通过融合数值模型与观测资料，数据同化技术可反演无法直接测量的关键变量及未知参数，进而显著提升海洋/大气预报与气候预测的精度和可靠性。伴随同化与机器学习方法具有天然的互补性及融合潜力：一方面，在物理方程与观测数据的双重约束下，伴随同化模型能够获取代价函数关于状态变量、初始条件及模型参数的梯度信息，同时生成优化后的状态变量数据集，为梯度机器学习、参数优化代理模型的构建奠定坚实的数据基础；反之，将梯度代理模型、参数优化代理模型与传统伴随同化模型相融合，可大幅提升四维变分同化的运算效率。另一方面，传统四维变分同化需通过迭代优化实现目标求解，这一过程会消耗大量计算时间与资源，成为限制其广泛应用的核心瓶颈；但值得注意的是，这种迭代优化过程恰好能产生海量训练数据，可充分满足机器学习对小扰动、大数据量的训练需求，为机器学习开展梯度学习及梯度代理模型构建，提供参数扰动的近似遍历数据支撑。

在上述研究背景下，本研究以西北太平洋-中国近海潮汐模式的关键参数（底摩擦系数与内潮耗散系数）为研究对象，开展了物理模型伴随同化与机器学习方法的初步融合研究。西北太平洋-中国近海拥有典型的脊-沟-弧-盆-陆架复合型复杂地貌结构，地形梯度变化剧烈，该海域近岸区域为强正压潮区，而吕宋海峡、琉球群岛等深海地形区域则是强内潮源区，为研究提供了典型的区域场景。本研究首先构建了同时考虑内潮耗散效应与底边界层摩擦效应的潮汐伴随同化模型，通过同化卫星高度计数据与验潮站观测数据，实现了时空变化底摩擦系数与内潮耗散系数的同步联合最优估计；在此基础上，生成了包含状态变量、梯度信息及优化参数的训练样本数据集（即伴随同化模型的输出结果）。随后，采用卷积LSTM、L-Unet等国际主流机器学习方法，开展了充分的模型选优及特征工程策略优化实验，成功构建了梯度代理模型。在充分验证梯度代理模型具备良好的预测精度与泛化能力后，将该代理模型融入原有伴随同化模型框架，以机器学习的高效推理过程替代数值伴随模型的复杂计算，实现了潮汐模式关键参数的高效、稳定估计。本研究可为大气/海洋物理模型伴随同化和机器学习方法的融合提供科学支撑。
 

伴随同化,机器学习,参数估计,时空变化,西北太-中国近海