机器学习赋能全球大气数据同化
在潜在空间进行贝叶斯同化，无需显式物理约束即可生成平衡分析场，提升分析质量与预报技巧。
Hang, Fan · Bai, Lei · Fei, Ben · Yi, Xiao · Kun, Chen · 刘玉宝 · Yongquan, Qu · Fenghua, Ling · Gentine, Pierre
Science Advances 2026
自编码器在潜在空间中已隐式捕获非线性物理关系，同化可直接产生平衡分析场，避免了传统方法中经验协方差的调参负担。
在理想化和真实观测设置下，潜在空间同化相较传统模式空间同化均提高了分析质量和预报技巧，具有实际业务价值。
方法在不同潜在维度下均表现稳定，降低了超参数调优难度，便于部署到不同规模的系统中。
即使自编码器是在不够准确但物理上真实的预报场上训练的，同化仍然有效，增强了对真实世界数据的适应性。