人工智能如何改进气候预测

新闻特写 2024年3月26日

人工智能如何改进气候预测

研究人员正在使用各种机器学习策略来加速气候建模，降低其能源成本，并有望提高准确性。 作者假虎刺属·王

插图:Jasiek Krzysztofiak。飓风:Rawpixel全球/计算机代码:Pexels天气图:美国商务部、气象局（CC BY 2.0） 气候科学家塔皮奥·施耐德很高兴机器学习让他摆脱了繁重的工作。十多年前，当他第一次开始模拟云的形成时，主要是费力地修改描述水滴、气流和温度如何相互作用的方程。但自2017年以来，机器学习和人工智能（AI）改变了他的工作方式。 “机器学习让这门科学变得有趣多了，”在帕萨迪纳加州理工学院工作的施耐德说。“这要快得多，也更令人满意，你可以得到更好的解决方案。” 传统的气候模型是由施耐德等科学家从零开始手工构建的，他们使用数学方程来描述陆地、海洋和空气相互作用并影响气候的物理过程。这些模型足以做出指导全球政策的气候预测。 但是这些模型依赖于强大的超级计算机，需要数周时间才能运行，并且耗能巨大。施耐德说，一个典型的模型要消耗高达10兆瓦时的能源来模拟一个世纪的气候。平均而言，这大约是美国家庭每年的用电量。此外，施耐德表示，此类模型难以模拟小尺度过程，例如雨滴如何形成，而雨滴通常在大尺度天气和气候结果中起着重要作用。 人工智能的一个分支叫做机器学习——计算机程序通过发现数据集中的模式来学习——在天气预报方面显示出了前景，现在正在帮助解决气候建模中的这些问题。 加州大学洛杉矶分校的计算机科学家阿迪蒂亚·格罗夫说:“用于气候预测的机器学习轨迹看起来非常有前途。”他说，与早期的天气预报类似，有一系列创新有望改变科学家模拟气候的方式。 但仍有障碍需要克服——包括让所有人相信基于机器学习的模型预测是正确的。 模仿猫 研究人员正在以三种主要方式将人工智能用于气候建模。第一种方法涉及开发称为仿真器的机器学习模型，该模型产生与传统模型相同的结果，而无需进行所有数学计算。 把传统的气候模型想象成一个计算机程序，它可以根据物理因素计算出球将落在哪里，例如球的投掷力度、投掷位置以及旋转速度。仿真器可以被视为相当于一名体育运动员，他学习所有这些建模输出的模式，然后能够预测球将落在哪里，而无需通过所有数学运算。 在2023年的一项研究中，澳大利亚墨尔本联邦科学与工业研究组织的气候科学家瓦西里·基齐奥斯和他的同事开发了15个机器学习模型，可以模拟15个基于物理学的大气模型1。他们利用物理模型对2100年前地表气温的预测，对两种大气碳浓度途径（低碳和高碳排放情景）进行了训练。基西奥斯说，在笔记本电脑上训练每个模型大约需要30分钟。研究人员随后要求QuickClim模型预测中等碳排放情景下的温度，而这些模型在训练期间没有看到这种情景。结果与传统的基于物理的模型非常接近（见“人工智能气候模型快速工作”）。

