观潮 · 模式预报与气象 AI 观察
数据同化与机器学习的接口：从3DVar到生成式同化的方法谱系
数据同化（Data Assimilation, DA）是将模式预报与观测结合以最优估计系统状态的过程。对于大气这样的混沌系统，如果不持续同化观测，模式会很快失去技巧。全球业务预报中心通常每 6 小时执行一次 DA。这篇综述章节系统梳理了机器学习（ML）与 DA 交叉领域的主要方法谱系。
为什么需要把 ML 和 DA 结合起来
传统 DA 方法（3DVar、4DVar、集合卡尔曼滤波）依赖线性化假设和固定的背景误差协方差矩阵。ML 方法在天气预报中已展现出接近物理模式的技巧，但大多数 ML 模型是确定性的，无法直接提供集合预报所需的概率分布。将两者结合的核心动机是：用 ML 的学习能力增强 DA 的各个组件，或用 DA 的数学框架约束 ML 模型的物理一致性。
经典 DA 方法速览
文章首先回顾了三种主流 DA 算法：
方法 · 核心思想 · 主要局限
**3DVar** · 最小化代价函数，融合背景场与观测 · 需指定固定的背景误差协方差矩阵 B，无法动态变化
**4DVar** · 在时间窗口内最小化代价函数，考虑观测的时间分布 · 需切线性和伴随模式，实现复杂
**集合卡尔曼滤波（EnKF）** · 用集合预报估计流依赖的背景误差协方差 · 集合大小受计算限制，采样误差大
3DVar 的代价函数由两项组成：背景项（分析场与背景场之差对背景误差协方差矩阵 B 的逆的二次型）和观测项（观测与观测算子映射的分析场之差对观测误差协方差矩阵 R 的逆的二次型）。
其中 $\mathbf{x}_b$ 是背景场，$\mathbf{B}$ 是背景误差协方差矩阵，$H$ 是观测算子，$\mathbf{R}$ 是观测误差协方差矩阵。
ML 增强 DA 的五条路径
文章将 ML 与 DA 的结合方式归纳为五条主要路径：
1. 学习预报模型
最常见的做法：用再分析数据训练 ML 预报模型，替代或补充物理模式。选择再分析数据而非直接训练于观测的原因：
- 观测稀疏、噪声大、时空不规则；再分析作为物理插值器，通常比观测本身更准确，且在规则网格上逐时可用。
- 直接训练于模式输出则无法超越模式本身，会继承其偏差。
2. 学习模式误差校正
在物理模式预报基础上，用 ML 学习系统性偏差的校正量。这比完全替代物理模式更保守，但能有效减少已知偏差。
3. 学习分析步骤
直接学习从（背景场，观测）到分析场的映射。这绕过了传统 DA 中复杂的代价函数最小化过程，但需要大量分析数据作为训练样本。
4. 在隐空间中同化
将状态编码到低维隐空间，在隐空间中执行同化操作。这可以大幅降低计算代价，同时利用 ML 模型学到的流形结构。
5. 生成式数据同化
用生成模型（如扩散模型、流匹配）学习状态的后验分布，而非点估计。这能提供完整的概率分布，适用于集合预报和不确定性量化。
训练 ML 模型的代价函数选择
文章强调了代价函数设计对 ML 天气预报模型性能的影响：
代价函数 · 特点 · 适用场景
均方误差（MSE） · 简单，但倾向于产生平滑预测 · 确定性预报
多步 rollout 损失 · 惩罚多步预报误差，提高长期稳定性 · 需要长 rollout 的模型
CRPS（连续分级概率评分） · 严格适当评分规则，奖励准确的概率性能 · 集合/概率预报
CRPS 的一个关键优势是它是严格适当的（strictly proper），这意味着模型只有在其预测分布与真实分布一致时才能获得最优分数。
自动微分的角色
许多 ML+DA 方法需要计算预报模式、观测算子和 DA 算法的梯度。自动微分（AD）是 ML 软件库的核心组件，但在 DA 场景中可能带来实际困难——特别是当模式代码是用 Fortran 等不支持 AD 的语言编写时。
作者承认的限制
这是一篇综述章节，不是原创研究。 文章明确声明只对方法做概述性介绍，更数学化和全面的综述参考文献。许多方法的具体实现细节和性能比较不在本文范围内。
ML+DA 是一个快速发展的领域。 文章指出这个领域仍在快速变化，某些方法可能在发表时已被更新。
讨论以点估计为主。 虽然许多方法可以扩展到贝叶斯后验估计，但文章主要聚焦于状态估计的点估计问题。
一句话判断
ML 与 DA 的结合不是简单的"用神经网络替换物理模式"，而是在预报模型、误差校正、分析步骤、隐空间表示和生成式建模五个层面上的系统性融合——理解这个谱系有助于选择适合具体问题的结合方式。