环境AI-气候建模

基于机器学习的全球天气模拟器目前的成功能否超越两周的预测，推广到稳定准确的多年运行？最近开发的AI2气候仿真器（ACE）表明，这是可行的，基于10年的模拟，该网络根据基于物理的全球大气模型的输出进行训练，网格间距约为110 km，并受海洋表面温度的重复年度循环的影响。在这里，我们表明，无需修改，ACE可以被训练来模拟另一个主要大气模型EAMv2，在类似小气候偏差的情况下，以可比较的网格间距运行至少10年，这是更广泛适用性的先决条件。通过结合多个时间、空间和频域视角的分析，我们表明ACE忠实地代表了EAMv2降水和相关变量的时空结构。最后，我们表明，预处理的ACE网络能够适应一个新的全球气候模型模拟数据集，与从随机初始化开始时相比，其10个数学方程的训练步骤更少，同时仍保持低水平的气候偏差。对这些微调实验的进一步分析揭示了ACE在不同全球气候模型之间插值的迷人能力。

气候建模和分析面临着新的需求，需要加强预测和气候信息。在这里，我们认为现在是时候将机器学习的前沿领域推到最先进的方法之外了，不仅要通过开发具有更高保真度的基于机器学习的地球系统模型，而且要通过仿真器为具有大型集成的极端事件预测提供新功能，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。利用这一潜力需要解决关键的机器学习挑战，特别是泛化、不确定性量化、可解释的人工智能和因果关系。这一跨学科的努力需要将机器学习和气候科学家聚集在一起，同时也需要利用私营部门，以加快在可操作的气候科学方面的进展。

先进的全球大气模型将机器学习与基于物理定律的数值模型相结合。这种“混合”系统能够准确预测天气，甚至显示出气候模拟的前景。