人工智能气候模型快速工作。该图显示了基于物理的气候模型和人工智能模拟器之间的相似性。 资料来源:参考文献。一 基西奥斯说，一旦经过所有三种排放情景的训练，QuickClim就可以快速预测本世纪在许多碳排放情景下全球地表温度的变化——比传统模型快约一百万倍。“使用传统模型，可以分析的碳浓度路径不到五条左右。他说:“QuickClim现在允许我们进行成千上万条途径的检测——因为它速度很快。” 有朝一日，QuickClim可以通过探索多种情景来帮助决策者，而传统方法模拟这些情景的时间太长了。Kitsios表示，QuickClim等模型不会取代基于物理的模型，但可能会与它们一起工作。 华盛顿西雅图艾伦人工智能研究所的大气科学家克里斯托弗·布雷瑟顿领导的另一个研究小组为一个基于物理的大气模型开发了一个机器学习模拟器。在2023年的预印本研究2中，该团队首先通过将十组初始大气条件输入一个基于物理学的模型中，为该模型创建了一个名为ACE的训练数据集。对于每一组数据，这个基于物理学的模型预测了包括气温、水蒸气和风速在内的16个变量在未来十年将如何变化。 经过训练后，ACE能够在长达10年的时间跨度内，反复使用其预测中6小时前的估计值来做出6小时后的预测。它的性能很好:比基于物理的模型的精简版要好，后者以一半的分辨率运行以节省时间和计算能力。在比较中，ACE更准确地预测了90%的大气变量的状态，运行速度快100倍，能效高100倍。 该研究的作者、艾伦人工智能研究所的气候科学家奥利弗·瓦特-迈耶表示，他对此感到惊讶。“我对这个结果印象深刻。他说:“这些早期发现表明，我们将能够制造出非常快速、准确、能够探测许多不同场景的模型。” 坚实的基础 在第二种方法中，研究人员正在以更基本的方式使用人工智能，为气候模型的核心提供动力。这些“基础”模型以后可以进行调整，以执行广泛的下游气候和天气相关任务。 格罗夫说，基础模型的关键在于数据中存在预测未来气候的基本模式，这种模式可能是未知的。他说，通过发现这些隐藏的模式，基础模型有望比传统方法做出更好的气候和天气预测。 在2023年的一篇论文3中，格罗弗和科技巨头微软的研究人员建立了第一个这样的基础模型，称为ClimaX。它是根据五个基于物理的气候模型的输出进行训练的，这些模型模拟了1850年至2015年的全球天气和气候，包括气温、气压和湿度等因素，模拟的时间范围从几小时到几年。与模拟器模型不同，ClimaX没有针对模拟现有气候模型的特定任务进行培训。 在这一常规训练后，团队微调高潮以执行广泛的任务。在一个模型中，该模型根据二氧化碳、二氧化硫、黑碳和甲烷水平等输入变量预测了全球平均表面温度、每日气温变化范围和降雨量。这项任务是在2022年由加州大学圣地亚哥分校的大气物理学家邓肯·沃森-帕里斯及其同事进行的一项研究中提出的，作为比较人工智能气候模型的基准4。ClimaX对温度相关变量状态的预测优于沃森-帕里斯团队制造的三个气候模拟器。然而，格罗弗说，它在预测降雨量方面的表现不如这三个模拟器中最好的。 “我喜欢基础模型的想法，”沃森-帕里斯说。但他补充说，这些早期发现还没有证明ClimaX可以胜过传统的气候模型，或者基础模型在本质上优于模拟器。 施耐德说，事实上，很难让人们相信任何机器学习模型都能优于传统方法。他表示:未来气候的真实状况是未知的，我们不能等几十年再看模型的表现如何。对照过去的气候行为测试气候模型是有用的，但并不是一个完美的衡量标准，无法衡量它们在多大程度上能够预测一个可能与人类以往所见截然不同的未来。施耐德说，也许如果模型在季节性天气预测方面变得更好，它们在长期气候预测方面也会更好。“但据我所知，这还没有得到证明，也不能保证，”他说。 此外，很难解释许多人工智能模型的工作方式，这是一个被称为人工智能黑箱的问题，可能会使人们很难信任它们。沃森-帕里斯说:“有了气候预测，你绝对需要相信模型的推断能力。” 两全其美 施耐德说，第三种方法是在基于物理的模型中嵌入机器学习组件，以产生混合模型——这是一种妥协。 厚厚的积雪覆盖房屋和树木的鸟瞰图 传统的气候模型很难预测积雪量，但融合了机器学习和基于物理的技术的混合模型已经成功模拟了积雪量和其他小规模过程。鸣谢:马里奥·塔马/盖蒂 在这种情况下，机器学习模型将只取代传统模型中不太好用的部分——通常是对小规模、复杂而重要的过程（如云的形成、积雪和河流流动）的建模。施耐德说，这些是标准气候建模的“关键症结”。“我认为真正的圣杯是使用机器学习或人工智能工具来学习如何表示小规模过程，”他说。他说，这种混合模型可能比纯粹基于物理的模型表现更好，同时比完全由人工智能构建的模型更值得信赖。 在这种情况下，施耐德和他的同事建立了地球大气和陆地的物理模型，其中包含少数这种小规模过程的机器学习表示。他说，在对照历史观测结果测试河流流量和积雪预测时，它们表现良好。“我们发现机器学习模型在模拟某些现象方面比物理模型更成功，”施耐德说。沃森-帕里斯同意这一评估。 作为气候建模联盟（CliMA）项目的一部分，Schneider和他的团队希望在今年年底之前完成一个可以与大气和陆地模型耦合的海洋混合模型。 美国国家航空航天局和欧盟委员会正在开发类似的创建地球“数字孪生体”的努力。位于英国雷丁的欧洲中期天气预报中心预报部门负责人弗洛里安·帕彭伯格表示，欧洲的这个项目名为“地球目的地”（Destination Earth），将于今年6月进入第二阶段，其中机器学习将发挥关键作用。 施耐德表示，最终目标是创建地球系统的数字模型，部分由人工智能提供动力，能够以极高的精度和闪电般的速度模拟天气和气候的各个方面，精确到千米级。我们还没有到那一步，但倡导者称这一目标已经在望。 https://doi.org/10.1038/d41586-024-00780-8 参考 1.基西奥斯诉奥凯恩，T. J .和纽特，D. Commun地球环境。4, 355 (2023). 文章 谷歌学术 2.Watt-Meyer，o .等人在https://doi.org/10.48550/arXiv.2310.02074 arXiv会议上的预印本（2023年）。 3.阮，t .，布兰德施泰特，j .，卡普尔，a .，古普塔，J. K .和格罗弗，a . arXiv https://doi.org/10.48550/arXiv.2301.10343预印本（2023年）。 4.沃森-帕里斯等人的高级模型。地球系统。14，e 2021 ms 002954（2022）。 文章 谷歌学术 5.数据驱动的季节性积雪预报的物理约束神经微分方程（加州理工学院，2023年）。