☟上下滑动查看更多
Slide for more photos
气候变化是地球面临的最严峻挑战之一。要实现《巴黎协定》设定的目标，需要世界经济以前所未有的速度进行转型。因此，支撑这一转型的科学证据必须是坚实、可解释且值得信赖，这一点至关重要。物理理解始终是其核心。
与此同时，气候研究的进展受制于我们能否以足够细小的尺度模拟关键过程，以及我们能否理解来自气候模型和地球观测产生的大量数据。越来越明显的是，人工智能和机器学习将为这两个领域做出变革性的贡献，关键在于如何产生既符合物理约束、又值得信赖且易于解释的结果。
对于气候建模来说，除了将基本物理方程的数值解与更快和 / 或更准确的人工智能组件相结合的混合模型之外，其他任何模型都将在中短期内占据主导地位，这似乎是不可想象的。人工智能将在不存在封闭物理问题的启发式模型组件中占据主导地位，如生物地球化学循环和生态系统模型。问题仍然主要是物理气候模型的哪一部分最终将被人工智能取代，这反过来又取决于其物理一致性和可解释性，这也是信任的基础。挑战包括物理约束的最佳结合；开发气候不变模型组件来处理非平稳性，因为气候系统将在训练期和未来气候之间发生变化；重要的是，可解释性：由于气候系统不允许进行控制实验，因此气候预测保持可解释性作为信任的基础至关重要。除了通过快速模拟来加速之外，利用人工智能改进气候模型的具体机会包括：从更准确的参考模型和观测中模拟参数化；通过同时模拟多个气候模型组件，可以避免操作员在不同的气候过程之间分裂；通过考虑仿真的非局部输入来克服当前参数化局部性的潜力；如引入记忆性的方法，如长短期记忆网络（LSTM），用于对流参数化；以及利用AI 驱动和降低精度气候模型组件共同进化的机遇。
人工智能正在改变我们分析大量气候模型模拟输出的能力，而且这种影响将持续增强。基于人工智能的气候模型情景模拟将为决策者提供易于获取的时空指导，这些指导仍然完全可以追溯到支撑复杂气候模型模拟的基础。未来的机会包括模拟气候变量的完整概率分布，以灵活评估极端事件，以及在模拟器中纳入区域排放变化，以指导其区域和全球影响。将气候模型输出模拟与基于人工智能的降尺度技术相结合，以及无监督降尺度技术的进一步发展，最终可为地方和区域决策提供可访问的高分辨率气候变化数据及影响评估。
虽然目前气候科学中人工智能的大部分注意力都集中在建模上，但人工智能将彻底改变我们解释地球观测数据、充分利用其全部信息的能力。这并非没有挑战：气候观测是异构的、不连续的、非欧几里得空间特点，且数据量规模很大——每个观测快照远大于标准机器学习应用中使用的典型图像分辨率，而且总数据量每年增加量以PB 计。众多干扰因素的普遍存在，使得仅凭观测进行因果归因极具挑战。但未来的机会巨大：人工智能将使得对气候现象（如单个云层或海洋涡流）的监测、跟踪和标注成为可能。与因果发现工具相结合将能够识别和量化气候变化的关键驱动因素。这将促进对气候影响及极端事件（如洪水、野火、干旱、热浪）在完整观测记录中的客观检测及归因。例如，将传统线性方法替换为非线性神经网络用于检测和归因应用。
最终挑战是如何将物理模型和地球观测与人工智能最佳地结合起来，以加速气候科学的发展。
数字孪生地球背景下人工智能在气候科学中的应用
在可预见的未来，即使目前正在规划中的风暴解决数字孪生地球的O（1km）分辨率也不足以解决关键过程。例如，主导当前气候模型不确定性的低云反馈，因此可能需要利用AI 由更高分辨率的大涡模拟（LES）或是直接数值模拟（DNS）模型提供信息。同样，在当前气候模型比对中探索的广泛参数空间中的大量场景中不可能常规运行风暴解析数字孪生地球，因此可能需要用低分辨率数字孪生地球进行补充，以实现长期气候情景模拟。正如最近成功证明的那样，低分辨率孪生参数化引入的偏差可以使用从高分辨率孪生导出的机器学习的校正项来系统地校正。来自高分辨率数字孪生的数据可以用作低分辨率数字孪生的监督超分辨率缩小的训练数据，以预测气候影响，特别是与决策相关尺度上的极端事件。这种双数字孪生地球（我们称之为DTE2）的愿景如图所示，如果没有人工智能应用于气候科学领域，这种愿景是不可能实现的。
专业品质 学术价值
原创好读 科学品位
一起阅读科学