此类不平衡，通过平衡初始化预报来提高分析和后续预测技能的质量。增量分析更新（IAU）是另一种用于平衡初始化GFS（δx ~13公里）和GEOS（δx ~25公里）高分辨率配置的方法，这些配置利用变分和混合同化。小集合的采样误差通过混合同化方案得到解决，该方案结合了静态协方差。因此，这些方案解决了计算需求的挑战，并通过处理不平衡问题，解决了稀疏观测的问题。

观测系统模拟实验（OSSEs）利用合成的上层大气数据进行平衡初始化，可用于测试高分辨率全大气层预报中是否存在对真实波的过度阻尼。针对耦合大气-电离层数据分析的首次OSSE结果强调了在WACCM-X+DART中小时分析-预报循环的重要性。对于高分辨率全大气层模型中的小时分析窗口，讨论的4D-IAU方案可以实施，例如在集合调整卡尔曼滤波（EAKF）中，分析增量在分析时段内每小时计算一次，然后每小时的分析倾向在每个模型时间步传递给预报模型。利用上层大气数据的OSSEs的另一个研究主题将是测试基于小时数据的分析倾向在改进日变化预报方面的效率，以及观察这些倾向如何与模型倾向（次网格重力波物理和/或涡旋扩散方案）竞争。基于IAU的快速算法在不过度阻尼全大气层预报中真实波的情况下执行平衡初始化的特性，也可以在双OSSE设计中评估。

超越物理方程的建模

高分辨率全大气层模型计算昂贵。但在用可用观测进行适当验证后，它们对于空间天气预报和改进新一代中等分辨率的业务全大气层模型将非常宝贵。

在此背景下，机器学习在地球科学中扮演着越来越重要的角色。例如，高分辨率全大气层模型可以以物理一致的方式解析重力波谱的某一部分，这意味着它们的输出可用于机器学习次网格尺度参数化。这不仅适用于重力波，也适用于任何次网格尺度过程，并且原则上可以扩展到例如地磁暴的强迫。湍流是另一个可以影响大尺度动力学和输运的次网格尺度过程，它通常由不稳定性（如重力波破碎）产生。湍流的尺度比当前或未来全大气层模型能够解析的尺度更小。在当前的大气环流模型中，采用了不同复杂程度的湍流闭合模型。最近进行了直接数值模拟来研究旋转和分层湍流，其雷诺数可与中间层和低热层中的雷诺数相媲美。还进行了直接数值模拟来研究不稳定重力波的动力学和波-湍流相互作用。此类模拟的结果可作为训练基于机器学习的方案的数据集。

关于替代次网格尺度参数化，机器学习方法的使用立即引发了一个伦理问题：我们的目标是尽可能捕捉物理的算法，还是给出正确涌现行为（即正确的大气气候和变率）的算法？虽然第一种选择是可取的，但很明显，实施一个导致错误气候的参数化是无用的。问题的根源在于模型除了各自不完善的参数化之外还有其他偏差。例如，当与对流源耦合时，重力波参数化会继承对流方案的偏差。因此，模拟现有基于物理的参数化的简单方法并不是最优的，因为它们使得将在一个模型配置上学到的参数化迁移到另一个模型配置变得困难，因为模型在分辨率、数值方法和偏差上各不相同。

最近，有研究提供了所谓离线-在线学习方法的概念验证，该方法从零开始学习重力波参数化。其思想是离线使用大量“粗糙”数据训练神经网络，然后在线使用少量高质量数据重新训练少数层。需要研究此类方法，以解决机器学习方案的跨模型适应性、尺度自适应性以及对未来气候的泛化性问题，或者换句话说，使先验指标（如气候平均状态）与在线性能保持一致。最新的发展是神经偏微分方程框架，它允许在线、同时并以物理约束的方式调整多个机器学习参数化。最终，这可能是实现机器学习算法最大灵活性和可迁移性的最有希望的途径，但我们距离拥有一个可用于全大气层建模的此类模型还很远。

