中国科学院海洋研究所张荣华研究员团队，在明确的物理约束下，设计了首个基于深度学习的海洋垂向混合参数化方案，用于海洋和气候模式中，其模拟效果优于基于物理经验关系的传统参数化方法，有效提升了海洋和气候模式的模拟性能。相关成果发表于《国家科学评论》（National Science Review, NSR），第一作者为中科院海洋所朱聿超副研究员，通讯作者为张荣华研究员，合作者包括中科院海洋所王凡研究员、李晓峰研究员、李德磊副研究员以及美国俄勒冈州立大学James N. Moum教授。
气候模式的难点：海洋垂向混合的参数化
自2021年诺贝尔物理学奖获得者真锅淑郎（Syukuro Manabe）等人于1969年首次建立了涵盖全球大气、海洋的耦合模式以来，海气耦合模式一直是进行气候研究的重要工具。世界气候研究计划（WCRP）从1995年起，先后组织了六次国际耦合模式比较计划（CMIP1-CMIP6），这些计划极大地推动了气候模式的发展，并已经成为政府间气候变化专门委员会（IPCC）评估报告撰写的重要科学依据。然而，即使是2021年最新发布的CMIP6模拟结果，与观测之间仍存在较大的系统性差异，这些误差严重制约了模式对当前气候模拟和未来气候变化预估的能力，并直接影响到IPCC报告的可信度。鉴于此，气候模式误差的归因和消除一直是气候研究中的重要内容之一。
CMIP6中温度（填充色）和盐度（等值线）误差的空间分布
气候模式的系统性误差从何而来？在众多原因中，海洋垂向混合参数化方案存在很大不确定性，是一个公认的重要误差来源。
因受到计算资源的限制，目前的海气耦合模式通常只能直接模拟水平尺度在10公里以下的物理过程。对于小于这个尺度的过程（例如海洋湍流垂直混合过程），如果要在数值模拟中考虑到其重要作用，就需要对其进行“参数化”。这其中，海洋垂直混合过程参数化方案的准确与否，直接关系到气候模式是否能够正确模拟和预估全球能量和热量等再分配。
当前气候模式采用基于物理经验关系的参数化方案，而这些方案估算的混合系数与观测事实差异较大，很难准确地刻画好观测到的海洋垂向湍流热交换过程，进而导致海温等变量出现模拟误差。尤其是在热带太平洋海区，基于物理关系的参数化方案估算的垂向涡扩散系数偏大和向下湍流热通量过强，是导致耦合模式中“冷舌”偏冷误差的重要原因。
新思路：深度学习+物理约束
参数化方案之所以出现不确定性，关键在于目前通用的方案都是基于预先假设的物理经验关系；由于目前对海洋湍流混合过程的物理认识还很有限，基于这些有限认识的经验关系自然会产生很大的不确定性。
因此，另一种思路是从数据本身出发，利用人工智能技术，设计相应的数据驱动的参数化方案。与此同时，为提高深度学习参数化方案的通用性，可以将传统的基于物理关系的参数化方案作为物理约束，加入到神经网络参数化方案中。
按照这一思路，张荣华团队利用近十年热带太平洋海域的湍流观测记录，在明确的物理约束下，设计了首个基于深度学习的海洋垂向混合参数化方案。
基于深度学习的海洋垂向混合参数化方案
在这项工作中，论文合作者之一、俄勒冈州立大学James N. Moum教授提供了近十年热带太平洋海域的湍流观测记录，可满足了深度学习的数据要求。利用这些数据与人工智能技术中的前馈神经网络，论文作者设计出了基于深度学习的海洋垂向混合参数化方案，这一方案在验证数据集上表现很好，性能明显优于当前基于物理关系的参数化方案。
然而在远离湍流观测区域的海区，由于缺乏足够的训练数据，神经网络模型通常难以有良好的表现，通用性能力较弱。为改善这一问题，作者将传统的基于物理关系的参数化方案作为物理约束，加入到神经网络参数化方案中，最终获得的基于神经网络的参数化方案既与观测一致，又能满足一定的物理约束关系。
（a）和（b）中黑线代表观测的垂向涡扩散系数和垂向湍流热通量（位于（0o，140oW） 、49米处），红线代表深度学习参数化方案的估算值，蓝线是传统方案的估算值。可见基于深度学习的参数化方案与观测更为接近，而传统方案存在严重高估的问题。
论文作者将这一参数化方案应用到海洋环流和海气耦合模式中，发现它可以更好地模拟上层海洋的垂向热通量，从而改善热带太平洋的温度模拟结果。
（a）为目前模式中的赤道东太平洋温度模拟误差（位于（0o，140oW）处）；（b）是应用了新参数化方案后的误差；（c）和（d）是改善后的结果比较。结果显示在60-80米处的暖误差减小了约44%。
该研究结果表明，利用有限的观测资料和已有的物理知识，利用深度学习技术，可以构建出远优于目前传统方案的新参数化方法，并最终实现提高气候模拟性能的目的。
该研究成果获得了中科院海洋大科学研究中心、青岛海洋科学与技术试点国家实验室、中科院第四纪科学与全球变化卓越创新中心、中科院战略性先导科技专项和国家自然科学基金等项目的资助。
了解详情请读原文▼