降水，作為水循環(huán)的核心環(huán)節(jié)，對人類社會活動和自然生態(tài)系統(tǒng)具有至關(guān)重要的影響。然而，準確模擬降水，尤其是極端降水事件和其日變化特征，一直是氣候科學領(lǐng)域的巨大挑戰(zhàn)。傳統(tǒng)的通用環(huán)流模型（GCM）在這方面表現(xiàn)不佳，其模擬的降水偏差有時甚至與氣候變化本身帶來的預(yù)估變化幅度相當，這嚴重削弱了我們對未來區(qū)域氣候變化的預(yù)測信心，也制約了有效的氣候適應(yīng)規(guī)劃。從CMIP5到CMIP6，盡管在減少降水偏差方面取得了一些進展，但在模擬極端高影響事件方面改善有限，凸顯了提升GCM降水模擬逼真度的迫切性。

當前GCM的降水偏差主要歸因于深對流參數(shù)化方案的缺陷。為解決此問題，科學家們探索了三種主要途徑：一是公里尺度的全球風暴解析模型，但其計算成本高昂，難以用于長期氣候模擬；二是純機器學習（ML）大氣模型，在短期預(yù)報中表現(xiàn)出色，但在長期降水統(tǒng)計方面尚未超越傳統(tǒng)GCM；三是結(jié)合機器學習與物理的混合模型，但以往的嘗試嚴重依賴高分辨率模擬數(shù)據(jù)而非直接觀測，且常面臨不穩(wěn)定性、氣候漂移和大偏差等問題，導致其在真實氣候模擬中仍不具備競爭力。

在此背景下，一項發(fā)表于《SCIENCE ADVANCES》的研究帶來了突破。研究人員在可微分NeuralGCM框架的基礎(chǔ)上，開發(fā)了一種直接利用衛(wèi)星降水觀測進行訓練的混合模型，顯著提升了降水模擬在氣候背景和天氣預(yù)報兩方面的技能。

為開展此項研究，研究人員主要應(yīng)用了以下幾項關(guān)鍵技術(shù)：基于可微分動力核心和神經(jīng)網(wǎng)絡(luò)參數(shù)化的混合建模框架，實現(xiàn)了端到端的在線訓練；利用IMERG V07衛(wèi)星降水觀測和ERA5再分析數(shù)據(jù)作為訓練和驗證數(shù)據(jù)集；引入了基于大氣水柱守恒的物理約束，通過神經(jīng)網(wǎng)絡(luò)預(yù)測降水率并診斷蒸發(fā)率；采用隨機訓練策略，逐步增加預(yù)報軌跡的滾動時長；使用連續(xù)分級概率評分（CRPS）等概率評估指標對模型性能進行量化。

研究的核心是NeuralGCM模型，它包含一個可微分動力核心和一個學習的物理模塊（即神經(jīng)網(wǎng)絡(luò)參數(shù)化）。這種架構(gòu)使得模型完全可微分，便于端到端訓練。與之前依賴ERA5數(shù)據(jù)訓練的NeuralGCM不同，本研究直接優(yōu)化基于衛(wèi)星的降水觀測（IMERG）。為了實現(xiàn)物理一致性和穩(wěn)定性，研究者引入了關(guān)鍵修改，特別是通過一個神經(jīng)網(wǎng)絡(luò)從大氣柱狀態(tài)預(yù)測降水率，并通過強制執(zhí)行水柱守恒來診斷蒸發(fā)率。這解決了同時優(yōu)化IMERG降水和ERA5水變量（比濕、云變量、蒸發(fā)率）時存在的目標沖突問題。

在天氣預(yù)報方面，研究評估了NeuralGCM在2020年（訓練數(shù)據(jù)保留年）的732個初始條件下、50個成員的集合預(yù)報表現(xiàn)。結(jié)果顯示，在2.8°分辨率下，NeuralGCM在連續(xù)分級概率評分（CRPS）、集合平均均方根偏差（RMSB）、展寬技能比和布里爾評分（0.95分位數(shù)）等所有指標上，在15天預(yù)報期內(nèi)均優(yōu)于ECMWF集合預(yù)報系統(tǒng)（ENS）。這一優(yōu)勢在針對IMERG和GPCP（未參與訓練）的24小時累積降水評估中均成立，并且在陸地區(qū)域的評估中也保持穩(wěn)定。

為了測試NeuralGCM在氣候模擬中的技能，研究進行了使用2001年37個初始條件的20年模擬，并規(guī)定了歷史海表溫度（SST）和海冰濃度。模型在多個方面與CMIP6模型、ERA5再分析數(shù)據(jù)和GFDL的X-SHiELD全球云解析模型進行了比較。

分析顯示，與IMERG觀測相比，37個NeuralGCM模擬的全球平均絕對誤差（MAE）為0.45毫米/天，比37個CMIP6 AMIP實驗的0.74毫米/天誤差降低了40%。NeuralGCM的誤差與ERA5相當，但值得注意的是，NeuralGCM是自由運行的（僅受SST和海冰范圍強迫），而ERA5每12小時同化一次觀測。

NeuralGCM在模擬熱帶地區(qū)24小時降水率的頻率分布方面，無論是弱降水還是極端降水，都比ERA5和代表性的CMIP6模型（如IPSL-CM6A-LR）更接近IMERG的分布。在模擬年最大日降水（Rx1day）的空間格局方面，NeuralGCM也比ERA5和CMIP6模型更準確，在陸地上的MAE比CMIP6模型降低了38%至55%。

在表征夏季降水晝夜循環(huán)方面，NeuralGCM在捕捉陸地降水質(zhì)心時間上明顯優(yōu)于ERA5和GFDL AMIP模擬。后兩者表現(xiàn)出眾所周知的“提前偏差”，降水峰值錯誤地出現(xiàn)在中午前后，而NeuralGCM將峰值推遲到下午晚些時候和傍晚，與觀測結(jié)果更為一致。在海洋區(qū)域，所有模型與觀測結(jié)果基本一致，都能捕捉到特征性的夜間或早晨降水最大值。

本研究展示了如何通過結(jié)合可微分動力核心和神經(jīng)網(wǎng)絡(luò)參數(shù)化，使NeuralGCM能夠聯(lián)合在ERA5和觀測產(chǎn)品上訓練，為利用觀測知識提高大氣模擬逼真度提供了一個令人信服的范例。當在IMERG衛(wèi)星降水數(shù)據(jù)上訓練時，NeuralGCM能夠進行十年尺度的穩(wěn)定模擬，并在準確模擬降水的平均狀態(tài)、極端事件和晝夜循環(huán)等關(guān)鍵方面顯著優(yōu)于傳統(tǒng)GCM和ERA5。此外，該模型計算效率極高，在單個張量處理單元（TPU）上每天可模擬約1200個模擬年，有利于大集合預(yù)報。

盡管存在模型分辨率較低、需要訓練多個模型以篩選穩(wěn)定版本以及處理不同數(shù)據(jù)集間不一致性等局限性，但這項研究標志著在改進物理模型以更好地符合觀測方面邁出了重要一步。它證明了低分辨率混合模型在降水預(yù)測方面可以大幅超越先進的業(yè)務(wù)預(yù)報系統(tǒng)，并為未來利用可微分建模框架耦合傳統(tǒng)參數(shù)化方案并優(yōu)化其參數(shù)，從而基于觀測數(shù)據(jù)改進物理模型開辟了道路。這項工作為發(fā)展更可靠的氣候模擬和天氣預(yù)報工具奠定了堅實的基礎(chǔ)，展示了將數(shù)據(jù)驅(qū)動方法與物理約束相結(jié)合的巨大潛力。