在机器学习machine learning (ML)领域，结合大数据和相关算法，提供了前所未有的方式和大量细节，以研究气候系统物理学。机器学习ML可提出因果问题，以确定一个或多个变量是否导致或影响一个或多个结果，并提高超出经典限制的预测技能。当结合建模实验或模型参数化的稳健研究时，机器学习ML可以加速计算，提高精度并生成非常大的系综，而算力成本只是传统系统的一小部分。
近日，美国 佐治亚理工学院（Georgia Institute of Technology）Annalisa Bracco等，在Nature Reviews Physics上发表综述文章，概述了在气候物理学方面，机器学习ML的主要成就。讨论了如何使用机器学习ML，以解决观测数据重建、亚网格尺度现象表示和气候（和天气）预测中长期存在的问题。最后，还考虑了在研究复杂系统中利用机器学习ML的益处和主要挑战。![]()
Machine learning for the physics of climate. ![]()
图1: 机器学习的气候科学进展。
![]()
图2: 空间、时间和尺度重构。
![]()
图3: 在线-离线混合参数化。
关键点
1、在时间、空间和可观测性方面，气候物理学机器学习拓展了观测数据记录，变得更长、更全面、更完整。
2、从数据或高分辨率模拟中，机器学习ML学习参数化的创新方法，有助于混合模型，以提供更详细、物理上一致的气候系统模拟。
3、从天气到年际尺度现象（如厄尔尼诺南方涛动）的预测中，机器学习打破了经典可预测性障碍，从而使用数量级更少的算力资源，在更长的时间内提高了预测技能。
Bracco, A., Brajard, J., Dijkstra, H.A. et al. Machine learning for the physics of climate. Nat Rev Phys (2024). https://doi.org/10.1038/s42254-024-00776-3https://www.nature.com/articles/s42254-024-00776-3声明：仅代表译者观点，如有不科学之处，请在下方留言指正！
