AI如何帮助天气预报

气候科学家塔皮奥·施耐德对机器学习消除了他日常工作中的苦差事感到非常高兴。十多年前，当他首次开始模拟云层的形成时，这主要涉及繁琐地调整描述水滴、气流和温度相互作用的方程。但自2017年以来，机器学习和人工智能（AI）彻底改变了他的工作方式。

“机器学习让这门科学变得更加有趣，”在帕萨迪纳的加州理工学院工作的施耐德说。“它的速度大大加快，更令人满意，而且你能得到更好的解决方案。”

传统的气候模型是由像施耐德这样的科学家从头开始手工构建的，他们使用数学方程来描述陆地、海洋和大气相互作用并影响气候的物理过程。这些模型足够准确，能够制定指导全球政策的气候预测。但是，这些模型依赖于强大的超级计算机，需要数周时间运行，并且能耗巨大。施耐德说，一个典型的模型需要消耗多达10兆瓦时的能源来模拟一个世纪的气候。平均来说，这大约相当于美国家庭一年的电力消耗量。此外，这些模型难以模拟小尺度过程，比如雨滴的形成，而这对于大尺度的天气和气候结果往往具有重要作用，施耐德补充说。

被称为机器学习的人工智能分支——在这个领域中，计算机程序通过在数据集中发现模式来学习——在天气预报中显示出了希望，并且现在正介入帮助解决气候模型中的这些问题。

“机器学习用于气候预测的轨迹看起来非常有希望，”加州大学洛杉矶分校的计算机科学家阿迪亚·格罗弗说。他说，类似于天气预报的早期阶段，目前有一系列的创新活动，这些活动有希望改变科学家对气候的建模方式。

但是仍然有障碍需要克服——包括说服每个人相信基于机器学习的模型在它们的预测上是正确的。

复制者

研究人员在气候建模中使用AI的三种主要方式。第一种方法涉及开发称为模拟器的机器学习模型，这些模型能够在不进行所有数学计算的情况下产生与传统模型相同的结果。

可以把传统气候模型想象成一个计算机程序，它可以根据物理因素（例如球被投掷的力量、投掷的位置以及旋转的速度）计算出球将落在哪里。模拟器可以被视为等同于一个学习了所有这些模型输出中的模式的运动员，然后能够在不进行所有数学计算的情况下预测球将落在哪里。

在2023年的一项研究中，位于澳大利亚墨尔本的联邦科学与工业研究组织的气候科学家瓦西里·基齐奥斯（Vassili Kitsios）及其同事开发了15个机器学习模型，这些模型能够模仿基于物理学的15个大气模型。他们训练了一个名为QuickClim的系统，使用物理模型对低碳排放和高碳排放情景下直至2100年地表气温的预测。基齐奥斯表示，训练每个模型在笔记本电脑上大约需要30分钟。然后研究人员让QuickClim模型预测中等碳排放情景下的气温，而这种情景在训练期间并未见过。结果与传统的基于物理的模型非常接近（见‘AI climate model works at speed’）。

AI气候模型速度惊人。图表显示了基于物理的气候模型与AI模拟器之间的相似性。

一旦用所有三种排放情景进行了训练，QuickClim可以迅速预测在一个世纪内多种碳排放情景下全球地表温度的变化——比传统模型快大约一百万倍，基齐奥斯说。“使用传统模型，你只能分析不到五个左右的碳浓度路径。现在QuickClim允许我们做成千上万条路径的分析——因为它很快，”他说。

QuickClim有朝一日可能通过探索多种情景来帮助政策制定者，而这些情景用传统方法来模拟将花费太长的时间。基齐奥斯表示，像QuickClim这样的模型不会取代基于物理的模型，但可以与之并行工作。

