大模型时代，纯数据驱动的气象、气候模型效果逐渐追赶甚至赶超数值模式。然而，目前气象、气候大模型也仍然存在不少问题。比如物理一致性不高、辐散风预报效果不好等等，这些问题限制了对于降水等复杂天气气候现象的预测能力。目前，将物理、大气动力与深度学习模型结合成为提升模型能力，解决目前瓶颈问题的一条重要途径。中国科学院大气物理研究所LASG黄刚研究员团队基于地球系统数值模拟装置（寰）的数据和算力支持，从物理变量耦合关系角度出发，结合图神经网络对多变量进行物理软约束，提升了数值模式的降水预报技巧，在物理和AI的融合方向做了一些尝试和探索。

　　针对降水预报的难点问题，尤其是强降水的预报问题，团队从降水的影响要素和发生机制出发，结合omega方程和水汽方程等进行变量筛选、构建变量耦合图网络。Omega方程和水汽方程分别描述了垂直运动和水汽变化，均为影响降水的重要因素。从图网络的角度来看，前述方程反应了基本的物理量（温、风、湿等）的非线性组合与降水关键要素之间的关系，因而可以将其抽象为图网络，通过图网络间变量（节点）和变量间关系来表征不同物理变量间的组合及耦合。同时，考虑到气候因子对于天气尺度的影响，尤其是不同气候背景下模式误差系统性的差异，本研究将季节、ENSO等气候因子和起报时间等稀疏数据使用entity embedding技术嵌入校正模型，以区分不同背景下的误差；此外，针对降水过程，本研究对图神经网络ChebNet进行局地化改进，使其基本保持效果的同时，避免全局运算，大幅降低计算复杂度。

图1 omega-GNN模型示意

　　模型比对结果表明，该研究提出的两个物理约束模型omega-GNN和omega-EGNN相较于数值模式，显著提升各分类降水预报技巧，同时其性能优于目前主流的无物理约束深度学习模型（如U-NET，3D-CNN等）。此外，该研究对所有深度学习模型均进行了十组扰动，使其可以进行集合预报。结合诊断和个例分析发现，物理约束的模型显著优于无物理约束模型，对于强降水的预报，omega-GNN模型和omega-EGNN模型集合间一致性更高，且预报技巧更好（图2）。

图2 各模型（a）TS评分，（b-g）相对于数值模式的TS差值空间分布（20mm/6h阈值以上降水）。（a）中error bar为集合间标准差。

　　“我们团队在气候动力方向有较多积累，近几年在利用AI提升天气气候预测方向做了一些尝试，相关成果多次获得相关大赛奖项。在AI大模型时代下，物理如何与AI融合是一个大问题，有许多融合的途径和思路。我们结合大气、气候动力的一些思考，从物理耦合的角度对模型进行软约束，在这个方向上做了一些尝试，希望可以为相关领域提供一些增量信息。”论文通讯作者黄刚研究员说到。

　　该工作由中国科学院大气物理研究所硕士生陈昱同、汪亚博士、黄刚研究员和中国气象局广州热带海洋气象研究所田群博士合作完成，近日发表在《Geophysical Research Letters》。

　　本研究受到国家自然科学基金（(42261144687，42141019）、第二次青藏高原综合科学考察研究项目（2019QZKK0102）共同资助。同时，本研究得到地球系统数值模拟装置（寰）的算力和数据支持。

　　Chen, Y., Wang, Y.*, Huang, G.*, & Tian, Q. (2024). Coupling physical factors for precipitation forecast in China with graph neural network. Geophysical Research Letters, 51, e2023GL106676. https://doi.org/10.1029/2023GL106676