近日，实验室“次季节-年际气候预测”团队在利用异方差神经网络提升海气热通量参数化精度与ENSO模拟能力方面取得新进展，相关研究发表于国际权威期刊《Atmospheric Research》。周路博士后为第一作者，张荣华教授为通讯作者，合作者还包括国家超级计算天津中心的尹露莹助理工程师和实验室闵锦忠教授。
海气界面的感热和潜热通量是驱动海洋环流和调节全球能量平衡的核心变量。目前气候模式依赖的主流参数化方案包括COARE等算法，但传统算法在极端天气或强耦合区域存在明显系统性偏差。另一方面，虽然现有AI方案在精度上有所提升，但大多属于端到端的“确定性”模型，无法定量评估预测的不确定性，这限制了它们在概率模拟中的应用。
针对以上问题，本研究创新性地引入了异方差神经网络（HNN），其不同于传统AI输出单一数值，HNN将热通量表示为条件高斯分布，能够同时估计通量均值（大小）和状态相关的方差（不确定性）。研究通过离线评估与在线模拟验证了该方案的优秀性能，相较于广泛使用的COARE3.5算法，HNN对潜热通量的确定系数大幅提升了47.4%（图1）。将HNN置入海洋环流模式（OGCM）后，有效纠正了东太平洋热通量低估的问题，使该区域海温气候态场的“冷舌偏差”从3℃降至1~2℃。采用HNN方案后，模型对Niño3.4指数的模拟相关性从0.78提升至0.83（图2）。在对1997/98超级厄尔尼诺事件的模拟中，HNN方案通过提供更真实的物理阻尼反馈，克服了OGCM中SST异常过强的偏差。
本研究证明了概率性AI参数化方案在地球系统建模中的巨大潜力，HNN不仅提供了更高的模拟精度，其输出的不确定性信息未来可进一步应用于集合预报，为极端气候事件的风险评估提供更科学的依据。
论文信息：Zhou, L., Zhang, R.-H., Yin, L., & Min, J. (2026). A heteroscedastic neural network-based turbulent heat flux parameterization and its applications to an ocean modeling of the tropical Pacific. Atmospheric Research, 109000.
图1. (a-b)分别为部分测试集中感热通量（SHF）和潜热通量（LHF）的分布：黑色为真值；绿色为COARE3.5方案；蓝色为OGCM模式内置的AAMLM方案；紫红色为HNN方案结果，其中误差棒表示参数化的不确定性范围。(c-d)分别为不同的参数化方案对SHF和LHF的参数化准确性。
图2. (a)不同热通量参数化方案下OGCM对Niño3.4区域海温异常的模拟结果。其中CTL-run中使用了模式内置的AAMLM热通量方案，HNN-run中使用了数据驱动的HNN方案。(b-c)分别为采用AAMLM和HNN方案后模式对Niño3.4指数的模拟准确性。
