观潮 · 模式预报与气象 AI 观察
PANN 把补偿误差拆到过程级：对流与云两条加性分支拆湿度倾向误差，方差归因近乎精确、平均偏差归因不可辨识
> 模式里的误差常常互相抵消：对流在中上层把水汽加多，云在中层把水汽减掉，两者相加后总误差看着不大，但两个参数化谁都改不对。这篇文章提出的 PANN（Process Additive Neural Network）把这种补偿从架构上拆开——一条分支只接收一个过程的倾向，分支内没有跨过程连接，所有分支输出相加去拟合总的验证误差。作者在 OpenIFS 单柱模式的云相关过程上做两组实验：合成误差实验里把已知的补偿偏差植入进去，检验方法能否把它们分回来；真实差异实验里对照 C18 云可分辨参考。结论分成两半：误差方差的归因近乎精确，而平均偏差（bias）的归因存在本质上的可辨识性问题——常量偏移在训练中可以在分支之间自由重新分配而不影响总结果。作者明确写出，C18 实验里的分支贡献应当读作「受物理约束的诊断」，而不是已经验证过的真值。
缺的是哪一块
大气里很多观测到的总体行为是多个不同物理过程叠加的结果：合成结果是可观测的，单个过程的贡献却被藏起来了。当对某些过程的理论理解本身就不完整时，这个问题会格外难——不同过程的误差可以互相抵消，导致误差无法被正确归因，进而让人连这些过程的真实性质都认识不清。这就是补偿误差。
数值天气与气候模式用参数化来表征次网格过程，也就是那些网格分辨不出来的过程，用简化方案去近似它们的网格平均效应。其中不确定性最大的两类是积云对流（次网格上升与下沉气流）和云微物理（预报水凝物与大尺度降水），它们通常先在单柱模式（SCM）里用给定的侧边界强迫做原型试验，这样可以在上全球试验之前就诊断到过程层面的倾向。
麻烦在于这两者耦合得很紧：对流卷出为云方案供水，两者的湿度倾向强反相关。标准的「事后解释」方法在这种高自相关场景下很吃力——Shapley 加性解释（SHAP）、输入梯度显著图、部分辐射扰动都会出现归因方差大、不同解释方法之间互相「不同意」的问题。已有研究也已经证明，输入特征之间的强相关会破坏单特征归因的稳定性，并建议把相关变量分组以获得更稳健、更可解释的结果。
分组是一种补救，但本文想从架构上解决：强制一种并行结构，让它镜像数值天气预报里物理过程的可加分解，从而在结构上约束模型分别表示各个过程的贡献。
方法怎么搭的
PANN 的基本设定是：每条分支对应一个不同的物理过程，各自学习自己的隐表示；所有分支的输出求和得到总体预测；训练完成后可以分析这些隐表示，看它们与物理变率、潜在误差结构之间的对应关系。
项 · 设置
架构 · 沿用 Neural Additive Model 的思路——一个过程一支，隐层之间没有任何跨分支连接
训练目标 · 把比湿倾向的误差归因到各个物理过程
分支输入 · 每支只接收一个过程的倾向 dQ\<过程\>
输出与损失 · 各分支输出求和，和为预测误差；损失刻画预测误差与「无过程分解的验证误差」之间的差异
单过程误差 · 从未被直接观测，是作为加性约束下的推断量得到的
设计上的三个实际作用：
作用 · 说明
把可加约束变成归因机制 · 一个观测到的总量被拆成各过程的贡献
先验地切断物理上不允许的连接 · 隐层无法把对流和云混在一起
保持标准 XAI 工具可用 · 因为分支不混合，SHAP 或 LOCO 这类工具几乎不用改就能用，且只需考虑少数几个过程头的组合，而不是全部隐单元的组合
实验分两个阶段：阶段一用合成误差做受控检验——当总误差里的云与对流分量已知时，PANN 能否把它们分别恢复出来；阶段二把方法用到真实的单柱模式差异上，参考对象是 C18 云可分辨的 MetUM。
结果数字
阶段一：合成误差
合成目标刻意模仿补偿偏差的形态——上对流层对流增湿、中层云变干。结果有两面：
归因对象 · 表现
误差方差 · 归因近乎精确；PANN 成功预测总误差方差并把它分配到各分支
平均误差（偏差） · 可辨识性明显更差；能恢复植入的分支级偏差，但高层有小差异
