观潮 · 模式预报与气象 AI 观察
CAM6把深对流换成神经网络：连跑15年稳定，弱降水与极端降水偏差同时收窄、热带陆地降水峰值从正午挪到傍晚
> 深对流参数化是气候模式不确定性的主要来源之一，但要把数据驱动方案塞进标准模式的物理分解里、同时保住物理一致性和数值稳定，一直没人跑通。这篇论文在 CAM6 里用全连接深度神经网络整块替换 Zhang-McFarlane 深对流方案，辐射、湍流和其余云过程一行不改；训练数据来自风暴分辨率的全球模式 gSAM（DYAMOND2，2020 年 1 月 20 日至 3 月 1 日共 40 天），用粗粒化方法从中提取次网格对流通量与倾向。换装后的 CAM-NN 跑满 15 年（2000—2014，含 spinup）稳定，通过 CAM6 的水与能量检查器；除云冰质量—数浓度转换因子外没有重调任何参数。结果里最抢眼的是降水变率：弱降水偏差和极端降水偏差同时收窄，热带陆地降水日循环从 CAM-ZM 那个许多地区正午的假峰，挪到观测的傍晚峰。代价也在文中写清楚了——全球面积加权 RMSE 从 CAM-ZM 的 1.00 毫米每天升到 1.27 毫米每天，相对湿度和云量偏差略差，MJO 信号仍然偏弱。
缺的是哪一块
对流方案负责垂直输送热量与水汽、表征水的相变、生成降水。它被公认为气候预估不确定性的来源，主要通道是热带对流—环流耦合和云—辐射反馈。现有方案大多建立在理想化云结构模型加不稳定度判据上（Kuo、Arakawa-Schubert、Emanuel、Betts-Miller、Zhang-McFarlane 这一脉），也正因为次网格对流及其多相微物理太复杂，多数方案用的还是几十年前的概念。
混合建模的思路是保留物理动力核心、只把选定参数化换成数据驱动模块。相比全端到端方案，它更灵活、更可推广、也更好解释。但把这样一个方案真正落到全球气候模式的标准物理分解里，此前还没被验证过，作者点出两个障碍：一是很难找到能把这些深对流与其它次网格/网格尺度混合过程隔离开的训练数据；二是新方案上线后可能需要重新调参其余分量——而那些分量本来是按旧对流方案调出来的。重新标定所有参数化本身就是个大工程。
作者选了一条更窄的路：只替换深对流，把网格尺度云宏微观物理、边界层湍流和辐射全部留给原有物理方案。理由是如果把辐射也纳入，混合模式对气溶胶、臭氧分布等外强迫的可推广性会被训练数据卡住。
方法怎么搭的
环节 · 设置
目标模式 · CESM2 中的 CAM6，替换其中的 Zhang-McFarlane 深对流方案
替换范围 · 仅深对流。辐射、非对流云过程、湍流等次网格参数化一律不动
训练数据 · 全球风暴分辨率模式 gSAM，DYAMOND2 阶段，2020 年 1 月 20 日至 3 月 1 日共 40 天北半球冬季；水平格距随纬度变化、除高纬外为 2—4 公里，74 个垂直层
网络结构 · 全连接深度神经网络，输入为柱状态（温度廓线、非降水水汽廓线、陆面比例、地面气压），输出为次网格垂直平流热通量、水汽通量、云冰沉降通量、云水向降水微物理转换倾向与相变倾向
标签构造 · 粗粒化（coarse-graining）方法在柱内计算次网格垂直通量与源汇项
跨模式适配 · gSAM 为高度坐标、非静力 anelastic 动力框架；CAM6 为混合 sigma-气压坐标、静力框架，垂直网格与预报变量都不同
模拟时长 · CAM-NN 与 CAM-ZM 都跑满 15 年（2000-01-01 至 2014-12-31，含 spinup），评估期取 2001—2014
调参范围 · 只重调了云冰质量—数浓度转换因子，CAM6 其余参数空间保持不变
