基于热浪情景的AI气候模型评估

https://arxiv.org/abs/2410.09120

作者和单位信息

本文的作者包括Shiheng Duan、Jishi Zhang、Celine Bonfils和Giuliana Pallotta，他们均隶属于劳伦斯利弗莫尔国家实验室（Lawrence Livermore National Laboratory）。文章的通讯作者为Shiheng Duan，邮箱为duan5@llnl.gov。

研究背景

随着全球气候变化的持续，极端天气事件，如热浪、干旱和极端降水，预计将变得更加频繁和严重，对人类健康、生态系统和基础设施构成重大风险。理解人为气候变化在这些事件中的作用对于有效的风险评估和适应策略的制定至关重要。情景分析已成为量化人为影响特定极端天气事件的关键工具。以往的研究使用基于条件Pearl因果推断的hindcast（事后预测）模拟，这些研究使用伪全球变暖（PGW）实验，评估在没有人类影响（反事实）的世界中这类事件的可能性和严重性，并进行“未来化”以评估在持续变暖下这些事件可能如何演变。这些研究为理解人为气候变化的影响和未来极端事件风险的增加提供了宝贵的见解。

研究意义

在统计分析中，以往的研究采用了动态调整来消除动态条件的贡献，从而孤立热力学变化。在PGW模拟的背景下，物理模型通常使用如nudging（引导）等技术来调整动态场，确保模拟再现与目标事件相似的大气环流模式。与自由运行相比，这允许更准确地比较由人为气候变化驱动的热力学变化如何影响极端事件的强度和可能性。随着AI技术的出现，出现了大量新的数据驱动的天气和气候模型，这些模型不仅高度准确，而且计算效率高。然而，它们在情景分析中的使用尚未得到广泛探索，尽管一些AI模型已经在气候外推中显示出稳定性。此外，一个关键的限制是缺乏直接实施引导技术以约束动态条件的能力。在数据驱动的架构中，AI模型目前缺乏直接同化动态场的框架，这与物理模型相同。这是它们在PGW模拟中使用的固有挑战。

研究方法和数据

本研究展示了集合反演，这是一种通过筛选集合成员来约束动态条件的替代方法。这种方法特别适合AI基天气模型，因为它利用了它们的计算效率。使用2021年太平洋西北部热浪（从2021年6月26日开始至7月2日结束）作为测试平台，展示了使用AI基天气模型进行PGW模拟的可行性。选择NeuralGCM作为AI基天气模型，因为它已在更暖的气候中证明是稳定的。同时，能源E级地球系统模型（E3SM）代表传统的基于过程的气候模型进行比较。E3SM低分辨率配置与NeuralGCM具有可比的分辨率。图1展示了hindcast（事后预测）结果。正如预期的那样，E3SM通过引导ERA5风场成功再现了动态条件，准确模拟了对极端热事件至关重要的太平洋西北部的高压系统。同样，NeuralGCM结果捕获了相同的高压系统，证明了集合反演方法有效地约束了动态条件。

研究结论

NeuralGCM能够准确再现目标事件，并生成稳定且真实的中期（2050年）预测。然而，NeuralGCM中缺乏陆地反馈导致对预测增暖幅度的低估。NeuralGCM在模拟极端值方面存在困难，这可能是AI模型的常见问题，因为它们通常难以捕获极端值。此外，作为一个仅大气模型，NeuralGCM省略了对2021年热浪事件至关重要的陆地反馈。这种对土壤湿度效应的省略可能导致温度低估。当我们在中期（2050年）气候条件下检查热浪时，NeuralGCM对温度的低估变得更加明显。与E3SM在整个太平洋西北部显示一致的变暖不同，NeuralGCM低估了俄勒冈州和华盛顿州地区的气温增加，甚至在55°N以北地区出现降温。尽管如此，NeuralGCM的集合分布仍然稳定，这表明NeuralGCM能够在不同的气候条件下有效地在PGW设置下运行。据作者所知，这是第一次使用纯数据驱动的气候模型进行PGW模拟。尽管基于机器学习的事件归因模型已在先前的研究中得到探索，它在分析极端事件的标量指数方面是有效的，而PGW模拟提供了对目标事件的空间分布和时间演变的更详细见解。此外，作为一个全球模型，它可以在不需要重新训练的情况下应用于任何事件。值得注意的是，作为一个仅大气模型，NeuralGCM并非最初为PGW设置而设计。尽管与陆地-大气相互作用相关的偏差，但其在PGW设置下（图2b和c）生成合理预测的能力使其成为情景分析的有前途的工具。它还为实时事件分析提供了显著的可扩展性优势，一个集合成员在单个NVIDIA A-100 GPU上需要2分钟，并且使用多GPU机器进行并行化是直接的。相比之下，E3SM在8个Intel Xeon CLX-8276L CPU上运行45分钟。这种计算效率，结合它们处理大型集合的能力，将AI模型定位为气候分析和研究的有价值工具。