分支误差方差最大的位置在中层——那里对流和云的误差同时活跃，也是检验分离能力最强的地方。
平均偏差之所以更难，作者给出的理由是它不依赖单个输入：训练过程中常量偏移可以在分支之间重新分配而不改变结果，因此这本质上是一个可辨识性（identifiability）问题，而不是学习能力问题。高层的小差异则表现为：在植入的云偏差本身可以忽略时，PANN 仍可能给出一个弱的负云偏差。
阶段二：对照 C18 云可分辨参考
这一阶段的结论是被作者主动限定过的。合成实验里真值是预先规定的，PANN 恢复得好；但 C18 实验没有这样的真值，因此分支贡献应当解释为一种受物理约束的诊断，而不是经验证的真值。用作者的原话说，它们给出的是「一个与观测到的总倾向差异以及指定的过程结构相一致」的分解，但这些分支本身不能证明到底是哪个参数化里存在因果性的误差。
在 OpenIFS 单柱模式的个例上，沿经度平均的误差方差剖面显示归因占比在对流分支一侧明显占优，云分支的贡献集中在中层一个较窄的高度区间内；偏差剖面上，对流分支与云分支呈现相反符号，两者叠加后总偏差的量级明显小于各自的分量——这正是补偿误差的形态。
方法定位：作者反复强调 PANN 不是要取代物理理解或专家判断，而是把「基于过程的解释」扩展到那些多个参数化同时作用、误差互相抵消、因而难以直接诊断的情形。随着模式变复杂，这种能力会越来越必要。
原文图
图1 两条分支各接入一个过程的倾向——对流分支 dQ_conv、云分支 dQ_cloud，各自经 CNN 得到预测误差 ê_conv 与 ê_cloud，求和后得到总预测误差 ê；损失则是 ê 与验证误差 e_truth 之间的差异。隐层之间没有任何跨分支连接，这是「物理不允许的连接被先验切断」的具体实现。
图2 合成（植入）误差下的剖面：（a）误差方差，对流分支（蓝）与云分支（橙）的分布形状不同，PANN 的合计结果与真值几乎重合；（b）平均误差，对流分支在中层为负、云分支为正，两者符号相反、互相抵消，虚线给出的分支之和与总真值接近，PANN 也能把两侧分开，只在高层留有小的差异。
图3 对照 C18 云可分辨参考时的经度平均剖面：（a）误差方差，色标单位为克每千克每天，叠加的等值线是归因占比——蓝色实线为对流分支、橄榄色虚线为云分支、灰色虚线为均分参照；（b）平均偏差，分支等值线同样叠加在色场上，可看到对流与云在高度上的分工。
图4 把植入误差改成非线性（Chebyshev）形式后的汇总：（a）误差方差剖面，（b）把方差占比按高度堆叠展示——蓝色为对流、橙色为云，可以看出不同高度上主导过程发生切换，（c）平均误差剖面。这一组用来检验方法不只在简单的高斯型植入误差上有效。
作者承认的限制
限制 · 原文口径
真实实验的归因不是真值 · 合成实验里真值已知、PANN 恢复得不错；但 C18 实验的分支贡献应读作受物理约束的诊断而非验证过的真值，分支本身不能证明哪个参数化存在因果误差
平均偏差归因不可辨识 · 平均偏差不依赖单个输入，常量偏移可以在训练中于分支间重新分配而不影响结果，这是固有的可辨识性问题
高层残留小偏差 · 在植入的云偏差可忽略时，PANN 仍可能给出一个弱的负云偏差
只做了两个分支、只做比湿 · 温度倾向涉及约 8 个参数化，归因问题难得多；本文只演示了云相关的两个分支和比湿
参考模拟本身有偏差 · C18 云可分辨 MetUM 有自己的结构与参数化偏差，作者明确写「更高的空间分辨率并不会自动让它更接近真值」
未与观测对比 · 下一步的价值在于把同一套流程用到现场观测（例如 TWPICE），以检验 PANN 能否针对观测诊断模式误差，而不只是看两个模式之间的差
不替代专家判断 · PANN 的目的不是取代物理理解或专家判断，而是把过程解释扩展到诊断困难的情形
一句话判断
这篇短文的价值在于把「补偿误差」从一个定性说法变成了一个可以画在剖面图上的分解：对流增湿与云变干在高度上错开、符号相反，加起来就被总量掩盖了；而 PANN 用最朴素的加法结构把这个总量拆回去，同时诚实地承认——方差能拆准，偏差拆不准，因为偏差本身没有唯一解。