观潮 · 模式预报与气象 AI 观察
用生成式动力学替掉加性高斯模式误差：IEnKF-G 在部分观测加大误差时增益最明显
> 把机器学习接进资料同化的常见做法是用一个深度学习代理替掉动力模式，但这类代理通常是确定性的，不确定性还得靠外部手段补。这篇的方向反过来：用生成式预报模型直接给出「给定当前状态、下一状态的条件分布」的随机近似，再把它接进集合变分同化。提出的方法叫生成式迭代集合卡尔曼滤波（IEnKF-G），是把弱约束四维变分里的加性高斯模式误差表示换成学到的条件随机预报，形式上推广了 IEnKF-Q。在两个低阶混沌模式（随机版 Lorenz 1963、多尺度版一维 Lorenz 1996）上的孪生试验里，IEnKF-G 在测试配置中总体更准，且在部分观测与显著模式误差下增益可观。作者也写了边界：L63 那套试验虽便宜且条件苛刻（非线性强、观测稀疏），但「未必能代表真实配置」。
缺的是哪一块
在集合同化里处理模式误差，最实用的办法是「补偿」：乘性膨胀重新缩放集合异常值或协方差，加性膨胀直接注入随机扰动（常取自气候差异、随机物理或模式误差统计）。这类方法稳健、推理时开销小、用得很广，但它们的本质是补偿，不显式估计模式误差的动力学结构。
更显式的做法是给预报模型加一个可控制的加性误差项，其统计由模式误差协方差矩阵描述——弱约束四维变分就是放宽「完美模式」约束，把一串模式误差强迫项与状态一起估计。集合变分框架下的 IEnKF-Q 与 IEnKS-Q 则是把模式噪声异常值加到传播后的分析异常值上，扩展集合子空间。
第三条路是混合订正：学一个统计闭合项去修正物理模式的倾向项。这条路吸引人的地方在于把模式误差订正和模式研发连起来了，代价是可辨识性问题——分析增量里可能混着模式误差、观测偏差、代表性误差和同化系统自身的缺陷。
近年还有基于分数（score）的同化：用神经网络表示状态或轨迹分布对数密度的梯度，再让反向生成过程条件化于观测，从而绕开高斯假设做非线性非高斯后验采样。
方法怎么搭
本文的做法是把初始状态和一组驱动生成式预报模型的参数当作联合控制变量，从观测中一同反演。具体实现要点：
环节 · 做法
生成式部分 · 用学到的随机动力学表示模式不确定性
观测的约束 · 在每个同化循环的同化窗内，由观测约束其具体实现
变分形式 · 单步弱约束四维变分，把原先规定的加性高斯模式误差换成学到的条件随机预报
算法实现 · 集合变分算法 IEnKF-G，是 IEnKF-Q 的推广
扩展 · 推广到同化窗跨多个时间步的平滑器，另给出一个简化变体
作者特别点明了与基于分数的同化的区别：后者是用观测引导反向采样过程来条件化生成模型；IEnKF-G 保留的是经典的集合变分框架，由观测对生成式预报模型施加一定程度的控制。
试验设置与结果
试验模型 · 性质 · 用途
随机版 Lorenz 1963（三变量） · 混沌，带随机性 · 检验 IEnKF-G 的稳健性；作者称它便宜，但能在强非线性、稀疏观测的苛刻条件下做实现检验
Grooms–Lee 2015（GL15） · 理想化一维高分辨率多尺度模型，粗细两个尺度都基于 Lorenz 1996 · 分辨变量受隐藏小尺度变量带来的模式误差影响
两组都是同化孪生试验，真值轨迹由模式自身生成。对比对象是：一个自适应缓解模式误差与采样误差的集合卡尔曼滤波，以及 IEnKF-Q。
结论的措辞是：在测试配置中 IEnKF-G 总体更准确，在部分观测与显著模式误差的情形下增益可观。作者的解读是，这说明生成式数据驱动模型与经典资料同化方法配对时的潜力，尤其当模式误差很显著时。
作者承认的限制
限制 · 原文口径
低阶模型的代表性 · L63 那组试验为 IEnKF-G 的实现提供了便宜的检验，条件也足够苛刻（非线性、观测稀疏），但「可能不代表真实配置」
观测误差不是本文焦点 · 观测误差被简单假定为加性、无偏、时间上白噪声且高斯；本文不处理观测误差建模
代理残差未显式处理 · 作者把「考虑代理未能充分表示的残余误差」列为可考虑的理论扩展，并说明形式上这些噪声可以被吸收进一个扩大的 seed，因此仍属于该生成式框架的特例
马尔可夫性假设 · 完整模型是马尔可夫的，但被分辨的变量未必——未被分辨的变量会引入对过去的依赖
混合订正路线的可辨识性 · 作为对照路线被指出：分析增量会混合模式误差、观测偏差、代表性误差与同化系统缺陷
一句话判断
把「模式误差是什么分布」这件事从人为指定的加性高斯换成从数据里学出来的条件分布，是这条路线最有价值的改动；增益集中在观测稀疏、模式误差大的场景，正是业务上最难办的情形——但目前的证据只来自两个低阶模型。