Journal of Geophysical Research | 机器学习预报模型的物理解释研究取得新进展

近日，由中国海洋大学“筑峰人才工程”第一层次张绍晴教授领衔的科研团队，在对机器学习预报模型进行物理解释的研究上取得新进展。

机器学习是一门研究如何让计算机利用数据或者以往工作经验，通过模拟或实现人类的学习行为而获取新的知识和技能，从而改善其自身性能的学科。机器学习应用到地球科学领域，主要研究思路是设计一个学习模型，模型通过输入的数据与答案来提取其中的特征和学习规则，进而针对给定的输入信息计算得出我们想要的输出结果，通常具有“数据驱动“的性质。

上世纪80年代，梯度下降算法的发明掀起了机器学习在地球科学领域应用的浪潮。但是，由于模型的学习方式过于依赖数据的相关性而非因果性，且学习效果在很大程度上依赖于数据质量的好坏，这严重阻碍了机器学习在科学领域的广泛应用。近年来，随着计算机算力的蓬勃发展，新的机器学习算法的不断提出，以及地球科学领域越来越多的可用数据，机器学习再次在地球科学领域大放异彩，而这些由机器学习自身缺点所导致的、根植在机器学习算法深处的问题仍然存在。机器深度学习领域目前现有模型的学习方法大多只能展示模型的输入与输出之间的相关性，这对于解析物理问题来说具有实质的局限性。因此，将机器学习模型与物理机制相结合，理解其决策机制，增加其透明性和可解释性，可以推动机器学习在地球科学领域应用的可持续发展。

图：罗斯贝标准模态示意图。图a为理论计算结果，图b为对海表面高度场进行带通滤波所得的结果，图c为机器学习模型自主提取的结果。

本研究从一个能提前30天准确预报南海表面海洋要素的预报模型出发，借鉴前人用罗斯贝标准模态来解释南海中的“长寿涡”的工作，尝试以罗斯贝标准模态来解释该模型能做出上述准确预报背后的物理机制，从模型所提取特征的时间和空间变化角度，证明了模型预报与罗斯贝标准模态之间的相关性。研究发现，模型所提取的时间序列与罗斯贝标准模态的理论解在谱空间上具有相同的周期分布，模型提取的西传相速度特征也与理论解相一致，且模型所提取特征的空间分布可以被罗斯贝标准模态所解释。基于上述结果，研究证明了模型所提取的特征，即南海内部的特殊共振模态，与罗斯贝标准模态所解释的南海长寿涡的物理机制一致，而模型对于该共振模态表现出了较高的预报技巧，从而解释了模型准确预报背后的机制。该工作首次填补了机器学习预报与物理过程之间的间隙，为理解机器学习模型如何决策提供了新的见解，有助于“数据驱动“和”科学驱动“相结合、推动地球科学进步。

该成果由国际知名学术期刊Journal of Geophysical Research: Oceans （地球物理学研究杂志-海洋）以 “The Rossby Normal Mode as a Physical Linkage in a Machine Learning Forecast Model for the SST and SSH of South China Sea Deep Basin”（《罗斯贝标准模态作为南海深海海盆中的海表面高度和海表面温度的机器学习预报模型的物理联系》）为题在线发表。物理海洋教育部重点实验室/海洋与大气学院2023级物理海洋学博士研究生林子宽为第一作者，张绍晴教授为通讯作者，联合我校张正光教授、于晓林副教授、高阳教授等共同合作完成。