统一生成式框架实现从资料同化到气候模拟的无缝天气—气候预测

《npj Climate and Atmospheric Science》：Generative assimilation and prediction for weather and climate

　　

机器学习模型在提前两周以内的天气预报中已展现出显著优势，其性能优于基于物理过程的基准系统^1,2,3,4,5。然而，现有大多数方法并未将资料同化（data assimilation）充分整合进预测流程^6,7，且常受自回归计算中误差累积的困扰，限制了其在中期以外预测⁸及气候预估⁹中的适用性。本研究提出生成式同化与预测（Generative Assimilation and Prediction, GAP），这是一个统一的深度生成框架，通过大气状态的共享概率表征将资料同化、天气预报与气候模拟相互连接。GAP从再分析数据中学习气候态分布（climatological distribution），并通过引入观测约束、预测约束与强迫约束将其适配于不同任务。在一系列天气—气候任务上的评估表明，GAP利用其自身同化的初始状态（由5%的合成完美观测生成）即可产生与领先预报系统相当的概率天气预报，在捕捉大气河（atmospheric rivers）、热浪与马登—朱利安振荡（Madden-Julian Oscillation）等极端事件方面具有特定技巧。在季节时间尺度上，当受海洋边界强迫约束时，GAP展现出有前景的预测技巧。此外，GAP支持稳定的千年尺度气候模拟，可再现从逐日天气波动到年代际振荡的大气变率。上述结果表明，对气候态分布的生成式建模为无缝天气—气候预测提供了可行基础，从而开辟了通往观测到气候一体化工作流的路径。