对照观测 · IMERG 与 GPCP 降水，再分析资料用于温湿与能量收支对照
论文特意把「网络能否搬到结构完全不同的目标模式」作为测试点：gSAM 与 CAM6 不只是垂直分辨率不同，连垂直坐标和动力假设都不一样。
结果数字
守恒与稳定性：NN-CONV 在 CAM6 中守恒总水汽（含降水性与非降水性），这一点由它通过 CAM6 自带的水与能量检查器确认，也与网络架构内建的守恒性质一致。
纬向平均降水（图 3，2001—2014）
指标 · CAM-NN · CAM-ZM
深热带纬向平均降水偏差 · 高估约 10%，偏湿出现在海洋、陆地上没有 · 陆地偏湿、海洋偏干（补偿性偏差）
对流性降水占比 · 所有纬度上都比 CAM-ZM 高 · 基准
中高纬平均降水 · 与 CAM-ZM 相近，两者都接近观测 · 同左
热带辐合带峰值、副热带干区的范围与强度、温带风暴轴的湿极值，CAM-NN 都能抓住。
全球年平均降水偏差：面积加权 RMSE 为 CAM-NN 1.27 毫米每天、CAM-ZM 1.00 毫米每天。作者没有回避这个差距，但同时指出：CAM-ZM 是整套参数化集体标定过的，而 CAM-NN 上线后其余参数化一个都没重调。
区域偏差形态上，两者在热带太平洋相似——西太平洋偏少、东太平洋与热带大西洋偏多；CAM-NN 在中美洲西海岸的正偏差格外明显，印度洋马达加斯加以北也多出一块正偏差。
降水强度分布（图 5，热带陆地和海洋的降水 PDF，对数坐标）
这是论文列为「关键结果」的一项。CAM-ZM 长期存在弱降水偏差，即弱降水事件产得过多；CAM-NN 大幅削减了这部分，同时改善了对强极端降水的刻画，使分布整体向 IMERG 观测靠拢——陆地上的吻合尤其好。作者指出这类改进有利于对接陆面水文与植被过程，也便于对降水做统计降尺度以支撑气候变化影响研究；而粗分辨率全球模式常在热带极端降水上表现不一致，限制了它们预测相关气候风险的能力。
日循环（图 6）：CAM-NN 在热带陆地上给出与观测一致的傍晚至入夜前峰值，CAM-ZM 则在许多地区出现提前的正午峰。作者强调，考虑到模式分辨率之粗，这个改进尤其值得注意——日循环即使对不解算对流的高分辨率模式也依然难做，说明神经网络深对流参数化能把对流分辨模式的一部分能力带到粗分辨率气候模拟里。
热带波动：CAM-NN 增强了 Kelvin 波功率、Yanai 波信号相对 CAM-ZM 略有改善，两者都更接近观测；但 MJO 信号仍弱于观测。
其他诊断：相对湿度与云量的垂直/纬向结构总体合理，偏差略差于 CAM-ZM，作者归因于 CAM-NN 缺少充分标定；NN-CONV 在对流层顶附近某一 sigma 层的锐利截断在相对湿度上也看得出来。温度异常与再分析之差、大气顶能量收支的辐射通量异常，在两个版本之间量级相当。
迁移性：把 NN-CONV 从训练模式 gSAM 搬到结构不同的 CAM6 是成功的，作者由此推断换到新垂直网格时不需要重新训练，对输出做简单插值看起来就够了。另外，只用北半球冬季训练也足以在其它季节表现良好，例如北半球夏季的日循环。
原文图
图1 NN-CONV 的输入输出结构：左侧为柱状态输入，包括温度垂直廓线 T(z)、非降水水汽廓线 q_v(z)，以及两个地面标量——陆面比例 F_L 和地面气压 p_s；右侧为网络输出的次网格量与倾向，依次是次网格垂直平流热通量、水汽通量、云冰沉降引起的通量、云水向降水的微物理转换倾向和相变倾向。整块 Zhang-McFarlane 深对流方案就是被这一组映射替代的。
