《Science Advances》| 物理一致的隐空间资料同化方法

Science Advances | 物理一致的隐空间资料同化方法

https://www.science.org/doi/full/10.1126/sciadv.aea4248

一、研究背景

1.1 什么是资料同化？

资料同化（DA）旨在融合观测与 模式预报（背景场）等多源信息，以估计动力系统的最优状态。在大气科学中，它既用于为数值天气预报提供高质量初值，也用于生成再分析数据集，对天气预报与气候研究都具有重要意义。

1.2 为什么物理一致性对资料同化重要？

如果同化得到的“分析场”缺乏物理一致性，往往会触发不平衡调整，降低后续预报的稳定性与可预报性；同时也会削弱再分析数据在气候诊断与归因研究中的可信度。

1.3 传统资料同化算法如何保证物理一致性，有什么局限性?

• 传统贝叶斯同化（如 4DVar、EnKF）通常通过背景误差协方差矩阵B来表征变量之间的物理关联，从而约束分析增量并提升一致性。
• 但 B 的可靠估计非常困难：维度极高，且误差统计随天气形势不断变化（流依赖）。因此在实践中往往不得不依赖大量经验性简化与调参，这也成为进一步提升同化性能的关键瓶颈。

1.4 AI同化算法做的怎么样？

近几年 AI 资料同化逐渐兴起，大致有三条路线：

• 给传统同化打“补丁”： 例如改进观测质量、降低计算开销、或对分析结果做后处理。由于同化框架本身不变，整体性能上仍较难突破由 B 矩阵建模带来的限制。
• 生成式/扩散式同化（diffusion-based）：以扩散模型为核心，用观测来引导生成过程，把观测信息逐步“纠正”进结果里。但该方案观测与先验的融合多依赖启发式设计，且难以显式考虑背景场与观测不确定性与模式动力学约束，性能有限。
• 端到端同化（end-to-end）： 把再分析资料（通常是ERA5）当“标签”，直接学习从观测+背景到分析场的映射，具有非常好的分析性能，但往往难以像传统贝叶斯同化那样系统地融入各种先验信息（不同误差来源、动力学约束等），而物理约束也常是“隐式学到”，可控性与可解释性不足。

二、隐空间资料同化方法

2.1 方法简介

隐空间资料同化（Latent Data Assimilation, LDA）的基本流程是：先用自编码器（Autoencoder）的编码器（Encoder）将高维背景场编码为隐变量 zb，再集合观测 y 在隐空间中进行变分同化得到隐空间分析 za，最后通过解码器（Decoder）将 za 还原为模式空间分析场 xa。

2.2 隐空间下的背景误差协方差矩阵

尽管隐空间维度显著降低，但若使用满秩的隐空间背景误差协方差矩阵 Bz，其规模仍可达109量级，工程上难以求解。但在实践中发现，在物理空间复杂的协方差关系在隐空间消失了，Bz 天然近似对角，因此可以用对角近似。这显著降低了隐空间同化的工程实现难度。

2.3 实现细节

 数据集：采用 1.41∘ 分辨率的 ERA5 再分析数据集。

 观测：使用 GDAS 常规观测，包括地面观测与探空观测。

 预报模型：采用上海人工智能实验室开发的 FengWu 的低分辨率简化版本。

 自编码器（AE）：采用基于 Swin-Transformer 的结构。

 同化算法：在隐空间分别实现三维变分与四维变分，同化方案记为 L3DVar 与 L4DVar。其中 L4DVar 需要预报模型（FengWu）在同化窗内提供动力传播。代价函数在 PyTorch 框架下用自动微分直接优化，求解过程不需要构造伴随模型。

 背景误差协方差 Bz： NMC方案。

三、LDA同化效果

理想观测同化-预报试验（图A）

平均来看，L4DVar 相对 4DVar 的分析误差再降 5.1%，并且在多数变量上能把优势维持到后续预报期。

L3DVar 相对 3DVar 也有提升（约 3%），但不如 L4DVar ，说明“把模型动力学纳入隐空间同化”非常关键。

真实观测同化-预报试验（图B）

在 GDAS 常规观测下，4DVar 与 L4DVar 都能提升预报技能，且 L4DVar 在几乎所有变量上更优。

预报最初时段 L4DVar 与 4DVar 表现接近，随后 L4DVar 优势更明显。这可能是因为4DVar 分析场可能含有小尺度噪声，短期验证指标“虚高”，也即 “assimilation shock”

真实观测循环同化试验（图C） - 在 2017 年循环同化中，用未同化观测验证分析场：69 个变量中有 54 个变量，L4DVar 分析更准；平均误差降低约 5%。

用预报场训练AE会怎么样（图D）?

