机器学习与气候物理
算力的指数级增长带来了更复杂、更高分辨率的气候系统模拟,自第一颗气象卫星进入轨道以来,观测数据也呈指数级增长,这些都正在彻底改变气候科学。
大数据和相关算法在机器学习 (ML) 领域融合,为研究气候系统的物理提供了机会。
ML 提供的推论使我们能够提出因果问题,并提高超越传统障碍的预测技能。
此外,当与建模实验或模型参数化的研究相结合时,ML 正在加速计算、提高准确性,并以极低的成本生成非常大的集合。
几十年来,观测数据重构、亚网格尺度现象的表征和气候(和天气)预测等长期存在的问题正在以新的、合理的乐观态度得到解决。
创新点
机器学习的使用有望改变气候物理学领域。
• 亚网格尺度参数化的创新方法可能很快会为新的(混合)气候模型做出贡献。
• 传统的可预测性障碍被打破
• 仅需极少的计算资源,天气预报技能就得到了提高
机器学习的广泛应用
数据重构、降尺度、同化
空间重构 时间重构 尺度重构
数据驱动的次网格参数化
参数优化 离线参数学习 在线参数学习
数据驱动的预测和预报
预测未来气候系统的演变是气候科学的核心。如前所述,气候预测是一个边界值问题。模型必须假设长期限制气候演变的条件将如何演变,例如对未来温室气体排放做出有根据的猜测。相反,天气预报是一个初始值问题,首先取决于对天气系统当前状态的准确了解。在这两种情况下,不确定性量化通常是通过集合运行来实现的,集合运行通过从系统的可能轨迹(气候)或初始条件(天气)的分布中抽样来减少预测/预报的泛化误差。
日时间尺度:机器学习用于天气预报 次季节至季节预报 年际尺度预报 年代际预测
气候系统的挑战
气候预测是一个边界值的问题,在气候案例中,最大的不确定性在于确定从太阳接收的能量(边界值)如何在系统的各个组成部分(即大气、海洋、陆地和冰冻圈)中分布。
多尺度:包含时空尺度的非线性过程 高维度:与其他过程相互耦合
例如,海洋中机械能的转移,从大规模的边界强迫到小规模的分子耗散,是由中尺度湍流、亚中尺度涡旋、细丝和锋面结构以及重力波之间的非线性相互作用引起的。
数据可用性
★Bracco, A., Brajard, J., Dijkstra, H. A., Hassanzadeh, P., Lessig, C., & Monteleoni, C. (2024). Machine Learning for the Physics of Climate. arXiv preprint arXiv:2408.09627.
给我点在看的人
越来越好看