一个国际科学家团队发表了一种创新方法，将人工智能(AI)与地球系统模型相结合，以提高气候模拟的准确性和速度。他们的提议，作为一篇观点论文9月25日发表于《自然-地球科学》，对于有关减缓和适应气候变化的知情决策至关重要。
（共同作者、哥伦比亚大学地球物理学教授Pierre Gentine社交媒体。）
过去几十年来，地球系统模型不断改进，但与观测结果相比的系统误差和气候预估中的不确定性仍然存在。这主要是由于对次网格尺度或未知过程的表示不够完善。在这篇观点论文中，该团队呼吁采用一种混合多尺度地球系统建模方法，将AI革命引入气候建模。机器学习（ML）提供了巨大潜力，可以改进粗分辨率地球系统模型和高分辨率全球公里尺度气候模型中的一些明显局限性。“我们提出的方法为模型性能和气候数据实用性的逐步改变提供了可能，同时弥合了跨尺度和过程复杂性，并利用了模型的完整层次结构，”他们写道。
“将机器学习技术与传统气候建模相结合，使我们能够显著提高对复杂气候相互作用的理解，并改进我们的模型，”共同作者、西班牙瓦伦西亚大学电子工程学教授和图像与信号处理研究小组协调员Gustau Camps-Valls解释说。“AI不仅能帮助我们——它对重新定义我们的模型所能实现的目标至关重要。”
整个地球系统的反馈机制给气候预估带来了不确定性，影响了碳循环和气候变化响应。（Eyring et al.《自然-地球科学》2024）
该团队提出的AI支持的下一代多尺度气候建模方法基于四大支柱：加速、地球系统模型的杂交、对地球观测数据的全面整合以及基础设施的改进。通过这种整合，他们预计和当前一代模型相比，新一代地球系统模型的系统误差将大幅减少。这种ML方法将地球观测和领域知识有效融合，将带来更高分辨率和跨尺度改进的好处。
该团队指出，到目前为止，混合开发在很大程度上局限于大气、海洋或陆地模型的特定子组件，但是，将基于ML的混合方法集成到完全耦合的地球系统模型中以执行国际耦合模式比较计划（CMIP）类型的模拟仍是一项艰巨的任务。他们提出的这种多尺度气候建模方法将在提供准确的气候信息方面带来阶跃性变化，以比当前更频繁的间隔满足新出现的减缓和适应需求，允许使用者通过增强的ML技术进行交互。
拟议的AI赋能的满足紧急减缓和适应需求的多尺度气候建模方法示意图。（Eyring et al.《自然-地球科学》2024）
“将AI整合到气候模型中，是朝着更准确、更有用的预估迈出的变革性一步，”首席作者、世界知名科学家、来自德国航空航天中心(DLR)大气物理研究所和不来梅大学的Veronika Eyring教授指出。这一进步解决了气候预估方面的历史难题，增强了对理解气候动力学至关重要的小尺度过程和反馈机制的表示。此外，这篇观点论文还标志着气候预测领域的一个里程碑，对旨在减少温室气体排放的气候政策和策略具有重要意义。
该团队最后指出，为了实现提出的这种方法，国际社会必须应对ML方面的几个挑战，即算法部分、与决策相关的模拟和强迫的操作化，以及对气候模型数据的广泛和包容性获取。他们认为，关于未来建模的争论不应围绕高分辨率气候建模与复杂的、分辨率较低的地球系统模型之间展开。取而代之的，需要一种新的由ML支持的多尺度气候建模方法，通过现代化的代码、硬件创新和适应性国际科学基础设施来整合地球观测数据。“事实上，我们认为，气候建模需要在一个跨越复杂程度和分辨率的模型层次中进行，从高分辨率到更粗的地球系统模型，这些模型通过ML和降尺度或区域细化得到增强，以驱动影响模型，如本观点中所述的，”他们写道。“这样，我们就能以前所未有的精确度更好地预估未来地球气候和极端事件的全部复杂性，同时改进气候信息和技术评估，促进交通、能源和航空等部门的可持续发展。”
（文/牛静美）
【参考来源：】
Eyring et al.《AI赋能的下一代多尺度气候建模，用于减缓和适应》《自然-地球科学》2024
https://doi.org/10.1038/s41561-024-01527-w
rdcu.be/dU3IS
https://www.uv.es/uvweb/college/en/profile/new-ai-models-improve-accuracy-speed-climate-simulations-1285950309813/Novetat.html?id=1286399419481&plantilla=UV_Noticies/Page/TPGDetaillNews