研究背景方面，地球混沌大气的可靠建模是逐日天气预报与长期气候变化预测的基础。近几十年来，对大气动力学的理解与模拟取得稳步进展，资料同化与预测是提升预报能力的两个关键过程：前者将观测与模型结合以推断当前大气状态，后者将初始状态估计向前投影。二者核心挑战均在于如何在稀疏观测、不完美预测模型以及不显著的自然与人为强迫条件下，准确表征并演化可能大气状态的概率分布。尽管已有进展，受模型偏差、维数灾难与计算约束影响，准确追踪这些概率分布仍十分困难。机器学习为天气预报带来变革，可在提前两周内实现准确预测且计算效率前所未有，但现有方法多侧重预测精度，对预测流程其他关键环节关注不足：通常依赖独立资料同化系统提供初始条件，缺乏在新观测到达时将其纳入的机制，且在季节预测与气候预估所需的更长积分时域上难以保持稳定。基于机器学习的资料同化方法虽有进展，但常存在不确定性量化不充分或难以扩展至高维业务环境的问题；面向更长时间范围的扩展虽带来季节预测与气候模拟的新机遇，但稳定性提升往往以预测技巧为代价，存在极端事件低估，且许多模型无法捕捉气候动力学固有的随机性。总体而言，当前机器学习方法多分别处理天气—气候建模流程中的单个环节，而未认识到它们均是同一底层挑战的不同表现：如何表征并演化跨所有时间尺度的大气状态概率分布。气候科学的根本追求不止于高效预测或模拟，而在于理解气候系统作为混沌、高维、多尺度系统在各种强迫下如何演化；这要求本质上的概率视角，因为观测与模型均非完备无误，大气状态只能以可能状态分布的形式被认知。大气在各尺度上呈现结构化模式，形成特征性的气候态分布，该分布编码了自然变率与系统对外部强迫的响应。由此视角，同化与预测可视为对分布的两种互补操作：观测将其约束至与可用观测一致的状态，预测将其向前推进；随着混沌动力学逐步抹去初始状态记忆，分布会在天气、次季节至季节及气候时间尺度上松弛回气候态。研究人员的GAP框架即基于深度生成模型实现这一统一概率视角：GAP从再分析数据学习大气状态的气候态分布，并在推断时通过引入观测约束、预测约束与强迫约束将其适配于同化、预报与气候模拟等不同任务，而无需为每个任务单独设置模型或训练目标。研究人员将上述统一概率视角形式化为概率同化与预测（Probabilistic Assimilation and Prediction, PAP），其理想贝叶斯目标为给定观测、预测与强迫约束时大气状态的条件分布；GAP利用基于扩散的推断提供PAP的实用近似实现，串联两个组件：其一是概率扩散模型，在再分析数据上训练以近似大气状态的气候态分布，并在推断时通过近似贝叶斯计算灵活引入观测、预测与外部强迫约束；其二是预报模型，在同化与预测阶段将状态估计向前传播，可为数值或数据驱动模型，研究中出于实现便利采用后者。两个组件形成连贯循环：在每个同化步骤，观测与初步预测通过改进的扩散后验采样约束生成模型，受约束估计再由预报模型向前演化生成下一步初步预测；GAP并非直接使用这些预测，而是施加校准噪声并逆转扩散过程，从而引入遵循所学相空间结构的随机性，同时校正预报模型的系统性偏差。进入预测阶段后，该循环在无观测约束下继续，使受良好约束的初始状态分布逐步漂向气候态分布，历经天气预报（约两周以内，初始条件主导）、次季节至季节预测（约一年以内，海气耦合提供延伸可预报性）与气候预估（外部强迫调制底层气候态分布）等阶段；对更长时间尺度，研究人员利用海表温度作为简化外部强迫约束，以捕捉季节记忆与气候变化信号。该统一框架在所有预测时域上保持概率严谨性与物理一致性，且无需针对不同时间尺度分别训练。研究评估GAP在天气—气候建模五个关键方面的能力：再现气候态格局与变率的能力、资料同化建立准确初始条件的有效性、天气预报技巧、季节预测潜力，以及生成稳定长期气候模拟与预估的能力。研究结论指出，机器学习正迅速重塑气候系统的模拟与预测，但相关进展多呈碎片化，资料同化、天气预报、季节预测与气候模拟常各由专门架构、训练目标与业务流程处理，鲜少意识到它们均是同一底层挑战的表现；贯穿其中的共同主线是：每项任务都在特定观测、预测与强迫约束组合下估计大气状态分布，任务差异不在估计对象，而在哪些约束被激活及其时间尺度。这一认识促成一个简单而重要的设计选择：一次性学习气候态分布，并针对各任务灵活施加条件，从而形成同化与预测之间的双向联系：一方面气候态先验将分析约束至物理合理、具不确定性意识的初始状态；另一方面同一先验锚定长期预报以防漂移，将每步预测投影回气候态分布而非任由自回归误差累积，形成自我强化循环。该统一框架的优势并非体现在单一任务，而体现在整个同化—预测连续统：在稀疏观测条件下，所学分布产生具合理校准不确定性估计的同化状态，集合离散度跟踪分析误差空间结构；这些由约5%格点覆盖导出的分析支持集合天气预报，其概率技巧与由更完备观测数据初始化的领先系统相当；在季节时间尺度上，同一条件机制引入缓慢演化的海洋边界信息以延伸预测技巧；在千年尺度自由积分中，基于扩散的校正保持数值稳定性与真实大气变率，包括热带气旋、阻塞事件与北极涛动。研究人员同时指出，未来情景实验依赖CESM2导出的边界条件，应解释为对外部规定强迫的条件性大气响应而非独立气候预估。未来若干方向可强化该框架：更先进的后验采样方案可缩小生成样本与目标条件分布差距，改善集合校准，尤其短预报时效的轻微欠离散；引入温室气体浓度与气溶胶载荷作为显式强迫约束可使GAP摆脱对外部规定海气温度的依赖，直接表征辐射强迫路径；将观测算子从格点测量扩展至卫星辐射率等遥感数据可使同化更接近业务需求；GAP的模块化架构使生成模型与预报模型为独立、可互换组件，任一进展可在不重训另一组件情况下纳入，例如以基于物理的动力核心替换当前数据驱动预报模型，可将GAP概率框架与显式守恒定律结合，或同时提供数值模型的物理保证与生成建模的分布灵活性。更广泛而言，GAP揭示了生成建模与混沌系统动力学之间的联系：二者均将非结构化输入转化为结构化模式，扩散模型通过所学评分函数将高斯噪声映射为大气状态，气候系统通过非线性动力学将任意扰动映射为其特征变率，区别在于生成模型从数据学习这一变换而混沌系统通过物理动力学实现；气候系统具有良好表征的混沌行为、严谨预测指标与百年观测记录，为生成模型提供了比常规基准更严苛的检验，其中物理一致性、谱保真度与校准不确定性远比感知质量重要；生成模型能足够近似大气分布以维持千年真实变率，这提示混沌理论、机器学习与气候科学之间可能存在富有成效的交流。

