AI 对随机平流层骤暖的模拟及其可解释的潜在结构

arXiv:2610.02069v1 发布类型：cross 摘要：由于类别不平衡，罕见天气状态转换给数据驱动建模带来了挑战。在本研究中，我们针对一个具有状态转换特征的典型系统——描述平流层变率的随机 Holton--Mass 模型——开发了一种概率深度学习仿真器，并分析其所学习的潜在空间结构。Holton--Mass 模型呈现出两种亚稳态：强极地涡旋状态和弱极地涡旋状态。这两种状态由非线性波—平均流相互作用维持，而弱随机强迫会间歇性地触发两种状态之间的罕见转换，从定性上代表 SSW 事件。我们采用受 ResNet 启发的条件变分自编码器，其编码器和解码器均包含六层，并显式引入当前状态条件，以建模系统下一时间步（一天后）的状态分布。该仿真器准确再现了物理模型的短期动力学、稳态概率分布、状态持续统计特征、罕见转换速率、转换承诺函数以及转换预期提前时间。除了仿真保真度之外，我们还深入研究了所学习的潜在表示，以理解模型如何内化动力学背后的亚稳态结构。对32维潜在空间进行主成分分析后发现，其中清晰地、以无监督方式分为四个具有物理可解释性的簇，分别对应强涡旋与弱涡旋状态，以及稳定构型与易发生转换的构型。对于应用于高维随机系统的深度生成模型而言，这种在潜在空间中自发出现的状态分离很难被识别。我们的研究表明，经过精心设计的概率仿真器能够揭示支配极端事件动力学、具有物理意义的流形，并有望助力开发更先进的业务化提前预警系统。