

青果期刊 | 大气所：深度学习显著提升对极端事件的同化能力

青研之家

2025-11-07

导读：中科院大气所博士生宣子盈、郑飞研究员等近期发表标题为《通过提出非线性机器学习数据同化方法提高极端事件的同化能力》的文章。

研究概要：

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。该研究利用深度神经网络（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。同时基于Lorenz63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，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。

研究表明：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。

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

同化中分析增量和观测更新量散点及分布图

核心PI

郑飞	中国科学院大气物理研究所

简介：

朱彪，中国科学院大气物理研究所研究员，博士生导师。2007年毕业于中国科学院大气物理研究所获博士学位，随后留所担任助理研究员，2010年聘为副研究员，期间曾去往美国马里兰大学地球科学研究中心访问学习，2016年聘为研究员。曾获“谢义炳”青年气象科技奖、军队科技进步二等奖、中国气象学会气象科技进步成果奖一等奖、“赵九章”优秀中青年科学家奖、山东省自然科学奖一等奖等荣誉。

研究及招生方向：

1、海气相互作用

2、短期气候预测

3、数据资料同化

主要科研项目：

1、国家自然科学基金国际(地区)合作与交流项目，41861144015，东南亚区域年际气候变率机理与预测研究，2019/01-2021/12，160万元，在研，主持；

2、国家自然科学基金面上项目，41876012，改进ENSO预测模型与同化海洋盐度新观测，2019/01-2022/12，62万元，在研，主持；

3、科技部国家重点研发计划课题，2017YFA0604201，耦合框架下高分辨率海洋资料同化系统的研制，2017/07-2022/06，338万元，在研，主持；

2、

文章信息：

上述研究成果发表于国际权威期刊《Geophysical Research Letters》。中国科学院大气物理研究所博士生宣子盈为文章第一作者，郑飞研究员为文章通讯作者。该得到国家自然科学基金重点基金（42430114）等项目资助。

论文发表：

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.

点击文末“阅读原文”可查看相关原文。

青研有你知新无他感谢大家的关注~

【声明】内容源于网络

青研之家

青研之家是一个有趣的、开放的、有技术含量的共享平台，是所有新一代青年研究员、青年学者分享知识、创造灵感的网络社区。

内容 465

粉丝 0

青研之家青研之家是一个有趣的、开放的、有技术含量的共享平台，是所有新一代青年研究员、青年学者分享知识、创造灵感的网络社区。

总阅读467

粉丝0

内容465