图2 2001—2014 年纬向平均降水：（a）总降水、（b）陆地降水、（c）海洋降水，对照 IMERG 与 GPCP；（d）对流性降水占总降水的比例。CAM-NN 在热带辐合带峰值处偏高，且陆地（b）没有 CAM-ZM 那种整体偏湿；最明显的分叉在（d）——CAM-NN 的对流性降水占比在几乎所有纬度都高于 CAM-ZM，峰值接近 95%，CAM-ZM 约 80%。
图3 （a）IMERG 年平均降水、（b）CAM-NN 年平均降水、（c）CAM-ZM 相对 IMERG 的偏差、（d）CAM-NN 相对 IMERG 的偏差。CAM-NN 复现了太平洋与大西洋的辐合带、海洋性大陆的极值，以及亚马孙、赤道非洲、印度等季风区的次级极大；偏差图（c）与（d）的形态相近，但 CAM-NN 在中美洲西海岸和印度洋马达加斯加以北多出两处正偏差。
图4 热带降水概率密度函数，对数纵轴：（a）陆地、（b）海洋。红线的 CAM-ZM 在弱降水端明显高于观测，也就是作者所说的弱降水事件产得过多，同时在强降水尾端过早下跌；绿线的 CAM-NN 与蓝色 IMERG 在整体形状上更接近，对强降水尾段的刻画也更合理。
图5 最大降水出现时刻（当地时，色标 0—24 时）：（a）IMERG 观测、（b）CAM-ZM、（c）CAM-NN，黑框标出作者重点讨论的三个陆地区域。CAM-ZM 在这些区域及其他热带陆地上偏向中午前后的提前峰，CAM-NN 则把峰值推回观测所在的傍晚至入夜前时段。
作者承认的限制
限制 · 原文口径
其余参数化一个都没重调 · 只有云冰质量—数浓度转换因子被重调，CAM6 其余参数空间保持不变。作者判断，系统性重调整套配置应能减小剩余气候偏差，但这本身就否定了「换一块就完事」的简洁叙事
偏差仍比默认版大 · 年平均降水 RMSE 1.27 对 1.00 毫米每天；相对湿度、云量偏差也略差于 CAM-ZM。作者给出两个方向的解释：一是缺少标定，二是网络自身的局限
残余偏差可能不在深对流方案里 · MJO 偏弱这一块的残留偏差，作者写明可能来自深对流方案本身，也「可能归因于深对流以外的过程，包括地表通量反馈和浅对流」，因此进一步改进需要重调或继续开发其它参数化，而不仅是改对流
训练数据时间范围很窄 · 训练只用了 DYAMOND2 的 40 天北半球冬季；DYAMOND1 的夏季 40 天没有可用的粗粒化输出。作者认为全球覆盖在风暴分辨率上可以部分抵消时间范围的不足，但也承认更长的时段和更宽的季节范围本会更理想
跨模式迁移的设计代价 · gSAM 与 CAM6 在垂直分辨率、垂直坐标（高度坐标对混合 sigma-气压）和动力假设（anelastic 对静力）上都不同，方案必须承受这种落差
未包含的物理过程 · 网络不预测对流动量倾向，也未考虑对流通过阵风变化对地表通量的影响；论文把非局地参数化、即考虑相邻网格列之间对流相互作用的方案列为未来工作
气候变化场景尚未检验 · 用于气候变化研究仍需在更暖或更冷的气候上训练，以避免输入分布漂移；作者据此提出后续可考察 CO₂ 强迫的快速响应、不同臭氧分布与气溶胶排放下的表现
只在特定配置下验证 · 论文建议把 NN-CONV 应用到耦合海气的 CESM2 模拟、CAM6 的其它分辨率（如 25 公里）、不同气候情景或其它地球系统模式，以进一步检验可推广性
一句话判断
这篇论文给出的是一个「窄替换」的可行样本：只动深对流、不碰辐射，模式就能稳定跑 15 年并守住守恒，代价是年平均偏差略升、好处是降水强度分布和日循环这两项长期顽疾明显改善——它说明气候模式里那些几十年没解决的老问题，未必需要重写整套物理，换掉最不确定的那一块就可能拿到大部分收益。