1.研究背景
气候变化对人类及地球可持续性构成了前所未有的风险。这一重大挑战威胁着民用基础设施、农业、水资源供应、公共健康、经济安全和国际和平。迫切需要采取气候缓解措施，减少和抵消人为排放来降低气候变化的严重性。此外，还需要制定气候适应战略，在缓解工作进行的同时，为气候变化带来的负面影响和后果做好相应准备。
2.创新之处
长期以来，粗尺度地球系统模型（ESMs）中的系统性误差推进了公里尺度全球气候建模工作的发展，这些研究目的是提供更准确的短期气候预测。然而，这些模型在世纪时间尺度上运行的成本过高，并且在表征地球系统复杂性方面往往存在局限性。为了内在气候变率背景下可靠地预测长期气候变化响应和极端事件，仍需要使用能够模拟新兴地球系统过程和反馈机制的粗尺度ESMs。
在本文展望中，我们提出了基于四大支柱的AI赋能下一代多尺度气候建模方法的愿景：加速地球系统模型（ESMs）的多元化、地球观测的全面整合以及基础设施的改进。通过这种整合，我们预计新一代ESMs相比当前模型将显著减少系统性误差。这种有效融合地球观测数据与气候领域知识的机器学习方法，将带来分辨率的提升以及跨尺度的改进。目前在参数化和物理-数据整合方法的方面成果令人鼓舞，表明基于机器学习与物理模型之间的互动将产生混合模型，在过程表征和ESM精度方面实现改进，即使在较粗分辨率下运行，仍能支持世纪尺度的模拟和基于观测数据的模型调试。基于这一愿景，我们相信未来的气候建模将涉及混合ESMs，其中机器学习方法将替代许多模型子组件，推进过程理解和模型可解释性，而不仅仅是机器学习仿真。目前我们注意到，混合模型的开发主要局限于大气、海洋或陆地模型的特定子组件，但将基于机器学习的混合模型整合到一个完全耦合的ESM中以执行CMIP类型模拟，仍然是一个挑战任务。
3.关键图表
图1地球系统中的反馈机制给气候预测带来了不确定性，影响了碳循环和气候变化响应
图2 AI赋能多尺度气候建模方法示意图
4.主要结论
过去几十年来，地球系统模型得到了不断改进，但与观测相比仍存在系统性误差，同时气候预测中的不确定性依然存在。这主要是由于对网格尺度以下或未知过程的表征不完善所致。在此，我们提出了一种基于人工智能的下一代地球系统建模方法，该方法呼吁加速模型开发、整合机器学习、系统性利用地球观测数据以及现代化基础设施使用。这种协同方法将能够更快、更准确地提供与政策相关的气候信息。我们认为需要一种多尺度方法，结合公里尺度的气候模型以及改进的低分辨率混合地球系统模型，这些模型既包含关键的地球系统过程和反馈机制，同时足够快速以生成大规模集合，从而更好地量化内部变率和极端事件。两者结合可以在气候预测的准确性和实用性上带来质的飞跃，以在快速变化的社会与生态系统中缓解与适应气候变化。
5. 发表信息
Eyring, V., Gentine, P., Camps-Valls, G. et al. AI-empowered next-generation multiscale climate modelling for mitigation and adaptation. Nat. Geosci. 17, 963-971 (2024). https://doi.org/10.1038/s41561-024-01527-w
6．声明
（1）小编水平有限，文章分析和理解均是个人见解，强烈推荐通过合理渠道获取原文，直接进行阅读。
（2）文稿涉及的材料仅为交流学习，如涉及版权和其他问题，请联系删除，小编对此表示歉意，邮箱：xu_xibo@126.com。
