利用物理信息驱动的深度学习进行全球海洋表面 forecasting，该方法通过显式嵌入空气-海水的物质通量公式来实现

《Ocean Modelling》：Physics-informed deep learning for global ocean surface forecasting by explicitly embedding air–sea bulk-flux formulae

　　摘要
大气强迫对于短距离海洋表面预测至关重要，但数据驱动的模型通常将近表面大气变量作为原始通道输入，而不是作为直接驱动上层海洋趋势的界面通量。本研究探讨了物理诊断的空气-海洋总体通量强迫是否能为基于自回归的AI海洋预测提供更有效的表示。我们开发了一个基于物理知识的神经框架，在该框架中，共位的大气和海洋表面状态通过基于COARE的总体通量算子转换为动量、热量和淡水通量，然后与最近的海洋状态结合，以预测每日表面速度、温度、盐度和海表面高度。使用了两种互补的配置：一个全球1°范围的实验作为对照测试，在相同的架构、归一化和训练设置下比较了总体通量强迫、原始大气输入、组合输入和海洋记忆基线；另一个1/12°范围的西太平洋实验评估了高分辨率预测技能、中尺度结构、台风引起的冷却以及观测空间的泛化能力。控制性消融实验表明，相对于原始大气输入，显式的总体通量强迫改善了大多数预测变量，尤其是在表面电流和动能保持方面。敏感性测试没有发现与下一步通量近似之间存在系统性的相位滞后。在西太平洋，该模型保留了比AI基线XiHe更多的50–300公里谱方差和基于SSH/SLA的连贯涡旋结构，而台风案例再现了广泛的冷尾演变。使用GLO12v4-fcst作为操作数值参考和外部初始化源，独立的漂流浮标和沿轨道测高仪评估提供了超出GLORYS12V1网格验证的有限周期观测空间检查。

引言
准确地进行短距离海洋表面温度、盐度、电流和海表面高度的预测对于理解上层海洋变化和支持海洋作业非常重要。传统的操作海洋预测依赖于基于物理的数值模型，如HYCOM和ROMS（Chassignet等人，2007年；Shchepetkin和McWilliams，2005年）。这些系统仍然是现代海洋预测的基础，但短距离预测仍受初始条件、大气强迫、参数化过程和数值离散化的不确定性影响（Martin等人，2015年；Lellouche等人，2018a年；Large和Yeager，2009年；Fox-Kemper等人，2019年）。近年来，人工智能为地球物理预测提供了另一种途径。在中距离天气预测中，Pangu-Weather和GraphCast等模型表明，深度神经网络可以从大规模再分析数据集中学习复杂的时空演变，并以较低的推理成本产生有竞争力的预测（Bi等人，2023年；Lam等人，2023年）。受这些进展的启发，基于AI的方法越来越多地应用于海洋预测，包括海表面温度预测、多变量上层海洋预测和全球海洋预测系统（Xu等人，2023年；Shao等人，2021年；Wei等人，2024年；Song等人，2024年）。然而，海洋预测与大气预测有一个重要区别：除了其内在的动力学演变外，上层海洋还受到空气-海水交换过程的强烈影响。最近的基于AI的海洋预测研究开始将大气效应纳入海洋预测框架中。Song等人（2024年）利用大气热辐射变量作为输入，显著提高了全球SST的短期预测性能。数据驱动的模型如AI-GOMS和XiHe直接使用大气变量（如风和空气温度）作为额外的输入通道，使大型神经网络能够学习全球海洋状态的时空演变，并有效预测温度、盐度、电流和与海平面相关的变量（Xiong等人，2023年；Wang等人，2024年）。同样，在波浪预测领域，Zhang等人（2025年）整合了多时间尺度的大气风场信息，实现了高精度和长范围的波浪预测。然而，从上层海洋动力学的角度来看，这些大气变量并不独立作用于海表面。它们对海洋的影响主要是通过空气-海水界面上的动量、热量和淡水通量介导的（Fairall等人，1996年；Edson等人，2013年）。基于这种物理理解，最近的研究越来越多地将过程知识纳入基于AI的海洋预测和参数化系统中。例如，WenHai将空气-海水总体公式嵌入到涡旋解析的全球海洋预测系统中，以表示界面动量、热量和淡水交换（Cui等人，2025年）。基于物理知识的深度学习方法也已被用于海洋垂直混合，证明受物理知识约束的神经网络参数化可以改善上层海洋边界层过程和气候模拟的表示（Zhu等人，2022年）。同时，关于空气-海水湍流通量参数化的机器学习研究表明，神经网络可以与物理约束或概率公式结合，以更好地表示海洋-大气界面的湍流通量过程（Zhou等人，2024年；Wu等人，2026年）。这些研究表明，从纯数据驱动的海洋预测向物理引导的学习发生了更广泛的转变，在这种学习中，过程知识被用来提高预测技能、泛化能力和可解释性。基于这一方向，我们提出了一个基于物理知识的自回归海洋表面预测框架。该框架将COARE算法的总体公式嵌入到神经预测模型中，从而通过显式计算的气海通量提供过程级的强迫信息，而不是要求网络完全从原始大气变量推断空气-海水交换关系（Fairall等人，2003年）。该模型预测每日海洋状态的温度、盐度、纬向电流、经向电流和海表面高度的增量。值得注意的是，在预测过程中引入了预设的未来大气强迫。历史和当前的气海通量使用COARE总体算法计算，而未来大气信息则通过显式的下一步总体通量估计结合进来。这种设计允许模型在自回归预测期间使用未来大气强迫信息，同时避免了完全同步通量计算所需的未来海洋状态。由于这种近似可能会引发关于时间同步的担忧，我们使用控制敏感性实验、预测器-校正器比较和领先-滞后趋势诊断来明确评估其影响。我们通过一系列互补实验来评估该框架。首先，使用全球1°范围的对照消融实验来分离总体通量强迫、原始大气变量及其组合以及仅依赖海洋记忆的预测的贡献。这种设计测试了在受控输入布局下，总体表示是否提供了超出原始大气通道的有用信息。其次，使用高分辨率的1/12°范围西太平洋配置来检验该方法是否可以扩展到涡旋丰富的区域环境。在此区域实验中，使用RMSE和ACC评估预测技能，进一步通过中尺度谱保留、小尺度能量行为、基于SSH/SLA的涡旋对象诊断和台风引起的SST冷却来评估物理一致性。第三，使用外部GLO12v4-fcst初始化以及独立的漂流浮标观测和多卫星沿轨道SLA观测进行观测空间基准测试，提供了超出GLORYS12V1基于网格验证的额外检查。因此，本研究的主要贡献是一个具有物理结构化空气-海水边界强迫的通用海洋表面预测框架。与仅使用大气变量作为原始预测器的方法不同，所提出的框架在整个预测过程中引入了物理结构化的边界强迫，并通过控制性消融、相位滞后诊断、高分辨率结构诊断和观测空间验证来评估其贡献。这建立了空气-海水强迫表示、预测技能和短距离基于AI的海洋表面预测中的物理一致性之间的更直接联系。

