Traditional climate models struggle to predict snowfall processes accurately, but a hybrid model combining machine learning with traditional methods has successfully simulated small-scale phenomena like snow accumulation. Image source: Nature website.
?
AI模拟器在表面气温预测方面比传统的基于物理学模型更快速，且给出了相似的预测结果。
在过去十多年里，气候科学家一直在努力使用物理学模型来模拟云的形成等过程，需要费时调整方程以描述水滴、气流和温度之间的相互作用。然而，自从2017年开始，机器学习等人工智能技术成为了他们的得力助手。施耐德表示，机器学习的建模速度更快，所得模型更加令人满意，这使得气候建模变得更加有趣。
近日，英国《自然》网站报道称，科学家们正在利用各种人工智能技术，以加快气候建模速度并改进性能，以期提高模型的准确性并降低能耗。然而，鉴于人工智能模型存在“黑匣子”问题，不是所有人都对基于机器学习技术的模型完全信任。
传统的气候模型使用数学方程来描述陆地、海洋和大气之间的相互作用对气候的影响。尽管这些模型能够提供可靠的气候预测信息，但它们需要运行在强大的超级计算机上，消耗大量能源。此外，这些模型很难模拟小规模但重要的过程，比如雨滴的形成，而这些过程在大尺度的天气模拟中至关重要。
机器学习通过发现数据集中的模式来训练计算机程序。加州大学洛杉矶分校的计算机科学家阿迪亚·格罗弗指出，机器学习的创新在气候建模领域表现突出。
目前，研究人员主要利用AI对气候进行建模的方式有三种。第一种方式是开发机器学习模拟器，它们能够在不进行所有数学计算的情况下给出与传统模型相似的结果。
例如，澳大利亚联邦科学与工业研究组织的气候科学家瓦西里·基齐奥斯等人在2023年开发了15个机器学习模型来模拟大气模型。他们使用物理模型训练了QuickClim系统，该系统可以快速预测未来全球气温的变化，速度比传统模型快了约100万倍。
另外，艾伦人工智能研究所的科学家们也为一个基于物理学的大气模型开发了机器学习模拟器ACE。经过训练，ACE能够在10年内提前6小时预测未来气温、水蒸气和风速等16个变量的变化情况，准确率达到90%，且速度和能效都提高了100倍。
施耐德表示，这些模型有望通过探索多种场景来帮助政策制定者做出决策，但它们不会取代基于物理学的模型，而是与其协同工作。
第二种利用AI的方式是开发基底模型，它们可以调整以执行各种气候和天气相关任务。
例如，2023年，格罗弗和微软科学家创建了基底模型ClimaX，它能够预测全球平均地表温度、日温度范围和降雨量等变量。与传统气候模型相比，ClimaX在某些方面表现更好，但在其他方面表现不如传统模型。
第三种方式是开发混合模型，将机器学习组件嵌入基于物理学的模型内，以提高模型性能。
施耐德及其团队创建了混合模型，其中包含了少数小规模但重要过程的机器学习程序。这些混合模型在测试中表现良好，团队计划在今年底前完成一个可以与大气和陆地模型耦合的海洋混合模型。 Scientists believe that the latest advancements in AI technology have significantly enhanced the accuracy and detailed analysis capabilities of meteorological forecasting, ushering in a new era of intelligent weather prediction. With ongoing technological progress, future weather forecasts are expected to become even more precise and efficient.
