观潮 · 模式预报与气象 AI 观察
Aurora 学化学：首个交互式化学-气候基础模型，27 个场里 23 个 R² 过 0.85、稳跑 50 年
> 英国团队把微软的 Aurora 地球系统基础模型用化学-气候模式 UKCA 的输出做监督微调，得到第一个显式表达「排放—大气成分—辐射」相互作用的基础模型。日尺度预测上，27 个评估的化学/气象/辐射场里 23 个在对流层和平流层都做到 R² ≥ 0.85，臭氧、CO、温度的年均偏差低于 4%；自回归外推 50 年保持稳定，速度比 UKCA 快约 100 倍。更进一步的两组实验说明它不是复读机：在成对排放情景上训练后，模型能复现臭氧对 NOx 和 CO 排放扰动的空间响应；把 MLS 卫星臭氧反演加进训练，能把 UKCA 本身的纬向平均臭氧偏差在 250—20 hPa 之间压低 23%。作者在结论里反复划线：这不是要取代过程模式。
缺的是哪一块
化学-气候模式（CCM）是气候预估里最贵的部件：化学反应网络要在寿命相差多个量级的物种间积分刚性方程组，模拟化学反应可以吃掉一个模式 50—90% 的运行时间，直接限制了化学复杂度和情景分析能跑多少个样本。于是化学过程经常被高度简化甚至完全给定。
AI 侧已有的路线各有缺口：用神经网络替换化学求解器的工作仍嵌在数值母模式里，学习组件容易通过算子分裂发展出偏差和不稳定；Pangu-Weather、GraphCast、NeuralGCM 这类全状态 AI 模式则不含交互式化学、气溶胶及其辐射效应。Aurora 本身的空气污染版本也有前科——Hu 等（2026）发现它能复现某些臭氧对 NOx 扰动的响应，但不能稳定表达野火烟羽输送这类异常。所以「基础模型能不能干化学-气候的活」需要专门证明：不仅要对上参考浓度场，还要对上排放变化时的化学与辐射响应。
怎么搭的
底座是 UKCA——英国地球系统模式 UKESM 的大气成分组件，Strat-Trop 化学方案 + GLOMAP-mode 气溶胶方案，1.25°×1.875° 水平分辨率、85 层到 85 km。微调保留 Aurora 的核心架构，改动集中在变量变换和训练目标上，以适配大气化学的浓度量级、时间尺度和守恒性质。
框架产出三个变体：
变体 · 训练数据 · 回答的问题
Aurora_UKCA · UKCA 控制试验（2009—13 日尺度输出） · 基线精度 + 1 到 50 年自回归稳定性
Aurora_UKCA,emiss · 扰动排放试验（[NO, CO, BC] 缩放，成对情景 + 配对敏感性损失） · 排放变化时化学与辐射响应是否学到了
Aurora_obs · nudged UKCA 输出 + MLS 卫星臭氧反演 · 观测微调能不能纠正母模式 inherited 偏差
一个代表性设计：三维云量场被压缩成二元低云指示变量（1000—700 hPa 四层云量之和超过 1.0 记 1，否则记 0）。训练目标（损失函数）是适配预训练模型的主要通道——它决定寿命差异巨大的物种如何加权、排放如何与成分/气象/辐射联合优化，但并不向模型强加化学约束，物理一致性靠训练后评估来验证。
结果数字
单步预测精度：
指标 · 数值
27 个场中 R² ≥ 0.85（对流层+平流层同时达标） · 23 个
R² ≥ 0.90 · 19 个
五个气象场 + 四个辐射通量 · 全部 R² > 0.90
22 个化学/辐射场中 NMB 在 ±5% 内 · 17 个
对流层臭氧 · R² 0.98，NMB +0.75%，RMSE 5.77 ppb
平流层臭氧 · R² > 0.99
臭氧/CO/温度年均值偏差 · < 4%；下行短波、长波通量 < 6%
对流层下行 LW / SW · R² 0.99 / 0.98，RMSE 8.58 / 16.8 W m⁻²
低云指示变量 · 95.5% 格点正确；云量 18.0% 对 UKCA 17.9%
短板也在文中摆得很清楚：SO₂ 是最差的物种，对流层/平流层 R² 只有 0.68/0.70，NMB −1.78%/−10.7%，在 100 hPa 低估达 37%——那里正好是它对流层储库与平流层储库之间的陡峭极小值。NOx 的最大相对误差出现在海洋和偏远地区的低浓度区。反射短波误差偏大，因为二元云变量装不下决定反照率的云量梯度。
排放响应与观测订正：
实验 · 结果
1.5× NO 排放 · 模型复现臭氧空间响应，包括 NOx 受限与 VOC 受限两类区域的差异
1.5× CO 排放 · 响应可复现，但不如 NOx 准（CO 寿命更长，扰动模拟时段太短）
2× BC 排放 · 地表辐射响应被低估
MLS 臭氧观测微调 · 250—20 hPa 纬向平均臭氧误差较 UKCA 降低 23%；panel 级数字：点位 RMSE 0.43 → 0.37 ppm，场 RMSE 0.38 → 0.26 ppm
