Python-Fortran 混合编程融合 AI 与物理模式：气候与天气模式中的 AI-LDA 实例（Hf2pMDA_v1.0）
欢迎阅读EarthAI公众号的学术文章解读，受限于个人知识水平，解读难免存在疏漏或不当之处，敬请谅解，也欢迎大家留言区交流，希望您能有所收获。
本文基于 F2PY（Fortran to Python 接口生成器）协议，提出一套 Python-Fortran 混合编程与资料同化基础设施 Hf2pMDA，使 Fortran 编写的物理模式与 Python 训练的 AI 算法可互相在线调用；并以气候强耦合资料同化（SCDA）与 1 km 高分辨率天气同化（FSDA）两个实例，验证该框架在地球系统模式中的可行性。
一、背景：物理模式与 AI 的"语言鸿沟"
数值天气与气候模式（如地球系统模式 ESM）多采用 Fortran 编写，而机器学习 AI 算法多在 Python 中设计与训练。随着分辨率不断提高，物理模式在次网格参数化、海冰与边界层等跨尺度过程上遇到瓶颈，AI 提供了端到端求解的契机；但反过来，数据驱动的 AI 也受限于物理可解释性，物理引导的 AI 正在兴起。深度融合二者能"双向驱动"：让 AI 注入丰富物理、让物理模式直接调用任意训练好的 AI 算法。然而，Fortran 与 Python 之间长期缺乏对物理建模者友好的便捷基础设施，现有方案要么把物理表达式用 Python 重写、要么把 AI 翻译成 Fortran（如 FTorch，且对 Torch 接口支持不全）。因此，本文的核心动机就是提供一座低侵入、可互调的"桥"。
二、方法：Hf2pMDA 混合编程框架
Hf2pMDA 以 F2PY 为底层协议，把 Fortran 科学计算封装为 Python 可调用对象，并让 Fortran 程序回调 Python 函数，整体通过四个步骤搭建：配置计算环境、用 -fPIC 重编译 Fortran 代码、定义 Fortran 可调用 Python（FCP）接口、编写 Python 主控制器（PMC）。它提供两条互补路径：
- PMC 组织 PCF 模块：把原 Fortran 工作流拆成可调用组件，封装为 Python-callable Fortran（PCF）模块，由 PMC 在外部重组执行逻辑并插入 AI 算法，概念简单、易调试（类似 fv3gfs-wrapper）；
- Fortran 程序回调 FCP 函数：对 WRF 这类深度嵌套、难以拆解的模式，保留 Fortran 为主驱动，仅在需要处插入薄薄的回调接口，由 F2PY 注册的 Python 函数完成计算，大幅降低对宿主模式的侵入式重构。
两条路径可混合使用，兼顾"AI for Science"（AI 解物理难题）与"Science for AI"（科学计算直接回灌训练，如强化学习）。
三、方法：AE 潜空间三维变分（L3DVar）
作为 Hf2pMDA 中的 AI 算法示例，作者设计 Latent Space 3D-Var（L3DVar）：先用自编码器（AE）把高维物理状态压缩到低维潜空间（编码器 E、解码器 D，训练中固定），再在潜空间最小化 3D-Var 型代价函数，吸收观测信息后解码回物理空间。相比物理空间 3D-Var，控制变量变为低维潜向量，最小化维度大幅缩减，且因解码器为非线性神经网络，可表达跨变量的非线性关系——这对强耦合资料同化（SCDA）尤为关键：某一分量（如大气）的观测可直接调整另一分量（如海洋）的耦合状态。本文特意采用确定性 AE 而非 VAE，以保住解码分析场的保真度。
四、结果：气候强耦合资料同化（SCDA）
在耦合模式 CM2（大气 2°×2.5°、海洋 1°）上，用"PMC 组织 PCF 模块"路径把 L3DVar 接入 CM2-CDA，形成 Hf2pMDA-CM2SCDA。
- 重构精度：以海表风、温、压（Us、Vs、Ts、Ps）与海流、海温、海高（SSU、SSV、SST、SSH）训练 AE，验证集总 SSIM 达 0.9945，总 RMSE 约 0.104，满足同化背景要求；
- 潜空间诊断：通道相关矩阵接近对角（95% 非对角相关绝对值 < 0.29），支持采用对角简化背景误差协方差 Bz；
- 维度削减：物理空间耦合状态向量 339840 维 → 潜空间 40500 维，削减率 88%，使快速最小化可行；
- 同化增益：以 1982 全年 ERA5 地表气压（Ps）与 OISST 海温（SST）为观测，7—12 月 6 个月平均 SCDA 较 WCDA 降低 RMSE 约 4%（4.62 vs 4.81）；对 Ps 的优势在约 4—5 个月后显现，增益主要出现在热带（SST）与中高纬风暴轴（Ps），在热带不稳定波（TIWs）等强非线性区差异最明显。
五、结果：1 km 高分辨率天气同化（FSDA）
