https://iap.cas.cn/gb/xwdt/kyjz/202511/t20251103_8005027.html
全球极端事件频发，而它们的发生发展多与多圈层物理量间非线性相互作用紧密联系，但目前天气-气候尺度极端事件预报预测精度受到初始条件准确性的约束。因此，如何采用准确、高效的同化方法针对耦合模式开展初始化，是当前极端事件预报预测的关键技术难点之一。而目前广泛使用的传统同化方法主要依赖背景误差协方差线性估计变量间的物理关系，其在捕捉变量间复杂的非线性相互作用特征上存在明显不足，进而限制了对小概率极端事件的同化性能，也一定程度制约了极端事件预报预测能力的提高。
针对以上问题，中国科学院大气物理研究所博士生宣子盈、郑飞研究员、夏江江副研究员与朱江研究员利用深度神经网络（DNN）和长短期记忆网络（LSTM）模型，提出了非线性集合同化新方法。该方法通过准确提取多变量间的非线性关系特征，通过时间演变约束，显著提升了集合同化方法对极端事件的同化能力，展现了数据驱动策略在极端事件模拟预测中的重要潜力。
研究团队首先基于热带地区强海气相互作用特征揭示了非线性组分在变量关系中的普遍性和重要性，并证实了人工智能（AI）方法的确能够有效捕捉海气圈层变量间的非线性关系。随后，团队基于Lorenz 63海气耦合模式开展单变量观测同化试验，进一步探索了深度学习（DL）在海气耦合非线性同化中的表现能力。通过与传统集合卡尔曼滤波（EnKF）方法的同化性能进行比较（图1），EnKF方法得到的分析场多集中于正常事件，严重低估了极端事件的发生概率，也进一步体现了线性背景误差协方差的同化不足。而数据驱动+时间演变约束的DL新同化方法能更准确地再现变量的真实分布特征，特别是物理量的多峰分布结构再现能力显著提升，对小概率极端事件的同化精度提升最高可达66%。
图1 单变量观测同化试验中同化Sy得到的多变量分析状态分布图。灰色线为真实变量分布，橘色和绿色线分别代表EnKF和新方法的分析结果。图例中的数值为分析场与真值之间的概率分布相似度（Jensen-Shannon散度），及新方法较EnKF的相似度改进百分比。灰色虚线代表15%和85%百分位阈值，即灰线外代表小概率极端事件。
这一性能差异源于两类同化框架对变量间物理关系的刻画能力不同。传统EnKF同化框架主要基于变量关系的线性假设，导致在处理非线性同化问题时，该类方法难以实现观测信息在变量间的正确传递。相比之下，数据驱动的DL新同化方法能够较为准确地刻画物理量间随时间变化的非线性关系，进而实现了观测更新量（高斯分布）向先验预报场的非线性投影，最终生成更符合实际的非高斯分析场，有效提升了对极端事件的同化能力（图2）。
图2同化中分析增量和观测更新量散点及分布图。橙色、绿色与灰色散点分别代表观测更新量（高斯分布）与EnKF分析增量（类观测的高斯分布）、DL新方法的分析增量（非高斯分布）、以及真实场之间的对应关系。同色曲线则表示对应变量各自的概率密度分布。
相关研究成果最新发表于期刊《Geophysical Research Letters》上，得到国家自然科学基金重点基金（42430114）等项目资助。
论文信息：
Xuan, Z.-Y., F. Zheng*, and J. Zhu, 2024: The effectiveness of machine learning methods in the nonlinear coupled data assimilation. Geosci. Lett., 11, 43, doi: 10.1186/s40562-024-00347-5.
Xuan, Z.-Y., F. Zheng*, J.-J. Xia, and J. Zhu, 2025: Improving the assimilation ability for the extreme events by proposing a nonlinear machine learning data assimilation approach. Geophys. Res. Lett., 52, e2025GL118319, doi: 10.1029/2025GL118319. | 
发表于 