数据集和预处理
本研究使用GLORYS12V1全球海洋再分析和ERA5大气再分析作为模型训练和受控网格评估的主要数据源（Jean-Michel等人，2021年；Hersbach等人，2020年）。GLORYS12V1提供了海洋状态变量，包括海表面温度（SST；????）、海表面盐度（SSS；????）、纬向表面电流（????）、经向表面电流（????）和海表面高度（SSH；??），这些变量在本研究中用作预报目标。

基于物理知识的空气-海水通量强迫表示
所提出框架的核心思想是使用物理可解释的空气-海水总体通量强迫表示作为主要预测模型的大气强迫输入，而不是直接依赖于原始大气变量。近表面大气变量（如风、空气温度、湿度、辐射和降水）主要通过空气-海水界面的动量、热量和淡水交换影响上层海洋。因此，在大气...

全球1°范围的控制性消融实验
我们首先使用第2.2节和表3中描述的四个控制性消融实验在全球1°范围内评估所提出的框架。该实验被设计为一个受控的归因测试平台，而不是一个涡旋解析预测系统。其主要目的是评估显式的空气-海水总体通量表示是否提供了超出原始大气变量和最近海洋状态所包含信息的有用物理信息。

讨论
本研究通过将基于COARE的空气-海水总体通量强迫显式嵌入神经预测模型，开发了一个基于物理知识的自回归海洋表面预测框架。其主要目的不仅仅是添加大气输入通道，而是在原始近表面大气变量进入预测网络之前，将它们转换为物理可解释的动量、热量和淡水强迫项。控制性消融实验表明...

结论
本研究通过将基于COARE的空气-海水总体通量强迫嵌入神经预测模型，提出了一个基于物理知识的自回归海洋表面预测框架。与直接依赖于原始大气变量的方法不同，所提出的框架将大气和海洋表面状态转换为物理可解释的动量、热量和淡水强迫项，并使用这些通量以自回归方式预测每日海洋状态的增量。

代码、模型权重和可重复性
本研究开发的所有代码均可在https://github.com/ddd0203/Physics-Informed-Deep-Learning-Explicitly-Embedding-Air-Sea-Bulk-Fluxes-Formula公开获得。发布的仓库包含了基于COARE的总体通量公式代码、模型架构实现、训练脚本、推理脚本、配置文件和重现主要建模工作流程所需的文档。详细的用法说明在README文件中提供。

致谢
我们想要感谢ECMWF和CMEMS提供了用于模型训练的ERA5和GLORYS再分析数据。我们特别感谢WenHai模型的作者们们的开创性工作，我们的模型架构受到了他们的启发。我们衷心感谢他们在基于深度学习的海洋预测领域的贡献。所有作者均已阅读并批准了最终版本的手稿。

作者贡献声明
Jiaqi Dou：写作 – 原稿撰写、验证、方法论；
Huaming Yu：写作 – 审稿与编辑、资源管理；
Chunxiao Wang：写作 – 审稿与编辑、验证；
Ziliang Zhang：方法论；
Zhenwei Wei：可视化；
Xin Qi：监督、数据管理；
Ziyao Wang：可视化、数据管理。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报道的工作。