观潮 · 模式预报与气象 AI 观察
AIFS Marine 把海浪、海冰和表层海洋并进一个模型：中期预报技巧多出约 1 天，有效波高误差降 10%
> 传统地球系统预报把大气、海洋、海浪、海冰分给专门的模式，靠显式耦合器交换信息——每个组件各有一套网格、时间步和参数化，耦合本身就是误差和不稳定的来源。ECMWF 这篇把海浪、海冰和表层海洋直接并进了它的机器学习预报系统 AIFS，得到原型 AIFS Marine：一个模型同时学大气与海洋分量的物理一致关系，训练数据用 ERA5 加专门的海浪后报加 ORAS6 海洋再分析。结果上，几乎所有被评估的海洋变量都有技巧，中期时效的精度大致相当于比物理模式多出 1 个预报日；对卫星观测的有效波高均方根误差降约 10%，两个半球的海冰边缘预报都改善。大气侧的预报技巧基本不变，显式海冰还改善了冰缘附近的近地面温度。作者也交了底：海表面高度是主要例外，机器学习模型随预报时效发展出负偏差，可能与长期海平面上升信号有关；压力测试不证明每个预报都物理正确。
缺的是哪一块
传统地球系统预报的分工是：大气一个模式、海洋一个模式、海浪一个模式、海冰一个模式，选中信息通过显式耦合交换。这套架构运作了几十年，代价是组件间的界面成了新的误差源——每个组件有自己的网格和时间步，耦合频率、插值、守恒约束都要单独设计。
机器学习预报这几年的进展集中在单分量：AIFS Single 学大气，海浪版本的 AIFS Waves 也已在业务 AIFS v2 里与陆面分量一起跑。但海气界面上那些真正耦合的现象——风吹出浪、浪在冰缘衰减、热带气旋通过风驱动混合冷却海面——在单分量模型里是学不到的，因为模型根本看不到另一侧的变量。
AIFS Marine 要补的就是这一块：把海表面温度、盐度、海面高度、海冰等一组紧凑的海洋与海冰变量加进模型状态，让模型在一次训练里学会这些跨界关系。
模型怎么搭的
设计与 AIFS Single 对齐，同样建在开源框架 Anemoi 上。主要变化是扩展了用于训练和预报的地球系统状态。
组件 · 处理方式 · 说明
大气 · 已有 AIFS 状态 · 与 AIFS Single 一致
海浪 · 业务 AIFS v2 已包含 · 本次作为基础保留
陆面 · 业务 AIFS v2 已包含 · 同上
表层海洋 · 新增紧凑变量集 · 海表面温度、盐度、海面高度等
海冰 · 新增 · 浓度与相关量，冰缘位置是评估重点
训练数据 · ERA5 + 专门海浪后报 + ORAS6 · 三者给出大体一致的状态描述
为了把海浪、海冰、表层海洋逐一加进来的效果分开，作者训练了几个配置分别对照——只加浪、只加海冰与表层海洋、全部一起加。另外还做了一些模型适配，处理海洋变量在陆地上未定义、被约束在物理范围内、或演化时间尺度更慢这些差异。
结果数字
评估量 · 对照基线 · 结果
几乎所有被评估的海洋变量 · 物理模式 · 中期时效精度大致相当于多出 1 个预报日
有效波高 · 卫星高度计观测 · 均方根误差降约 10%
海冰边缘位置 · ORAS6 海洋与海冰再分析 · 两个半球都改善
海表面高度 · 参考分析 · **例外**：随预报时效发展出负偏差
大尺度大气预报技巧 · 物理模式 · 基本不变
冰缘附近近地面温度 · 物理模式 · 显式海冰带来改善
聚合分数只讲了一半的故事。一个有用的联合模型还必须在几个分量相互作用时给出连贯的响应：飓风 Idalia 与 Franklin 的个例显示，强风区与增强的波浪活动区重合，风暴在海面温度上留下冷尾迹——这些跨分量的一致性是耦合器架构里要靠显式交换才有的东西，在联合模型里是学出来的。
物理一致性怎么验：两个压力测试
聚合技巧高不代表模型学到了物理。作者设计了两类把模型推到训练分布之外的实验。
第一类，在原本平静的海面上插入孤立的长周期涌浪，看模型如何响应——检验浪与流、浪与冰的关系是不是真的连着。第二类更彻底：把初始状态里的海冰全部移除，看冰会不会"从隐藏记忆里"直接长回来。结果是冰没有瞬间恢复，而是沿季节循环逐渐重新生长，冰体积（图 3 右列）随之恢复——说明模型没有把某个固定的冰况记住，而是学到了冰与季节、与大气海洋状态的关系。
作者对这两个测试的定位写得很克制：它们不证明每个预报都物理正确，但说明关键关系来自学到的动力学，而不是硬编码。
原文图
飓风 Idalia 与 Franklin 个例（2023 年 8 月 26 日起报）中 AIFS Marine 与物理模式 IFS 的对比，自上而下为 10 m 风速（m/s）、有效波高（m）、海面温度（K）、海面高度（m）：两者在风暴结构、波浪响应与冷尾迹上给出大体一致的形态。
三联图：左为有效波高均方根误差（m）随预报时效的变化，对照物理海浪模式；中为海冰边缘位置误差（10³ km²），对照物理模式与持续性预报，持续性误差明显更大；右为北半球海面温度均方根误差（K）。三条曲线上机器学习版本都低于对应基线。
2023 年 2 月 1 日把初始海冰全部移除后的恢复实验：左列为海冰浓度，右列为海冰体积；起始帧全区接近无冰，之后沿季节循环逐渐重新生长。
作者承认的限制
- 海表面高度是主要例外。机器学习模型随预报时效发展出负偏差，作者给出的解释是"可能与长期海平面上升信号有关"——注意这是推测语气，原文用的是 possibly，尚未定论。
- 压力测试不等于全面保证。作者明确写了：这些测试不证明每个预报都物理正确。
- 训练数据的一致性还没解决。大气与海洋训练数据集的进一步一致性改善被列为后续工作；目前三套数据集只是"大体一致"。
- 海面高度偏差要专门处理。被列入后续开发重点。
- 概率化还没做。当前是确定性原型，向概率预报的推进是后续方向。
- AIFS Marine 是原型，不是业务系统。海浪与陆面已在业务 AIFS v2 里，表层海洋与海冰是新增原型组件；什么时候进业务，文中没有给时间表。
- 与模块化路线并行，尚未定优劣。ECMWF 同时在开发分组件的机器学习模型（可分别训练、模块化耦合），作者明确说两条路都要探索，才能知道各自适合什么预报需求、未来业务系统里怎么互补——本文没有下结论说联合建模更好。
一句话判断
单一机器学习模型同时预报大气、海浪、海冰和表层海洋这件事，已经被做出来了，而且海洋变量普遍多出约 1 天技巧；真正值得盯的短板是海面高度的负偏差——它是四个分量里唯一没被改善的，也是判断这条路线能不能进业务的关键指标。