在技术方法方面，研究以ERA5再分析数据（1979—2017年，1°分辨率，9个关键气象变量、13个标准气压层，状态空间维数约450万）训练概率扩散模型近似气候态分布，采用U-Net骨干并引入残差块与时间步嵌入，以Adam优化器、余弦噪声调度与去噪扩散隐式模型采样生成；资料同化通过改进的扩散后验采样引入观测似然梯度，并采用“时间旅行”重采样增强全局一致性；预测约束通过随机微分方程编辑（SDEdit）以校准噪声扰动预报模型ConvCast（提前6小时、基于GraphCast加权方案的加权均方误差训练）输出并投影回气候态流形；强迫约束通过将海表温度异常持续性投影为2-m气温约束并作为修正似然项引入。评估中，资料同化试验使用集成全球无线电探空档案（IGRA）与全球逐时综合地面数据库（ISD）的实际观测，并设计OSSE合成完美观测试验；天气预报以ECMWF业务集合预报系统IFS-ENS及Pangu、GraphCast、NeuralGCM、GenCast为基准；季节预测以ECMWF第五代季节预报系统SEAS5为基准，所有可训练组件仅在1979—2014年数据上训练、2015—2024年完全留出；气候模拟与预估采用CESM2在SSP1-2.6、SSP3-7.0、SSP5-8.5情景下的海气温度作为边界强迫。统计方法包括均方根误差（RMSE）、距平相关系数（ACC）、连续分级概率评分（CRPS）、离散—技巧比（SSR）、纬向傅里叶谱分析、逐格点Kolmogorov–Smirnov检验、多变量一致性诊断及热带气旋、阻塞与主要振荡指数的专门检测算法。

研究结果方面，在气候态表征上，研究人员通过生成5000个无条件样本并与ERA5在训练期（1979—2017年）比较，从格点统计、大尺度动力结构到变量间物理一致性逐层评估，并以CESM2作为参照。结果表明，GAP准确再现单个大气变量的统计性质，2-m温度均值、方差、最小值与最大值空间格局与ERA5高度吻合，经Kolmogorov–Smirnov检验在95%置信水平下统计不可区分，多数指标典型偏差低于10%；而CESM2虽再现宽泛空间格局，但在方差与极端值上存在较大系统偏差。GAP再现500 hPa位势高度首位经验正交函数所表征的北半球环状模，且幅值较CESM2更接近ERA5；忠实再现哈德莱环流强度与垂直范围，而CESM2在垂直结构与纬向平均风强度上存在明显偏差；球谐功率谱确认GAP保持从行星尺度到区域尺度的幂律衰减，CESM2在中间波长存在多余功率；温带非地转风与地转风比值的垂直廓线在GAP与ERA5间几乎一致，表明生成模型在未显式施加条件下保持基本大气平衡。上述多尺度一致性表明生成模型对气候态大气分布给出合理近似。

在资料同化上，研究人员通过GAP-OSSE（合成完美观测）与GAP-OBS（实际探空与地面观测）两类互补实验检验GAP利用所学气候态先验从稀疏观测推断大气状态的能力。结果表明，两实验中集合平均场均与ERA5参考状态高度接近，集合离散度空间格局与集合平均误差高度对应，表明不确定性估计具有信息量而非任意；GAP-OSSE离散度与误差略紧，GAP-OBS对真实观测不确定性具稳健性而无显著可靠性退化；覆盖概率与秩直方图确认集合具信息量且近似校准，但较窄预测区间存在轻度欠覆盖、秩直方图呈轻度欠离散，该缺陷随同化循环减弱。观测信息空间传播分析显示，集合方差与集合平均误差在观测点附近减小、随距离增大，呈一致空间衰减，表明生成模型尊重大气场空间相关结构。观测密度系统评估显示，随观测密度从气候态水平增至10⁴个点（约15%全球格点覆盖），分析更快收敛至参考状态；低密度下需多个同化循环累积约束，高密度观测可近乎即时约束状态，与更密测量更有效抵消混沌误差增长的理论预期一致。

在天气预报上，研究人员采用与同化类似的预测—精炼过程但无观测约束，所有GAP预报均由GAP-OSSE设置下自身同化分析初始化，而非ERA5或业务分析。高影响天气事件案例研究表明，GAP在3天台风“烟花”预报中捕捉500 hPa风场与位势高度气旋结构演变，集合成员呈现锐利、物理真实的气旋结构；10天加州大气河预报中维持850 hPa位势高度与比湿分布的物理一致性；21天欧洲热浪预报中捕捉温度距平格局与相关大尺度环流；42天MJO预报中再现该组织化热带现象的特征性东传与振幅调制；四案例中集合离散度均跟踪集合平均误差空间结构。针对2020年全年500 hPa位势高度的系统预报检验表明，以距平相关系数衡量，GAP相对确定性机器学习模型在整个预报期表现占优，技巧提升约3%—14%，该优势在第7天后扩大；以连续分级概率评分衡量，GAP在5—15天区间与IFS-ENS、GenCast、NeuralGCM相当；离散—技巧比显示GAP在预报前几日集合离散度略紧，随预报时效延长逐渐收敛至合理校准的不确定性，与真实预报误差增长一致；中心区间覆盖与秩直方图确认初始轻度欠离散在更长时效逐步缓解。上述结果表明，GAP生成式同化框架可从有限观测覆盖中提取足够信息，产生在确定性与概率技巧上均具竞争力的预报。

