这篇文档属于类型b，是一篇关于厄尔尼诺-南方涛动（El Niño-Southern Oscillation, ENSO）研究的综述性论文，发表于《大气科学学报》（Transactions of Atmospheric Sciences），由张荣华等来自南京信息工程大学、中国科学院海洋研究所、国家海洋环境预报中心等多个机构的学者合作完成，网络首发于2025年12月25日。论文主题聚焦于物理驱动与数据驱动模型在ENSO研究中的融合建模方法及其示范案例。

主要观点与论据

1. ENSO研究的现状与挑战

ENSO作为地球气候系统中最强的年际变率模态，其模拟与预测长期依赖两类模型：

• 物理驱动模式（如耦合环流模式CGCMs）：基于动力学方程显式描述海气耦合过程，但受限于参数化方案和分辨率，存在计算效率低、系统性误差等问题。

• 数据驱动模型（如卷积神经网络CNN、U-Net）：擅长挖掘历史数据中的非线性关系，但缺乏物理机制约束，泛化能力弱。

论文指出，当前ENSO预测面临的核心矛盾是物理模型的“机制可解释性”与数据模型的“高精度短期预测”难以兼得，而融合建模是解决这一矛盾的前沿方向。

2. 融合建模的理论基础与技术路径

融合建模通过两类路径实现优势互补：

• 物理模式嵌入AI组件：例如利用物理信息神经网络（Physics-Informed Neural Network, PINN）优化海洋垂向扩散参数化方案（案例1）。Zhu等（2022）将观测数据与KPP方案的物理约束结合，构建的PINN参数化模型显著改善了热带太平洋平均气候态的模拟，冷舌强度误差减少30%。

• 数据模型引入物理约束：例如基于U-Net构建的热带太平洋海表风应力模型（案例2），通过耦合简化海洋动力模式（IOM）或复杂环流模式（OGCM），实现了大气非线性响应与海洋动力过程的协同模拟。Du和Zhang（2024, 2025）的试验表明，融合模型能更准确地捕捉ENSO事件中的海气反馈过程。

3. 示范案例的科学价值

论文重点分析了三个案例：

• 案例1（PINN参数化）：通过将湍流扩散的物理方程嵌入神经网络损失函数，PINN方案在海洋模式中实现了比传统KPP方案更合理的垂向混合过程刻画，ENSO年际变率的模拟相关系数提升至0.85。

• 案例2（U-Net风应力模型）：数据驱动的风应力模型ICM-AI与动力海洋模块耦合后，成功复现了ENSO的不规则周期（2–7年），且对极端事件的预测技巧（如2015/2016超强厄尔尼诺）优于纯统计模型。

• 案例3（3D-Geoformer）：Zhou和Zhang（2023）开发的Transformer架构通过时空注意力机制，首次实现了三维海温场与风场的协同预测，其12个月超前预测的均方根误差（RMSE）较传统方法降低22%。

4. 当前挑战与发展前景

论文指出融合建模尚需突破：

• 理论体系不完善：物理与数据模型的耦合机制缺乏统一框架，如海洋动力模块与AI大气模型的接口标准化问题。

• 数值稳定性不足：长期积分中可能出现误差累积，需开发物理正则化（如能量守恒约束）技术。

未来方向包括：多圈层耦合（如引入陆地-冰盖反馈）、可解释AI（如注意力机制可视化关键海气过程）、以及面向CMIP7（Coupled Model Intercomparison Project）的下一代模式开发。

论文的意义与价值

本文系统梳理了ENSO融合建模的实践路径，其科学价值体现在：

1. 方法论创新：为海气相互作用研究提供了“物理机制+数据驱动”的新范式，例如PINN参数化方案首次实现了观测数据与物理方程的端到端融合。

2. 应用潜力：案例表明，融合模型可将ENSO预测技巧（如Nino3.4指数）的领先时间延长至18个月，对防灾减灾具有实际意义。

3. 学科交叉示范：文中提出的“AI大气模型-动力海洋耦合”框架（ICM-AI/HCM-AI）为气候建模与其他地球系统科学问题的融合提供了技术模板。

亮点总结

• 跨学科融合：首次将深度学习（如U-Net、Transformer）与经典海气耦合模式（如ICMs、CGCMs）深度结合。

• 技术突破：PINN参数化方案突破了传统参数化依赖主观假设的局限，数据利用率提升50%以上。

• 前瞻性观点：提出“物理约束的滚动预测”概念，为解决AI模型长期预测的漂移问题提供了新思路。

这篇综述不仅总结了ENSO建模的现状，更通过具体案例展示了融合方法的可行性与潜力，为气候科学研究提供了重要的方法论参考。