超越训练数据：基于置信度的混合参数化在混合AI-气候模型中的应用
大气与海洋物理
2026-05-18 v5
摘要
地球系统模型（ESMs）中持续的系统性误差源于在表示大气对流和湍流的亚网格、多尺度多样性方面存在困难。机器学习（ML）参数化在短时间内的高分辨率模拟中训练的卷积模型显示出显著的潜力来减少这些误差。然而，与混合（物理+ML）ESMs一起进行稳定的长期大气模拟仍然困难，因为在线运行时，离线训练的神经网络（NNs）常常会导致不稳定。直接在粗糙化数据上训练对流参数化具有挑战性，主要是因为尺度无法被干净地分离。这一问题通过来自超参数化模拟的数据得到缓解，这些数据提供了更清晰的尺度分离。然而，由于分布迁移导致的大推理误差，将参数化从一个ESM转移到另一个ESM仍然困难。本文提出了一个概念验证，其中一个经过训练的ClimSim-physics-informed NN对流参数化成功地被转移到ICON-A。该方案（a）在调整后的ClimSim数据上进行了训练，去除了辐射趋势，（b）集成到ICON-A中。NN参数化预测自身的误差，当置信度较低时，能够与常规对流方案混合，从而使混合AI-物理模型能够通过混合参数与观测和再分析数据进行可调校。通过约束对流趋势跨列水汽、下层大气稳定性和地理条件，这提高了对过程理解的程度，产生可解释的制度行为。在AMIP风格的设置中，多个混合配置均优于默认对流方案（例如，改进了降水统计）。在训练期间添加加性输入噪声后，无论是混合方案还是纯ML方案都导致稳定的模拟，并在至少20年内保持物理一致性。
引用
@article{arxiv.2510.08107,
title = {Beyond the Training Data: Confidence-Guided Mixing of Parameterizations in a Hybrid AI-Climate Model},
author = {Helge Heuer and Tom Beucler and Mierk Schwabe and Julien Savre and Manuel Schlund and Veronika Eyring},
journal= {arXiv preprint arXiv:2510.08107},
year = {2026}
}