温室变暖下海面高度的气候自适应与级联约束机器学习预测
大气与海洋物理
2026-01-26 v2
摘要
机器学习（ML）在气候与海洋科学中取得了显著成功。鉴于温室变暖从根本上重塑了层结、环流型与涡旋活动等海洋状况，评估 ML 模型的气候适应性至关重要。尽管物理约束已被证明能提升 ML 模型的性能，但动能（KE）级联尽管在调节多尺度海洋运动中具有重要作用，却尚未被用作约束。本文开发了两个海面高度（SSH）预测模型（有无 KE 级联约束），并在黑潮延伸体量化其气候适应性。在温室变暖条件下，两个模型均仅表现出轻微的性能下降。将 KE 级联作为物理约束显著提升了模型性能，使涡动能误差在当前气候下降低 14.7%，在温室变暖下降低 15.9%。利用卫星观测及在湾流区进行的额外验证进一步证实了所提模型的鲁棒性。与 KE 谱约束相比，两种约束均改善了 KE 的跨尺度转移与谱，但 KE 级联约束在跨尺度转移方面带来更大改善。本工作首次将 KE 级联作为基于 ML 的海洋状态预测的物理约束，并展示了其跨气候的鲁棒适应性，为面向当前与未来条件的全球 ML 模型的进一步发展提供了指导。
引用
@article{arxiv.2509.18741,
title = {Climate-Adaptive and Cascade-Constrained Machine Learning Prediction for Sea Surface Height under Greenhouse Warming},
author = {Tianmu Zheng and Ru Chen and Xin Su and Julian Mak and Gang Huang and Bingzheng Yan},
journal= {arXiv preprint arXiv:2509.18741},
year = {2026}
}