观测订正最值得注意的性质：因为订正被编码进学习到的权重里，它能迁移到没有观测存在的模拟时段——这和传统「在输出场上做订正」有本质区别。
成本与稳定性：比 UKCA 快约 100 倍；50 年自回归外推保持稳定。作者把稳定性归因于联合预测避免了显式算子分裂，以及带输入噪声的单步训练——只优化特定时间窗口的方案更不稳定，且会把模型绑死在训练外推长度上。
原文图
图 1：总体框架。UKCA 数据（排放、化学、气溶胶、辐射、气象）监督微调预训练 Aurora 得到 Aurora_UKCA，再做 1/5/50 年自回归外推；左侧分支从较早 checkpoint 分叉，用 nudged UKCA 加 MLS 臭氧训练 Aurora_obs，Aurora_obs 与 Aurora_control 之差即 MLS 引入的订正；右侧分支用扰动排放情景（[NO, CO, BC] 缩放、配对敏感性损失）训练 Aurora_UKCA,emiss，在 seen（控制、[NO, CO, BC]×2）与 unseen（[NO]×1.5、[CO+NO]×2、[BC]×3）情景上检验。
图 2：年平均场的 UKCA 参考与 Aurora_UKCA 对照。上两行是臭氧与 ClOx 的纬向-气压剖面，绝对差多在 ±0.2 ppm 内、百分差约 ±10%；下两行是 925 hPa 的 NOx 与 CO 地图，NOx 的最大相对误差出现在海洋和偏远地区的低浓度格点（色标到 ±150%），并可见与编码器网格对齐的斑块状伪影——短相关尺度物种（NOx）比长尺度物种（臭氧）更明显。
图 3：5 年自回归外推与 UKCA 参考的逐月对比（列 1—2）及 5 年平均误差（列 3）：20 hPa 臭氧、500 hPa 臭氧、500 hPa OH、500 hPa CO、对流层顶下行长波辐射。季节循环和纬向结构在 5 年外推中保持，无漂移失控迹象。
图 4：排放扰动下的臭氧变化空间型。上：1.5× NO 排放，UKCA 与 Aurora_UKCA,emiss 的 ΔO₃ 型高度相似（东亚、非洲中部强响应）；中：1.5× CO 排放，响应可复现但幅度更弱；下：2×(CO+NO) 与 2×NO，检验多物种联合扰动的加和性。
图 5：BC 排放扰动响应。上：925 hPa 积累态可溶性 BC 混合比（注意响应集中在欧亚大陆腹地）；下：地表下行短波变化。模型的空间分布与 UKCA 一致，但辐射响应幅度被低估（作者归因于扰动模拟时段短）。
图 6：MLS 臭氧观测微调的效果分解。A：MLS 观测的 JJA 2009—2011 臭氧气候；B：MLS − Aurora_control，显示 UKCA 在 20—50 hPa 高纬低估、30 hPa 附近热带高估；C：Aurora_obs − Aurora_control（即订正量）；D：MLS − Aurora_obs，偏差明显收窄；E：偏差缩减 |B|−|D|，绿色区域为改善区——对应摘要里 250—20 hPa 纬向平均误差降低 23%。
作者承认的限制
- 预测的只是子集：UKCA 有超过 100 个耦合气体/气溶胶物种，为控制硬件内存和存储只预测其中一部分。遗漏变量直接限制可推断性——SO₂ 最差就是因为它的排放、前体物（DMS、COS）和主要氧化产物 H₂SO₄ 都不在输入输出里，模型只能从残留的 SO₂ 和硫酸盐场反推。
- 扰动模拟太短，慢响应学不全：臭氧对 CO 的响应不如对 NOx 准，可能因为 CO 寿命更长；地表辐射对 BC 的响应被低估。学 ERF（有效辐射强迫）所需的快速调整过程，需要比现在长得多的扰动排放模拟。
- 50 年稳定性的适用范围有限：rollout 循环使用单一年份的强迫，在演化的排放和气候背景下稳定性未检验。
- 只是大气模式：要诊断对扰动的完整气候响应，得把 Aurora_UKCA 与地球系统其余部分（物理或 AI 模式）耦合，类似 UKCA 在 UKESM 里的位置。
- 观测微调的天花板：化学观测覆盖稀疏，这条路线难以扩展到臭氧这类观测充分的物种之外。
- 机制归因说不清：联合预测完整大气状态让单个化学/物理过程更难识别——作者明确写「无法从这些实验判断 Aurora_UKCA 的排放响应反映的是化学机制还是训练数据里的统计规律」，需要机制可解释性方法与 UKCA 过程诊断配对才能检验。
- 定位声明：不取代 UKCA 这类过程模式，也不免除其发展义务——AI 模式继承母模式的物理一致性和缺失过程，过程模式越准，AI 模式的训练数据才越好。
一句话判断
这是「基础模型往化学-气候走」的第一步：架构基本没动，靠训练目标和数据设计把一个天气预报底座改成了能对排放扰动做响应、能从卫星观测里学东西的 CCM 替身——100 倍加速是真的，但它继承了 UKCA 的全部偏差，也还没证明自己学到的是化学而不是相关性。
模型 checkpoint 和绘图数据开放在 Zenodo（DOI 10.5281/zenodo.22855213）。