《SCIENCE ADVANCES》：Data-driven global ocean model resolving atmospherically forced ocean dynamics
编辑推荐：
人工智能推动了全球天气预报的发展，在准确性和计算效率上都超越了传统数值模型。然而，将预测扩展到次季节时间尺度需要开发基于深度学习（DL）的海洋-大气耦合模型，该模型能够真实地模拟大气强迫下复杂的海洋响应。本研究提出了KIST-Ocean，一个基于DL的全球三维
人工智能推动了全球天气预报的发展，在准确性和计算效率上都超越了传统数值模型。然而，将预测扩展到次季节时间尺度需要开发基于深度学习（DL）的海洋-大气耦合模型，该模型能够真实地模拟大气强迫下复杂的海洋响应。本研究提出了KIST-Ocean，一个基于DL的全球三维海洋环流模型。综合评估表明该模型具有稳健的海洋模拟能力和效率。此外，它再现了海洋响应，如Kelvin波和Rossby波的传播，以及由风应力旋度引起的垂直运动，证明了其能够表示气候现象（包括厄尔尼诺-南方涛动（ENSO））背后的大气强迫关键海洋动力学。这些发现通过展示基于DL的模型捕捉重要的海洋-大气关系的能力，增强了对基于DL的全球天气和气候模型的信心。在此基础上，本研究为将基于DL的建模框架扩展到集成地球系统模拟铺平了道路，从而为提高长期气候预测能力提供了巨大潜力。
**研究背景与问题**
随着人工智能（AI）时代的到来，深度学习（DL）在全球天气预报中取得了显著成果，在预测精度和计算效率上超越了传统数值预报模型。然而，将预报时效延伸至季节以上尺度，需要开发基于DL的海洋-大气耦合模型，以真实模拟大气强迫下复杂的海洋响应。海洋因其巨大的热容量而具备“海洋记忆”效应，是长期可预测性的关键来源。传统动力气候预测系统采用大气-海洋耦合模型，而DL模型若要从天气预测扩展到气候预测，海洋建模是至关重要的第一步。现有DL海洋模型存在诸多局限：一些采用非自回归方法导致预测不连续，一些时间分辨率过粗（月间隔）无法捕捉表层边界强迫的响应，还有一些仅使用有限变量（如位温、海表温度、海表高度）而缺少环流和盐度，从而无法解析次表层环流和热含量再分布。此外，现有研究未进行专门的大气强迫实验，难以判断模型是否对表层边界条件产生物理一致的响应。为此，研究人员开发了基于DL的全球三维海洋模型KIST-Ocean，并在多种大气强迫实验下系统评估其物理一致性，首次验证了模型驱动下的大气响应（如热带波动和Ekman辐散）与传统理论预测的一致性。该研究发表在《SCIENCE ADVANCES》上，为基于DL的耦合模型奠定了基础，有望提升长期气候预测能力。
**主要关键技术方法**
（不超过250字）
研究人员采用了U-shaped视觉注意力对抗网络框架构建KIST-Ocean。关键技术包括：①视觉注意力网络（VAN），通过大核注意力分解卷积操作，实现全局和局部关系捕获；②部分卷积，排除陆地点对卷积的干扰，提升沿海区域模拟精度；③条件生成对抗网络（GAN）中的对抗训练，采用PatchGAN判别器对图像分块鉴别，以缓解自回归推理中的分布漂移；④迁移学习策略，先使用社区地球系统模型第二版大型集合（CESM2-LE，1850–2014年，两个成员，共23360个样本）进行预训练，再用NCEP全球海洋数据同化系统（GODAS）再分析数据（1982–2013年，2336个样本）进行微调。模型输入包含62个海洋变量和6个表层边界强迫变量，时间分辨率为5天，输出全球三维海洋状态。
**研究结果**
（保留每个小标题，说明通过什么研究得出什么结论）
**1. Global ocean modeling using a U-shaped visual attention adversarial network**
研究人员提出了基于U-shaped视觉注意力对抗网络的KIST-Ocean，该模型仅需660万参数，在单个NVIDIA A100 GPU上预训练约33.3小时、微调2.4小时。通过自回归方式重复40次，可生成200天的全球三维海洋模拟，耗时仅6-7秒。模型可基于真实（KIST-O_GT）或气候态（KIST-O_Clim）边界条件运行，分别代表模拟能力上下限。