在 WRF v3.7.1 的三层嵌套域（中国西部 9 km、四川中部 3 km、成都 1 km）上，用"Fortran 回调 FCP"路径把 L3DVar 接入，形成 Hf2pMDA-WRFFSDA，并在 1 km 成都核心域并行开展传统 MSHea-EnKF 与 AI L3DVar 试验，同化常规站与激光雷达（Lidar）观测。
- 重构精度：D03 近地面变量（q1、T1、u1、v1）训练后验证集总 SSIM 达 0.9966，保真度满足精细尺度同化；
- 尺度取向：为表达 1 km 高分辨率小尺度信息，latent_dim 取较大值 196608，削减率仅约 25%，侧重局部结构保留；
- 结果印证 Hf2pMDA 能便捷地在传统 DA 与 AI L3DVar 间做并行对照，把含湍流信息的激光雷达观测纳入高分辨率分析。
六、讨论：基础设施价值与局限
Hf2pMDA 的核心价值在于"低侵入、可互调"：物理模式者无需把 legacy Fortran 代码推倒重来，即可插件式注入任意 Python AI 算法；同时科学计算可回灌 AI 训练。两个实例分别覆盖"PMC 组织模块"（模块化 CM2）与"Fortran 回调"（嵌套 WRF）两类典型模式，证明框架通用。需要说明的是，SCDA 在本文低分辨率（大气约 200 km、海洋约 100 km）下相对 WCDA 的增益尚小，其优势应在更高分辨率、更活跃的海气耦合（如台风、中尺度涡）场景中被进一步放大；L3DVar 的协方差简化也依赖潜空间充分去相关这一前提。
未来方向
- 在更高分辨率耦合模式（如可分辨台风、中尺度涡）中检验 SCDA 的额外增益；
- 将 Hf2pMDA 推广到更多 AI 算法（生成式先验、AI 子网格闭包、混合采样）；
- 评估潜空间 Bz 的非对角相关在真实业务中的影响，探索更精细的协方差建模；
- 拓展到更多 Fortran 地球系统模式与区域模式的即插即用接入；
- 结合强化学习，使动力学作为训练约束直接回灌 AI。
核心亮点
- 给出一座 Fortran↔Python 的便捷"桥"：基于 F2PY 的 Hf2pMDA 让 AI 与物理模式在线互调，且对宿主模式侵入小；
- 两条互补路径覆盖两类模式：PMC 组织 PCF 模块（适合模块化 CM2）与 Fortran 回调 FCP（适合嵌套 WRF），通用性强；
- AI-LDA 落地两个地球科学实例：气候强耦合同化（SCDA，潜空间维度削减 88%、6 个月 RMSE 降约 4%）与 1 km 天气同化（FSDA，SSIM 0.9966），打通"AI 算法 → 物理模式"的链路。
论文信息
- 标题：Python-Fortran Hybrid Programming to Fuse AI and Physical Models: Examples of AI-LDA in climate and weather models (Hf2pMDA_v1.0)
- 作者：Zhu, Xianrui、Lin, Zikuan、Zhang, Shaoqing、Lu, Zebin、Wu, Songhua 等
- 链接：https://arxiv.org/abs/2608.29532
文中图片
图片题注：展示所设计的 Hf2pMDA 融合 Fortran 科学模式与 Python 机器学习的总体示意。 解读：点明框架目标——让 AI 算法与物理建模/资料同化在同一程序实体内互相调用，是全文的方法总纲。
图片题注：Hf2pMDA 的两条融合路径示意：a) PMC 组织 PCF 模块，b) Fortran 程序回调 FCP 函数。 解读：直观区分"PMC 外部重组"与"Fortran 内部回调"两种低侵入接入策略，对应后文 CM2 与 WRF 两个实例。
图片题注：基于自编码器的潜空间三维变分（L3DVar）算法工作流程示意图。 解读：编码器把背景态压入潜空间、做 3D-Var 最小化、解码器回物理空间，是 AI-LDA 的核心算子。
图片题注：CM2 大气—海表界面变量在 AE 潜空间中的重构结果。 解读：重构场保留原始大尺度结构、误差小、谱斜率一致，佐证潜空间可用作同化背景。
图片题注：自由模式控制模拟（CTL，蓝）、WCDA（橙）与 SCDA（绿）的 SST 与 Ps 均方根误差（RMSE）时间序列。 解读：SCDA 在约 4—5 个月后对 Ps 显现更小 RMSE，是强耦合增益的定量证据。
图片题注：a) 中国西部（D01）、四川中部（D02）、成都（D03）9/3/1 km 三层嵌套模式域配置。 解读：标出 1 km 成都核心域与激光雷达站位置，对应 FSDA 高分辨率同化实例。
声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编(微信：qxxjgzh)处理。
