用于假设情景模拟的地球系统世界模型：陆地生态系统案例研究

机器学习仿真器已成为加速高成本地球系统模拟的关键工具，但现有大多数方法仍然是被动预测器：它们在给定外部强迫条件下复现模拟器的演化轨迹，却没有为用户指定的干预措施提供明确的交互机制。这限制了它们在交互式科学工作流和地球系统数字孪生中的应用，因为用户通常需要探索：如果改变选定的状态分量，系统将如何响应。我们提出了一种面向地球系统仿真的动作条件世界建模框架，将模拟器轨迹重新表述为可控状态转移学习的监督信号。其核心思想是转移—动作预训练：将自然观测到的状态变化视为无需标签的动作监督，使模型能够在无需人工标注干预的情况下，同时学习给定外部强迫下的动力学和动作条件响应。我们进一步引入掩码响应学习，以便在仅对部分状态进行编辑时推断未观测变量，并学习耦合系统中的依赖关系。我们在六个全球区域和多个林分年龄条件下的生态系统动态上测试了该框架。实验表明，该模型在保持具有竞争力的长期仿真精度的同时，还能实现可控的结构干预，并使耦合生态系统循环变量产生协调一致的响应。这些结果表明，从被动式地球系统仿真器迈向具备交互能力和干预感知能力的科学代理模型，是一条切实可行的路径。