2024 年 9 月 25 日

 

• 使用機器學習方法應該可以顯著提高預測的準確性和速度。
• 研究人員的新方法將不同規模和不同複雜過程的模型與衛星資料和人工智慧的系統使用結合起來。
• 重點：太空旅行、地球觀測、人工智慧

 

基於衛星的地球觀測資料是氣候和環境研究的基礎。除了監測氣候的重要作用外，它們還有助於評估和評估氣候和地球系統模型。這些模型是為能源、航空和運輸等各部門的永續發展提供氣候預測和技術評估的重要工具。人工智慧(AI) 可以幫助進一步改進這些模型：由德國航空航天中心(DLR) 和不萊梅大學的Veronika Eyring 教授領導的研究團隊開發了一種將人工智慧納入地球系統模型整合的方法，並發表了關於未來研究重點的兩種觀點。使用機器學習方法應該可以顯著提高預測的準確性和速度。這種新穎的方法有可能減少氣候模型的特徵限制，並為這個重要的研究領域帶來人工智慧革命。 2024年9月25日，《自然地球科學》雜誌發表了「人工智慧賦能的下一代多尺度氣候建模用於緩解和適應」的觀點。

 

彌合差異，發揮優勢

地球系統模型考慮了大氣中的重要過程及其與地球系統其他組成部分（例如海洋和陸地）的相互作用，以便對整個地球系統進行預測。因此，它們處理大量數據，並且在計算時間方面空間分辨率受到限制。這會導致不準確和系統錯誤。改善這一點是氣候建模面臨的最大挑戰之一。新提出的方法現在使用機器學習方法來改進模擬中過程的表示，這些過程無法在模型中明確解決，但對於氣候動力學至關重要。與觀測資料相比，高解析度、公里級氣候模式的模擬具有更高的精度，但由於龐大的運算成本，目前無法在數十年或更長時間的氣候時間尺度上進行模擬。

研究人員的新方法將不同規模和不同過程複雜性的模型與衛星資料和人工智慧的系統使用結合起來。人工智慧的工作方式完全整合：例如，它採用千米範圍內具有非常高空間分辨率的氣候模型，學習特定大氣過程的影響，將這種學習的人工智慧模型插入到「粗網格」地球系統中模型，從而使其更加精確。這是一個突破性的解決方案，揭示了已知資料集的潛力。

「基於衛星的地球觀測資料對於氣候和環境研究具有無價的價值。我們可以而且必須更集中地利用這項資源來​​校準、評估和改進全球預報模型，」來自德國航太中心大氣物理研究所的主要作者 Eyring 強調。 “透過將人工智慧與地球系統模型和地球觀測相結合，我們將能夠以前所未有的精度預測地球未來氣候和極端事件的複雜性。”

 

重新定義傳統

德國-西班牙-美國研究團隊制定的方法還可以為更現實的地球系統數位孿生奠定基礎，這些孿生具有可擴展性、用戶互動性和適應性。瓦倫西亞大學的合著者Gustau Camps-Valls 教授對人工智慧在這一重大進展中的作用進行了分類：「透過將機器學習技術整合到傳統的氣候建模中，我們可以在理解和改進預測的複雜氣候交互作用方面取得重大進展。人工智慧不僅僅支持我們。這是重新定義我們的模型功能的重要組成部分。

該出版物標誌著氣候模型發展的里程碑。人工智慧增強模型將使更準確地預測氣候變遷影響並改善各部門的技術評估成為可能。全球範圍內的高解析度地球觀測數據和改進的模型精度對於制定減少溫室氣體排放的策略和讓人們做好應對氣候變遷影響的準備至關重要。共同作者博士。美國國家科學基金會國家大氣研究中心的大衛勞倫斯堅信：「我們提出的方法將使我們能夠以前所未有的精度模擬重要的地球系統過程，成為全球規劃者和決策者的重要工具。」共同作者包括哥倫比亞大學的Pierre Gentine 教授和馬克斯普朗克生物地球化學研究所的Markus Reichstein 教授。 Veronika Eyring 教授與他們和 Gustau Camps-Valls 教授一起領導歐洲研究理事會 (ERC) 的「協同資助」來「利用機器學習理解和建模地球系統 (USMILE)」。

 

未來的機器學習

機器學習仍然是環境和氣候研究中相對較新的工具。 DLR 科學家 Eyring 與另一個國際研究團隊一起探索挑戰和機會。在 2024 年 8 月 23 日《自然氣候變遷》雜誌上發表的一篇文章中，專家討論了人工智慧方法如何幫助擴大氣候建模和分析的極限。這尤其包括氣候變遷中方法的泛化、不確定性的量化、可解釋的人工智慧和因果關係等因素。這是一種明顯的跨學科方法。機器學習、太空旅行和地球觀測領域的研究和工業界可以共同努力，開闢新的道路，進一步加速氣候研究的行動能力。

 

[照片]

建議的人工智慧驅動的多尺度氣候建模方法示意圖

這種方法彌合了規模和過程複雜性，以獲得更快、更準確的氣候訊息，包括區域和地方尺度的氣候資訊。來自 Eyring 等人，《自然地球科學》(2024a)，圖 2。