Hybrid ensemble forecasting combining physics-based and machine-learning predictions through spectral nudging
该研究首次将谱松弛技术应用于概率集合预报框架，通过将机器学习模型（AIFS-ENS）的大尺度预报信息松弛至物理模式（IFS-ENS），成功构建了混合集合预报系统，显著提升了热带和温带地区的预报技巧及热带气旋路径预测精度。
🔬 Category
physics.ao-ph
41 篇论文
The Rise of AI in Weather and Climate Information and its Impact on Global Inequality
该论文指出，人工智能在地球系统科学中的快速应用若缺乏干预，将因算力与数据基础设施的全球南北差异而加剧气候信息领域的不平等，因此呼吁通过转向以数据为中心的开发模式、建立气候数字公共基础设施以及推动知识共同生产，来确保 AI 革命真正促进全球系统韧性而非加剧不公。
Global Abiotic Sulfur Cycling on Earth-like Terrestrial Planets
该研究提出了一种开源动态箱式模型，用于模拟地球类行星在无生命状态下及大氧化事件前后的全球非生物硫循环，结果显示缺乏微生物代谢会导致海洋沉积物中的硫酸盐含量比现今地球高出两个数量级，而硫化物含量则低四个数量级。
Machine Learning Based Mesh Movement for Non-Hydrostatic Tsunami Simulation
该研究提出了一种基于机器学习的网格移动方法（UM2N），将其应用于非静水浅水模型中，在确保模拟精度和鲁棒性的同时显著提升了计算效率，从而有效支持了概率性海岸灾害评估。
Evaluating the Predictability of Selected Weather Extremes with Aurora, an AI Weather Forecast Model
该研究评估了 AI 气象模型 Aurora 对多种极端天气事件的预测能力，发现其在 1 至 7 天的短期预报中表现优异，但在 14 至 21 天的次季节尺度上，尽管大尺度环流仍具一定技巧，极端事件的强度预测却因回归气候态而失效，表明确定性 AI 极端事件预报的实用上限仍受限于大气内在动力学。
Leveraging higher-order time integration methods for improved computational efficiency in a rainshaft model
该研究指出，在 E3SMv3 模型中，通过采用基于龙格 - 库塔方法的高阶时间积分技术和自适应时间步长策略，替代传统的低阶积分与人工限制器，可在保证雨微物理过程模拟精度的同时，将计算效率提升十倍以上。
Breaching the Barrier: Transition Pathways of Coral Larval Connectivity Across the Eastern Pacific
该研究结合遗传数据与基于漂移浮标轨迹的马尔可夫链及过渡路径理论分析，揭示了东太平洋屏障存在微弱但非零的连通性，证实线岛至克利珀顿环礁的珊瑚幼虫输运主要受北赤道逆流季节性调制而非厄尔尼诺现象影响，且克利珀顿环礁作为轨迹终端汇对采矿规划具有生态意义。
EnsAI: An Emulator for Atmospheric Chemical Ensembles
本文介绍了 EnsAI，这是一种基于人工智能的大气化学集合生成系统，它能在保持原始 GEM-MACH 集合气象依赖特征和反演精度的同时，将集合生成速度提升 3300 倍，从而显著降低计算成本。
Hydrodynamic outflows of proto-lunar disk volatiles
该研究提出，原月球盘大气中氢气的重组反应引发了类似太阳风的流体动力学外流，成功将易挥发元素从地球引力场中剥离并抛射至行星际空间，从而自然解释了月球岩石相对于地球岩石中挥发性元素显著亏损的成因。
Detection of C3 in Titan with VLT-ESPRESSO
该研究利用 VLT-ESPRESSO 望远镜在创纪录的光学超高分辨率（R=190,000）下，以 8σ 的显著性确认了土卫六（Titan）大气中存在 C3 分子，其柱密度约为 1.5×10¹³ cm⁻²，不仅与光化学模型预测一致，也展示了原本用于系外行星研究的技术在太阳系目标探测中的巨大潜力。