**2. Performance under ground-truth surface forcing**
在2014–2023年200天的全球海洋模拟评估中，KIST-O_GT在异常相关系数（ACC）和均方根误差（RMSE）上持续优于持续性预报。对海表温度（SST）、145米深纬向流（UO）和经向流（VO）等关键变量，KIST-O_GT分别保持了约200、85、40天的有效ACC技能（ACC>0.5）。在2480个预测目标中，81.3%的ACC和86.5%的RMSE优于持续性预报。与北美多模型集合（NMME）动力季节预测模型相比，KIST-O_GT在全球及主要海洋盆地的月均SST预测中，在长达6个月的时效内均表现更优。
**3. Performance under climatological surface forcing**
在仅使用气候态边界条件（KIST-O_Clim）时，SST预测的RMSE快速上升，表明SST可预测性对边界强迫质量高度敏感。但KIST-O_Clim在次表层洋流方面仍保持较长可预测性，在1200个洋流预测目标中，89.5%的ACC和81.8%的RMSE优于持续性预报。这表明次表层海洋记忆提供了部分独立于表层强迫的可预测性源。在1个月时效下，KIST-O_Clim的SST ACC与最优NMME模型相当；2个月时效下仍处于NMME技能范围内。模型在约20°–50°纬度带对边界强迫质量敏感，而在赤道和南极附近敏感度较低。
**4. Evaluating atmosphere-driven ocean dynamics**
为评估物理一致性，研究人员进行了理想化与历史强迫实验。①在热带太平洋施加西风爆发（WWB），KIST-Ocean成功再现了向下Kelvin波向东快速传播、向上Rossby波向西缓慢传播，以及Rossby波在陆地处反射为Kelvin波的精细过程，与延迟振子理论一致。②在不同纬度施加WWB，模型产生的Rossby波相速度随纬度增加而减小，且南半球快于北半球，与基于第一斜压Rossby波近似理论的速度高度吻合。③施加气旋式和反气旋式旋转风应力，模型在气旋中心产生上升流和表层冷却，在反气旋中心产生下降流和表层增温，成功再现了Ekman输运及其伴随的温度异常偶极子结构。④针对2015年厄尔尼诺事件，以2015年5月3日为初值，KIST-O_GT在WWB驱动下成功再现了Nino3.4指数的增长和强厄尔尼诺发展（与再分析的模式相关系数达0.78）；而KIST-O_Clim因缺乏WWB驱动，系统转向拉尼娜状态，证明了WWB在2015/16厄尔尼诺发展中的关键作用。
**5. Ablation analysis of model components**
通过消融实验，研究人员发现部分卷积和对抗训练对模拟性能贡献最大：缺少任一成分都导致ACC在50天内降至0.5以下。迁移学习总体贡献较小，但对次表层位温和盐度有益。与FourCastNet基线模型（2500万参数）相比，KIST-Ocean（660万参数）在模拟技能和分布一致性上均明显更优，表明专业化的DL设计对全球三维海洋建模至关重要。
**讨论与结论**
讨论部分强调，KIST-Ocean在理想边界条件下实现了稳健的全球三维海洋模拟，且在1-2个月时效内的SST技能与NMME动力耦合模型相当。模型在无需真实边界强迫的情况下大幅优于持续性预报，有效捕获了次表层洋流。通过强迫实验，模型在物理上一致地再现了Kelvin波、Rossby波传播、Rossby波速度随纬度和温跃层深度的变化、以及风应力旋度驱动的垂直运动，并高保真地模拟了历史厄尔尼诺事件的发展。这些结果表明基于DL的方法能够学习并表征大气与海洋之间的复杂物理联系，证明了开发基于DL的海洋-大气耦合模型的可行性与前景。
结论部分翻译：
研究人员对基于DL的模型进行的综合研究表明，该模型能够捕获海洋动力学特性，并在表示大气强迫下海洋响应方面具有超越季节时间尺度的可靠可预测性。对KIST-Ocean动力可行性的广泛评估为海洋-大气耦合提供了强大潜力。这也表明该模型可用于增进对多种海洋现象的理解，同时其以较低计算成本和更高速率提供全球三维海洋模拟的能力降低了海洋研究的门槛。这些成功的海洋模拟表明，该模型可以扩展到地球系统中其他具有挑战性的组成部分，这标志着向着可持续的数据驱动气候预测迈出了关键里程碑。