在季节预测潜力上，研究人员引入GAPSAP（以海表温度异常持续性约束的GAP），通过将初始海表温度异常持续整个预报期并转化为2-m气温约束施加于生成过程，在2015—2024年留出期开展10年回算实验，比较无海表温度强迫的GAP、GAPSAP与ECMWF SEAS5。结果表明，GAPSAP在2个月与3个月预报时效均显著提高ACC（2个月约0.462对0.219；3个月约0.396对0.127），技巧提升在海气耦合较强区域最显著，表明扩散模型将规定地表约束转化为适当区域大气响应而非仅改善全球均值；与SEAS5相比，GAPSAP全球纬向加权ACC更高（2个月0.462对0.432；3个月0.396对0.376），但存在明显区域差异，在北美太平洋等海洋主导区域常超过SEAS5，在非洲等大陆内部技巧较弱，可能反映海表温度持续性误差、海表温度至气温推断及基于修复机制将海洋信息传播至陆地的复合不确定性。上述结果初步证明GAP的条件机制可从同化推广至季节时间尺度。

在气候模拟上，研究人员通过三项实验检验GAP在气候时间尺度上的能力：无外部约束的自由运行模拟、规定海气温度的历史模拟，以及以CESM2不同共享社会经济路径气候预估海气温度驱动的边界强迫实验。结果表明，千年尺度自由运行模拟中GAP在超过1000年积分中维持围绕稳定均值的物理真实温度变率，避免通常限制机器学习预报模型的漂移；季节循环在千年积分后仍以正确振幅与相位再现；自由运行模型再现热带气旋空间分布与强度特征、中纬度阻塞格局与北极涛动等关键变率模态，这些现象未经显式训练即涌现，表明所学气候态分布编码了足以通过内部变率维持这些现象的动力结构；但自由运行模型对与海洋强迫强耦合的现象存在局限， notably南方涛动指数因需海气相互作用而无法表征。当以规定历史海气温度作为边界强迫时，模型成功再现这些海洋驱动格局，确认局限在于缺乏海洋信息而非大气框架本身。以CESM2在SSP1-2.6、SSP3-7.0、SSP5-8.5情景下海气温度驱动时，GAP维持稳定大气结构与环流格局，再现与规定强迫一致的关键变率模态并捕捉温度廓线的预期趋势，但存在其他机器学习模型常见的分布偏移问题；研究人员强调这些实验不应解释为独立气候预估，因为大气响应完全以外部耦合模式产生的边界信息为条件。将GAP在1959—1978年的气候态偏差与CMIP6模式及ACE2-ERA5比较显示，无条件生成、1959年初始化的自由运行与边界强迫三种配置约束程度递增，GAP相对多数CMIP6模式降低气候态偏差，GAPPSAT进一步改善，多数变量接近ACE2-ERA5，但z500等部分变量仍有差距。

