从自然界学习：GraphDOP 对地球系统表征的洞见

通过一系列实验，我们提供了证据表明，GraphDOP 模型——该模型仅基于气象观测训练，未使用任何先验知识——会发展出对地球系统状态、结构和动力学以及不同观测系统特征的内部表征。首先，我们展示了该网络构建了一个统一的地球系统状态潜在表征，这种表征跨越不同的观测类型。例如，云结构在针对来自不同传感器的卫星辐射的预测以及针对云浓度直接现场测量的预测中都保持物理一致性。其次，我们展示了一些例子表明，该网络学习到了模拟观测效应——将统一状态表征映射到观察属性的学习观测算子。微波声学仪器 limb 效应以及几何观测效应（例如可见光图像中的日晷效应）都得到了很好地捕获。最后，我们展示了该模型发展出了丰富的气象系统结构及其动力学的内部表征。例如，当该网络仅接收来自单个红外仪器的观测时，就能够推断出未观察到的、非局部的结构，如喷气流、表面气压模式以及与气象系统相关的温暖和冷空气质量。这项工作提供了关于仅凭地球系统观测训练的神经网络如何自发发展出 coherent 内部表征以满足训练目标的洞见，增强了我们对这些模型的理解，并指导了未来的模型开发。