对流过程的准确表征对于天气、气候模拟至关重要。虽然经历了数十年的发展，基于简化的物理定律、有限的观测数据和经验关系建立的传统对流参数化方案依旧是模式偏差和不确定性的主要来源之一。近年来，机器学习（ML）方法为对流方案的构建提供了新思路。一方面，基于观测/再分析数据构建的ML对流方案有效提升了对流过程的模拟能力，但难以与已有物理模式耦合开展在线稳定模拟；另一方面，基于高分辨率或云可分辨模式模拟数据构建的ML对流方案更精细地刻画了对流过程，但其在线稳定性和对动力场的改进仍有限。因此，如何同时提升ML对流方案在线稳定性和模拟性能对“ML+物理”混合模式的发展至关重要。

中国科学院大气物理研究所地球系统数值模拟与应用全国重点实验室模式团队成员基于不同分辨率的格点大气环流模式GAMIL3，创新性地提出一种对流方案训练的新策略（图1）：从模式端到分析端，构建以高分辨率同化数据为目标，融合观测信息的ML对流方案，并通过与低分辨率GAMIL3耦合建立了“ML+物理”混合模式。

研究发现，基于新对流方案的混合模式有效降低了GAMIL3中高纬地区的温度偏差，且这种改进效果与高分辨率同化带来的改进效果相似（图2）。相比之下，以传统模型训练策略构建的对照ML方案并未表现出这种改进效果，验证了ML新训练策略的有效性及观测信息的有效融合。此外，ML对流方案通过改进热带湿物理过程的模拟，抑制了热带对流降水的过度产生，有效缓解了模式中长期存在的热带对流降水高估偏差（图3）。

融合观测信息的ML对流方案为ML物理方案的研发提供了新思路，既通过融合观测信息提升“ML+物理”混合模式模拟性能，又通过观测信息的校正功能改善了混合模式的稳定性。本研究还为使用数据同化改进模式提供了新视角和新途径，对于未来利用机器学习方法稳定提升气候模拟性能、推动人工智能在数值模式中的推广与应用以及新一代数据与物理双驱模式的发展具有重要的参考价值。

该研究成果近期发表于《Geophysical Research Letters》上，论文第一作者为中国科学院大气物理研究所博士毕业生黄俊捷（现安徽省气象信息中心工程师），李立娟研究员为论文通讯作者，来自中国科学院大气物理研究所、国家气象信息中心、安徽省气象信息中心、安徽省气象台的多位专家学者参与了该研究。该研究得到国家自然科学基金项目（42230606和42288101）等的资助以及国家重大科技基础设施项目“地球系统数值模拟装置”的支持。

论文信息：

Huang, J., Li, L., Liao, W., Wang, B., Pu, Y., Xie, F., et al. (2026). Observation-informed machine learning convective scheme: A new training strategy. Geophysical Research Letters, 53, e2025GL120062. https://doi.org/10.1029/2025GL120062

图1 不同ML模型训练策略示意图。ML方案中，输入来自CTRL试验，输出来自Nudging试验，为新训练策略；ML_CC和ML_NN的输入和输出分别来自CTRL试验和Nudging试验，为传统训练策略。

图2（a）高分辨率未同化，（b）高分辨率同化，（c）低分辨率GAMIL3和（d）混合模式中850hPa温度场均方根误差的空间分布情况。其中高分辨率试验为第4天日平均，低分辨率试验为第16天日平均。各子图右上角为空间平均值。

图3 （a）TRMM观测，（b）低分辨率GAMIL3和（c）混合模式中热带区域对流降水与总降水之比的空间分布。图（b-c）右上角为各试验与观测均方根误差的空间平均。