在与现有方法的联系上，研究人员沿同化与预测两条轴线讨论GAP与现有方法的关系。机器学习资料同化方法可沿变分与序贯两大经典范式组织：变分方法寻找与背景信息和观测最协调的大气状态，机器学习主要通过自动微分替代伴随模型或端到端监督回归进入该范式，后者虽提供不确定性估计，但其量化本质上与训练时固定的观测—再分析配对绑定，当推断时观测覆盖或误差特征变化时缺乏原则性机制自适应调整；序贯方法传播状态分布并随新观测更新，近期工作利用扩散模型表征高维分布，或学习由再分析背景塑造的状态转移分布并在采样时引入观测，或以序贯蒙特卡洛框架、微调生成模型使分布适应演化背景，前者面临背景为含流依赖偏差的预报时所致的训练—应用失配，后者实时更新深度生成模型带来显著计算开销与分布不稳定风险。GAP采取不同路径：不学习由再分析背景塑造的状态转移分布，也不在运行中持续适配生成模型，而是预先学习大气状态的气候态分布——一种反映气候系统内在变率而非特定预报或分析系统系统特征的一般、任务无关先验，推断时通过序贯贝叶斯更新以观测与预测约束对其施加条件。该设计具三方面优势：先验捕捉气候系统自身变率而非特定模型残差误差，使不确定性估计在观测网与预报模型变化时保持物理根基；分布一次学习并在运行中固定，避免在线分布适配的计算成本与潜在不稳定；同一所学气候态分布同时作为预测与气候模拟的基础，建立单一任务方法所不具备的同化与预报双向联系。在预测方面，机器学习天气模型已在显著降低成本下达到或超过数值天气预报精度，但扩展能力需解决不确定性量化与长期稳定性两个问题；不确定性方法从临时扰动、分布感知训练损失发展到捕捉结构化预报误差分布的条件生成模型，稳定性策略包括物理约束架构、多步自回归训练、分辨率降低与规定边界条件，各有取舍；多数方法针对特定时间尺度优化，难以在单一框架内实现跨天气与气候的无缝预测。GAP通过单一机制同时应对两个问题：每个预报步骤所学气候态分布生成反映不确定性演化的校准集合扰动，同时防止预测状态漂移至物理合理相空间区域之外；该机制与时间尺度无关，无论预报时效为小时还是世纪均以相同方式运行，从而无需单独训练或架构修改即可连接集合天气预报与长期气候稳定性。

讨论部分总结指出，机器学习正迅速重塑气候系统模拟与预测，但其进展呈碎片化，资料同化、天气预报、季节预测与气候模拟常各由专门架构、训练目标与业务流程处理，鲜少意识到它们均是同一底层挑战的表现。贯穿所有任务的共同主线是：每项任务都在特定观测、预测与强迫约束组合下估计大气状态分布；同化以观测收窄分布，预报在混沌动力学下将其向前演化，季节预测通过缓慢变化边界强迫维持分布，气候模拟追踪外部强迫如何在数十年至数百年尺度上重塑分布；任务差异不在估计对象，而在哪些约束被激活及其时间尺度。这一认识促成简单而重要的设计选择：一次性学习气候态分布并针对各任务灵活施加条件，形成同化与预测的双向联系，并构成自我强化循环：更好学习的气候态产生更锐利的分析，进而产生更好初始化的预报，其统计又进一步验证与精炼气候态表征。该统一框架的优势并非体现在单一任务，而体现在整个同化—预测连续统：以稀疏观测为条件时，所学分布产生具合理校准不确定性估计的同化状态，集合离散度跟踪分析误差空间结构；由约5%格点覆盖导出的分析支持集合天气预报，其概率技巧与由更完备观测数据初始化的领先系统相当；季节时间尺度上同一条件机制引入缓慢演化海洋边界信息以延伸预测技巧；千年尺度自由积分中基于扩散的校正维持数值稳定性与真实大气变率，包括热带气旋、阻塞事件与北极涛动。研究人员同时指出未来情景实验依赖CESM2边界条件，应解释为对外部规定强迫的条件性大气响应而非独立气候预估。若干方向可强化该框架：GAP是PAP的近似贝叶斯实现，观测条件通过修复与扩散后验采样实现，预测条件通过SDEdit实现，强迫信息仅经规定地表气温间接进入；更先进后验采样方案可缩小生成样本与目标条件分布差距，改善集合校准，尤其短预报时效的轻微欠离散；引入温室气体浓度与气溶胶载荷作为显式强迫约束可使GAP摆脱对外部规定海气温度的依赖，直接表征辐射强迫路径；将观测算子从格点测量扩展至卫星辐射率等遥感数据可使同化更接近业务需求；GAP模块化架构使生成模型与预报模型为独立、可互换组件，任一进展可在不重训另一组件情况下纳入，例如以基于物理的动力核心替换当前数据驱动预报模型，可将GAP概率框架与显式守恒定律结合，或同时提供数值模型的物理保证与生成建模的分布灵活性。更广泛而言，GAP揭示了生成建模与混沌系统动力学之间的联系：二者均将非结构化输入转化为结构化模式，扩散模型通过所学评分函数将高斯噪声映射为大气状态，气候系统通过非线性动力学将任意扰动映射为其特征变率，区别在于生成模型从数据学习这一变换而混沌系统通过物理动力学实现；气候系统具有良好表征的混沌行为、严谨预测指标与百年观测记录，为生成模型提供了比常规基准更严苛的检验，其中物理一致性、谱保真度与校准不确定性远比感知质量重要；生成模型能足够近似大气分布以维持千年真实变率，这提示混沌理论、机器学习与气候科学之间可能存在富有成效的交流。