除了处理次网格尺度过程，机器学习可能有助于解决与模型偏差、同化和区域细化相关的问题。生成扩散模型可用于对模型场进行降尺度，其性能优于替代方法。生成扩散模型学习将从一个解析已知的先验分布（如高斯分布）的扩散过程反向到从数据推断出的目标分布。在推理阶段对扩散模型进行调节使其成为解决反问题的竞争性工具，表明它们可以重新用于高效的数据同化。

总结与结论

地球的大气层延伸到近地空间，所有层之间都是垂直耦合的。介导这种耦合的过程跨越全球尺度到公里尺度。本文讨论了重要的精细尺度过程以及将它们纳入全大气层模型的挑战。

为电离层和热层研究设计的模型，如TIEGCM，受益于同化卫星和/或地面观测的极光粒子沉降和电离漂移。这产生了长度为几百公里的结构，并提高了全球行进电离层扰动的真实感。此外，电离层会受到来自下方波动的影响，通过大约110公里高度的E区发电机，或通过直接传播到这些区域的波动。

精细分辨率对于模拟这些波的源、传播和影响是必需的，包括非破碎重力波的成分输运以及涉及化学、动力学和电动力学的复杂反馈链。

随着分辨率提高，重力波的参数化效应应当减小，但为重新调整重力波参数化而进行多次长期模拟通常计算成本过高。开发尺度自适应参数化以准确计及与解析波一致的未解析和未充分解析的波效应是必要的，但具有挑战性。利用大气波谱的尺度不变性可能是一个前进方向。解析更大比例的重力波谱可能会改善模型的气候学，这是由于解析了三维传播和次级重力波的产生。解析的波介导的对流层天气的耦合可能导致上层大气可预测性的提高。

虽然高分辨率有助于更好地捕捉向上和向下的垂直耦合机制，但在深厚大气层中进行精细分辨率建模时，需要仔细考虑各种标准建模技术。嵌套有利于解析局地波源，但这些波的大部分在向上传播时可能会离开内部域，而其效应无法被看到。嵌套设置也给包含全球电动力学物理带来了问题。全球高分辨率模拟是过程研究的一种前进方向。或者，可以使用下边界在地表的全球模型来强迫下边界在大气上层的模型。这种设置可能非常适合敏感性研究。

在对流层和平流层进行松弛逼近可以强制实现潮汐、行星波和解析重力波的现实源和传播环境。然而，将高分辨率模型松弛逼近到高分辨率再分析是有问题的，因为高分辨率再分析在中尺度子范围存在动能谱衰减，导致松弛逼近模糊了精细尺度的波动图案。此外，精细结构演化迅速，量级为小时的时间间隔是不够的。解决这些问题的最佳方法是将松弛逼近限制在大尺度动力学，同时让较小尺度自由演化。虽然这在谱模型中很容易实现，但在非谱模型中实施这种方法需要付出努力。对于非谱模型，一个捷径可能是使用较长的松弛逼近时间常数来约束全球和天气尺度的缓慢变率，同时最小化对较短局地尺度的快速变化变率的影响。

高分辨率全大气层模型的数据同化受到巨大计算开销和稀疏观测的困扰。混合同化方案是最可能的前进方向，因为它们可以通过结合静态协方差来处理小集合的采样误差，并通过处理不平衡来解决稀疏观测的问题。

对于机器学习，最理想且可能必要的是能够在线、同时并以物理约束的方式调整多个机器学习参数化。这将需要对现有的全大气层模型进行大量的重新编码，但也可能解决其他问题，例如对尺度自适应参数化、降尺度和高效数据同化的需求。因此，机器学习可能有助于优化高分辨率、模型复杂性和集合大小之间的空间。

除了解决建模的技术挑战外，全大气层建模者还可以受益于与天气预报界和能够支持卫星任务的空间机构的紧密联系。