我们将 AE 的训练数据从 ERA5 再分析改为 FengWu 的 5 天预报场，并在此基础上测试 L4DVar（记为 L4DVar-FC）的性能：

尽管预报场误差更大，L4DVar-FC 的循环同化分析质量与用 ERA5 训练 AE 的结果 接近，并且仍然优于传统 4DVar。

同化后的分析误差还可以低于训练预报场本身的平均误差（图中虚线），说明 LDA 具有超越其训练数据精度的潜力。

四、LDA的物理一致性

4.1 单点同化试验：

在 L3DVar 中使用静态、对角的 Bz ，仅对 500 hPa 位势高度（Z500）施加一个单点扰动（+200m2/s2），分别将扰动中心放在中国（北半球）与澳大利亚（南半球）。背景场取 2017-12-01 00 UTC 的 ERA5。图中给出位势高度与风场的分析增量（第一行），以及温度增量与背景风场（第二行）。

位势高度增量从扰动中心向外衰减，并诱发明显的反气旋式风场增量。

更关键的是，风场响应在南北半球方向相反，符合与 500 hPa 上的地转平衡。

对应的温度增量沿背景风场分布，呈现与背景流型一致的结构特征。

在相同的观测增量下，不同背景案例得到的分析增量存在差。

这些结果表明：LDA具有内在的物理一致性与流依赖特性。

4.2 LDA为什么具有内在物理一致性？

通过测试不同物理量对隐空间变量的响应（图A），我们发现：

不同隐空间变量总是稳定地编码特定物理量的组合。

不同隐空间变量表征的信息近乎正交（请见原文补充材料Fig. S6）

敏感性测试表明（图B）：

耦合性强的变量（Z500）在被平滑后仍能被 AE 恢复出绝大部分信息

耦合性弱的变量（Q500）被平滑后则很难被AE恢复。

以上结果说明 隐空间已经直接捕捉了变量间的依赖关系, 因此LDA不必依赖一个结构化的 Bz 来“强行”施加物理约束。

五、为什么可以在隐空间同化？

如何确保在不可解释的隐空间获得的最优分析，经过非线性解码器后仍对应模式空间的最优解？

本研究发现，在同化更新所涉及的局部邻域内，AE 的解码器呈现近似“局部仿射”特性（即一阶泰勒展开在该范围内成立）。在这一条件下可以证明，隐空间变分同化与模式空间变分同化得到的分析解是近似一致的。

直观来说，在解码器为线性（仿射）映射时，隐空间代价函数继承了模式空间代价函数的凸性，从而保证二者解的一致性。

六、隐空间大小该如何选取？

本文对比了不同隐空间压缩率下 LDA 的表现及 AE 的重构误差，发现：

LDA 在较宽的压缩范围内都优于模式空间同化，其中 L4DVar 对隐空间大小更不敏感。

随着压缩率升高，AE 的重构误差增大。

LDA 性能随压缩增强呈现“先升后降”，最优压缩率在不同试验设置下都稳定在32 倍。

研究发现，这种“先升后降”的趋势可以由一个trade-off解释：压缩增强会促进隐变量去相关，使 Bz 更接近对角、同化更有效；但压缩过强会带来更大的重构误差并丢失关键信息，反而削弱同化效果。

进一步地，Bz 的对角性会随压缩率上升逐渐趋于饱和，而重构误差则持续增大，因此最优隐空间大小是客观存在的，可通过对不同压缩率的对比实验搜索获得。

七、本文局限性与未来方向

AE 重构误差与表征能力：LDA 的效果会受到 AE 重构误差的限制，因此需要更强的 AE 设计；同时隐空间可能难以充分表征极端结构，未来可与其他资料同化或 AI 方法结合，以提升对极端天气的同化能力。

误差建模仍偏理想化：目前隐空间背景误差仍采用高斯假设，且缺乏系统的不确定性估计；未来需要探索集合式或更非线性的 LDA 形式来改进。

L4DVar 的适用性：现阶段 L4DVar 依赖可微分预报模型，因此主要适用于 AI 预报系统；L4DVar 与传统数值预报模式的结合方式仍需进一步探索。

非常规观测的推广：本文主要验证了常规观测条件下的效果；在卫星辐射、雷达等非常规观测及其更复杂的观测算子与误差特性下，LDA/L4DVar 的适用性与增益仍需进一步评估。

本研究由上海人工智能实验室、美国哥伦比亚大学、南京信息工程大学和香港中文大学联合完成。第一/通讯单位为上海人工智能实验室。通讯作者为上海人工智能实验室青年科学家白磊、香港中文大学博士后费奔，以及南京信息工程大学教授刘玉宝。第一作者樊航曾为上海人工智能实验室实习生，现为哥伦比亚大学博士后。如有相关问题，欢迎联系：hf2526@columbia.edu

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。