机器学习揭示海洋在快速大气演化中的作用
大气与海洋物理
2026-03-03 v2
摘要
近年来，有大量努力开发机器学习大气模拟器，以取代物理模型。目前这些模型主要集中在中短期天气预报领域，这些“机器学习天气预报”（MLWP）模型能够超越主流运营预报中心。然而，由于此前导向较短的时间尺度，许多这些模拟器忽略了海洋的作用，也不将海洋变量作为输入。我们假设，这些 MLWP 模型通过在没有海洋数据访问的情况下，从大气状态中隐式推断海洋条件，已经学习了大气演化的最佳猜测。将这一限制转化为优势，我们利用它作为研究海洋对大气演化作用的手段。通过探讨模型预报误差如何与海-空界面属性相关，我们推断这些大气模拟器能够从大气数据中推导哪些海洋信息，哪些则无法推导。这一分析揭示了海洋如何在快速时间尺度上独立影响大气的区域和过程。我们针对 GraphCast 进行了此类分析，发现海-空属性与海洋上的预报误差之间存在明确的关联，包括明确的季节性效应。随后，我们探讨了这一发现对 GraphCast 内部对海洋表征的揭示。除了理解现实世界的海-洋相互作用外，这一分析还为改进 MLWP 模型的预报技能和物理现实性提供了指导，并为未来的机器学习模型在短时间尺度上如何使用海洋信息提供了指引。
引用
@article{arxiv.2602.01904,
title = {Role of the ocean for fast atmospheric evolution revealed by machine learning},
author = {Bobby Antonio and Kristian Strommen and Hannah M. Christensen},
journal= {arXiv preprint arXiv:2602.01904},
year = {2026}
}