Physically Consistent Global Atmospheric Data Assimilation with Machine Learning in Latent Space
本文提出了一种名为潜在数据同化（LDA）的新框架，该框架通过在自动编码器学习的潜在空间中执行贝叶斯数据同化，有效捕捉非线性物理关系，从而在不显式建模物理约束的情况下生成物理一致的大气状态，并显著提升了分析质量与预报技巧。
Turbulence-induced anti-Stokes flow: experiments and theory
该研究通过实验与理论证实，表面波与亚表层湍流的相互作用会引发一种近表面反 Stokes 流，该流动通过垂直重新分配欧拉平均动量来部分抵消 Stokes 漂移，且其演化规律可由基于快速畸变理论的统计模型进行描述。
On the attenuation of waves through broken ice of randomly-varying thickness on water of finite depth
本文将 Dafydd 和 Porter 关于随机厚度破碎浮冰中波浪衰减的研究扩展至有限水深情形，通过多尺度分析推导了波浪衰减的显式表达式，发现低频衰减与频率的八次方成正比且高频存在滚降效应，并验证了该理论预测与基于缓坡假设的数值模拟及现场观测结果的一致性。
Buoy observation of high frequency ocean wave energy: accuracy, consistency, and concerns for predictive applications
该报告通过对比四种浮标类型与海洋波浪模型及风速的关系，发现 Datawell Waverider 浮标在 0.2 至 0.6 赫兹的高频波能观测中系统性地高估能量水平，且这一结论在不同评估指标下均保持一致。
The Rise and Fall of ENSO in a Warming World: Insights from a Lag-Linear Model
该研究利用层级模型揭示，在温室变暖背景下，ENSO 强度会因上层海洋层结增强而先短暂上升，随后因沃克环流减弱和表面热通量阻尼增强而长期下降，并据此构建了一个仅依赖全球平均海温及其历史滞后信息的线性模型，成功解释了约 90% 的 ENSO 变率变化并预测了排放速率对峰值强度的影响。
Near-surface Extreme Wind Events and Their Responses to Climate Forcings in a Hierarchy of Global Climate Models
该研究利用多模式气候模拟层级实验发现，虽然地表变暖能稳健地驱动中纬度近地面极端大风增强，但热带极端风的变化及区域投影仍存在显著的不确定性，这主要源于不同模型对极端天气系统物理表征的根本差异。
Idealized Impacts of Mountainous Terrain on the Energetics of Hurricane Melissa (2025)
本研究利用 NOAA P-3 观测数据与理想化轴对称动量扩散模型，揭示了飓风梅丽莎（2025）穿越牙买加山地时，由极端粗糙地形引发的增强摩擦和湍流混合是其内核能量迅速耗散及强度急剧减弱的主要驱动机制，而不对称动力过程与地形诱导的流场畸变则进一步加剧了这一衰减。
Automated Analysis of Ripple-Scale Gravity Wave Structures in the Mesosphere Using Convolutional Neural Networks
本研究利用卷积神经网络构建深度学习框架，实现了对中层大气气辉图像中重力波涟漪结构的自动检测与统计表征，从而深入揭示了驱动这些不稳定现象的物理机制及其时空分布规律。
Climate Downscaling with Stochastic Interpolants (CDSI)
本文提出了一种基于随机插值的新型数据驱动气候降尺度方法，能够以远低于传统区域气候模型的计算成本，将全球气候模型的粗分辨率输出高效转化为高分辨率区域气候投影，从而显著提升区域集合模拟的准确性与不确定性量化能力。
A Structurally Localized Ensemble Kalman Filtering Approach
本文提出了一种无需人工调参的结构性局部化集合卡尔曼滤波新方法，该方法通过在变分贝叶斯优化框架下将分析概率密度函数近似为状态向量分区的独立边缘分布乘积，从而在采样前实现内蕴局部化，并在 Lorenz-96 模型实验中证明了其计算效率与估计精度可与已调优的传统局部化方法相媲美。