海气界面的感热和潜热通量是驱动海洋环流和调节全球能量平衡的核心变量。目前气候模式依赖的主流参数化方案包括COARE等算法，但传统算法在极端天气或强耦合区域存在明显系统性偏差。另一方面，虽然现有AI方案在精度上有所提升，但大多属于端到端的“确定性”模型，无法定量评估预测的不确定性，这限制了它们在概率模拟中的应用。

针对以上问题，本研究创新性地引入了异方差神经网络（HNN），其不同于传统AI输出单一数值，HNN将热通量表示为条件高斯分布，能够同时估计通量均值（大小）和状态相关的方差（不确定性）。研究通过离线评估与在线模拟验证了该方案的优秀性能，相较于广泛使用的COARE3.5算法，HNN对潜热通量的确定系数大幅提升了47.4%（图1）。将HNN植入海洋环流模式（OGCM）后，有效纠正了东太平洋热通量低估的问题，使该区域海温气候态场的“冷舌偏差”从3℃降至1~2℃。采用HNN方案后，模型对Niño3.4指数的模拟相关性从0.78提升至0.83（图2）。在对1997/98超级厄尔尼诺事件的模拟中，HNN方案通过提供更真实的物理阻尼反馈，克服了OGCM中SST异常过强的偏差。

本研究证明了概率性AI参数化方案在地球系统建模中的巨大潜力。HNN不仅提供了更高的模拟精度，其输出的不确定性信息未来可进一步应用于集合预报，为极端气候事件的风险评估提供更科学的依据。本项目由国家重点研发计划项目（编号：2024YFC2815702）、国家自然科学基金、“博士后创新人才支持计划”等项目资助。

图1. (a-b)分别为部分测试集中感热通量（SHF）和潜热通量（LHF）的分布：黑色为真值；绿色为COARE3.5方案；蓝色为OGCM模式内置的AAMLM方案；紫红色为HNN方案结果，其中误差棒表示参数化的不确定性范围。(c-d)分别为不同的参数化方案对SHF和LHF的参数化准确性。

图2. (a)不同热通量参数化方案下OGCM对Niño3.4区域海温异常的模拟结果。其中CTL-run中使用了模式内置的AAMLM热通量方案，HNN-run中使用了数据驱动的HNN方案。(b-c)分别为采用AAMLM和HNN方案后模式对Niño3.4指数的模拟准确性。

论文引用：Zhou, Lu, Zhang, R.-H., Yin, L., & Min, J. (2026). A heteroscedastic neural network-based turbulent heat flux parameterization and its applications to an ocean modeling of the tropical Pacific. Atmospheric Research, 109000.

作者简介：

第一作者：周路，南京信息工程大学博士后，合作导师张荣华教授。2019年获河海大学学士学位，2024年获中国科学院大学博士学位，获得中国科学院百篇优秀博士学位论文奖。主要从事ENSO的智能表征和预测、热带海气相互作用等研究，近5年以第一作者身份在Science Advances（2篇）、Geophysical Research Letters、npj Climate and Atmospheric Science等国际知名期刊发表10篇论文。获2024年度国家博士后创新人才支持计划（“博新计划”）资助，主持国家自然科学基金青年科学基金C类、江苏省自然科学基金青年基金、国家重点研发项目子课题等项目；2025年获中国气候研究十大进展奖（排2）。

通讯作者：张荣华教授，国家特聘专家、江苏双创团队领军科学家、南京信息工程大学海洋科学学院教授。研究方向包括海洋数值模拟和海气相互作用、ENSO和气候预测、地球系统多圈层相互作用、人工智能海洋学等。已发表高水平研究论文250多篇（包括以第一作者在《Nature》发表封面亮点论文）；由科学出版社出版ENSO模拟和预测专著一部。1993年国务院政府特殊津贴专家；1994年获“赵九章优秀中青年科学工作奖”唯一特等奖；1997年获中国科学院自然科学奖一等奖；2021年入选气候变化研究领域全球最具国际影响力的千位科学家名单录；2022年获中国海洋与湖沼十大科技进展奖；2026年获中国气候研究十大进展奖（排1）；多年入选爱思唯尔“中国高被引学者”等榜单；三次获中国科学院优秀导师奖，所培养的博士研究生有3人次荣获中国科学院优秀博士学位论文奖、1人次入选中国博士后创新人才支持计划（“博新计划”）。现任《Journal of Oceanology and Limnology》副主编、《Acta Oceanologica Sinica》（海洋学报英文版）主编助理、《Atmospheric and Oceanic Science Letters》编委、《海洋学报》主编助理等。