不足与讨论

尽管NeuralGCM在模拟极端事件方面显示出潜力，但它也存在一些局限性。作为一个仅大气模型，NeuralGCM省略了陆地反馈，这在区域背景下可能对预测的准确性至关重要。此外，NeuralGCM在捕获极端值方面存在困难，这可能是AI模型的常见问题。为了提高AI模型的准确性，未来的工作应该集中在纳入陆-气相互作用和/或开发完全耦合的基于AI的模型。

未来工作方向

未来的工作应该集中在纳入陆-气相互作用和/或开发完全耦合的基于AI的模型，以提高它们在区域背景下的准确性。解决这些限制可能使基于AI的模型能够超越传统模型，改变我们预测和应对极端天气事件的方式。

🌍 未来气候变化对全球气候模型的准确性和可靠性有哪些潜在影响？

未来气候变化对全球气候模型的准确性和可靠性有着深远的潜在影响。以下是一些关键点：

1. 模型的物理基础：随着气候变暖，一些气候反馈机制可能会被激活或加强，如北极海冰的减少、 permafrost（永久冻土）的融化释放甲烷等。这些反馈机制需要被准确地纳入模型中，以提高模型的预测能力。

2. 极端天气事件的模拟：随着气候变化，极端天气事件（如热浪、干旱、暴雨等）的频率和强度可能会增加。气候模型需要能够准确模拟这些事件，以评估它们对人类社会和生态系统的潜在影响。

3. 区域气候变化的异质性：气候变化的影响在不同地区可能会有很大差异。气候模型需要有足够的分辨率和复杂性来捕捉这些区域差异，这对于制定有效的适应策略至关重要。

4. 海洋环流和大气环流的变化：气候变化可能会影响海洋环流和大气环流的模式，这可能会改变天气模式和气候区域。气候模型需要能够模拟这些变化，以预测它们对全球气候的影响。

5. 生物地球化学循环：气候变化可能会影响碳循环、氮循环和其他生物地球化学循环，这些循环对气候系统有反馈作用。气候模型需要包含这些循环的复杂相互作用。

6. 不确定性和风险评估：气候变化增加了未来气候的不确定性，这使得风险评估变得更加复杂。气候模型需要能够模拟不同排放情景下可能的气候路径，并评估与之相关的风险。

7. 模型的验证和改进：随着新的观测数据和研究结果的出现，气候模型需要不断地被验证和改进。这包括对模型中的过程理解、参数化方案和初始条件的更新。

8. 计算能力的限制：随着模型变得越来越复杂，对计算能力的需求也在增加。未来的气候模型可能需要更强大的超级计算机来处理更精细的空间分辨率和更长的模拟时间。

9. 跨学科研究的需求：气候变化是一个多学科问题，涉及大气科学、海洋学、生态学、社会学和经济学等多个领域。气候模型的开发和应用需要跨学科合作，以确保模型能够全面地反映气候系统的复杂性。

10. 政策和决策支持：气候模型的准确性和可靠性对于政策制定者和决策者来说至关重要。模型需要提供可靠的信息，以支持气候变化适应和缓解策略的制定。

未来气候变化对全球气候模型的准确性和可靠性提出了更高的要求。模型开发者需要不断地更新和改进模型，以确保它们能够反映气候系统的最新科学理解，并为应对气候变化提供有力的支持。

（加微信交流群，请备注：姓名-行业-单位）

声明：本公众号分享的资源均来自于互联网的公开资源，仅供个人学习和研究使用，不代表本人对其版权、真实性、合法性、准确性等方面做出任何保证。任何使用本号分享的资源的个人或组织，需自行承担相应的法律责任和后果；本号不承担任何法律责任和连带责任。使用本号分享的资源即代表您已完全了解并同意本免责声明的所有内容。