气候和地球系统模型是了解和预估气候变化的重要工具。由于其复杂性，它们在水平分辨率上受到限制，并且一些过程仍然不确定。8月23日发表于《自然-气候变化》的一项大型国际述评研究，聚焦了创新和高效的机器学习方法将如何为地球系统建模和预估，以及从海量数据中提取信息提供新的、创新的和变革性的方法。
（共同作者、哥伦比亚大学地球物理学教授Pierre Gentine社交媒体。）
该研究多国多人作者团队认为，现在是时候将机器学习的前沿推向最先进的方法之外，不仅要开发具有更高保真度的基于机器学习的地球系统模型，还要通过模拟器提供新的能力，利用大集合进行极端事件预估，增强极端事件的检测和归因方法，以及先进的气候模型分析和基准测试。
机器学习如何能够推进气候建模和分析。（Eyring et al.《自然-气候变化》2024）
在气候建模和分析方面，该团队指出可以通过多种方式利用机器学习实现突破，尤其是通过(1)开发混合地球系统模型，将物理建模与机器学习相结合，以保持物理一致性，并获得机器学习的多功能性；(2)基于机器学习的模拟，其中机器学习可以提供快速和强大的气候信息，包括极端事件预估，使研究人员能够评估近期天气可能性的范围；(3)基于机器学习的极端事件检测和归因，机器学习可以促进对极端事件发生的物理过程的理解；以及(4)机器学习增强的气候模型分析和对地球系统的理解，在这方面，机器学习可以为分析在地球科学中尤为普遍的高维数据集提供强大的工具，包括开发基准测试。
用于将机器学习与过程建模集成的示意图。（Eyring et al.《自然-气候变化》2024）
尽管机器学习已经为所有这些重大挑战做出了实质性贡献，但要充分挖掘机器学习在气候建模和分析方面的潜力，还需要在机器学习方法上取得实质性进展。其中尤其包括混合模型的物理一致性，其证明了真实推断出看不见的气候稳态的不确定性量化、将使机器学习不再是一个黑箱的可解释的人工智能(XAI)，以及因果推理方法，允许从地球系统数据中提取更多关于各种过程如何因果相互作用的信息。
减少混合地球系统模型系统误差的潜力。（Eyring et al.《自然-气候变化》2024）
在这篇观点论文中，作者们重点关注了气候建模和分析中的这些关键重大挑战，这些挑战可以通过机器学习得到实质性改善，并且讨论了推进这些重大挑战所需的机器学习技术的根本性进步。他们还表达了对剩余差距、机会和有希望的未来方向的看法。他们认为，为了充分发挥机器学习在改进气候建模和分析方面的潜力，学术界和私营部门之间的合作至关重要。
该团队最后指出，利用机器学习来更好地理解、建模和预估地球系统是一个具有挑战性但很有前途的研究领域，在过去五年里取得了加速进展。更多的研究工作将会对推进科学和解决对社会至关重要且高度相关的议题产生重大影响。这些议题包括需要对近期全球环境变化进行更加可靠和本地化的预测，以及对正在研究中的减缓这种变化的多种备选方案进行预估。“随着本研究中讨论的基于机器学习的气候建模和分析能力的增强，我们可以期待地球系统科学的实质性进步，以加速科学理解、建模以及预估气候变化，从而实现迫切需要的可操作的气候科学，”他们写道。
（文/牛静美）
【参考来源：】
Eyring et al.《用机器学习推动气候建模和分析的前沿》《自然-气候变化》2024
https://doi.org/10.1038/s41558-024-02095-y
https://rdcu.be/dRMdh
https://www.researchgate.net/publication/383376019_Pushing_the_frontiers_in_climate_modelling_and_analysis_with_machine_learning