由华盛顿州西雅图艾伦人工智能研究所的大气科学家克里斯托弗·布雷瑟顿（Christopher Bretherton）领导的另一组研究人员，为一个基于物理的大气模型开发了一个机器学习模拟器。在2023年的预印本研究2中，该团队首先通过将十组初始大气条件输入到一个基于物理的模型中，为名为ACE的模型创建了一个训练数据集。对于每组条件，基于物理的模型预测了包括气温、水蒸气和风速在内的16个变量在接下来的十年中将如何变化。

训练后，ACE能够迭代地使用其预测中6小时前的估计值来做出未来6小时的预测，预测的时间跨度长达十年。并且它的表现很好：比一个为了节省时间和计算能力而降低分辨率运行的简化版基于物理的模型更准确。在那次比较中，ACE更准确地预测了90%的大气变量的状态，运行速度快了100倍，能效提高了100倍。

研究作者兼艾伦人工智能研究所的气候科学家奥利弗·沃特-迈耶（Oliver Watt-Meyer）表示他感到惊讶。“我对结果印象深刻。这些早期发现表明，我们将能够制作出非常快速、准确并能够探索许多不同情景的模型，”他说。

坚实的基础

在第二种方法中，研究人员以更根本的方式使用AI，为气候模型的核心部分提供动力。这些“基础”模型稍后可以进行调整，以执行广泛的与气候和天气相关的下游任务。

基础模型依赖于这样一个观点：数据中存在可能未知的、对未来气候有预测性的基本原理模式，格罗弗（Grover）说。通过捕捉这些隐藏的模式，基础模型有望比传统方法产生更好的气候和天气预测，他说。

在2023年的一篇论文中，格罗弗和技术巨头微软的研究人员构建了第一个这样的基础模型，称为ClimaX。它是基于五个基于物理的气候模型的输出进行训练的，这些模型模拟了从1850年到2015年的全球天气和气候，包括气温、气压和湿度等因素，模拟的时间尺度从小时到年不等。与模拟器模型不同，ClimaX的训练不是针对模仿现有气候模型的特定任务。

经过这种一般性训练后，团队对ClimaX进行了微调，以执行广泛的任务。在一个任务中，该模型根据二氧化碳、二氧化硫、黑碳和甲烷水平的输入变量，预测了全球平均地表温度、日温差和降雨量。这项任务是在2022年由加利福尼亚大学圣地亚哥分校的大气物理学家邓肯·沃森-帕里斯（Duncan Watson-Parris）及其同事作为比较AI气候模型的基准提出的。ClimaX在预测与温度相关的状态方面的表现优于沃森-帕里斯团队构建的三个气候模拟器。然而，格罗弗说，它在预测降雨方面的表现不如这三个模拟器中最好的一个。

“我喜欢基础模型的理念，”沃森-帕里斯说。但是这些早期发现还不足以证明ClimaX能够超越传统气候模型，或者基础模型本质上优于模拟器，他补充说。

事实上，施耐德（Schneider）说，要说服人们任何机器学习模型能超越传统方法是困难的。未来气候的真实状态是未知的，我们无法等待几十年来看到模型的表现如何。将气候模型与过去的气候行为进行对比是有用的，但并不是衡量它们预测未来的能力完美方式，这个未来可能与人类以前见过的大不相同。也许如果模型在季节性天气预测方面变得更好，它们在长期气候预测方面也会做得更好，施耐德说。“但据我所知，这还没有被证明，也没有保证，”他说。

此外，许多AI模型的工作方式很难解释，这是一个被称为AI的“黑匣子”问题，这可能使人们难以信任它们。“对于气候预测，你绝对需要信任模型进行外推，”沃森-帕里斯说。

最佳结合

第三种方法是在基于物理的模型内部嵌入机器学习组件，以产生混合模型——施耐德说，这是一种折中方案。

厚厚的雪覆盖房屋和树木的鸟瞰图

传统的气候模型很难预测雪覆盖情况，但是混合了机器学习和基于物理技术的混合模型已成功模拟了雪覆盖和其他小尺度过程。图片来源：Mario Tama/Getty

在这种情况下，机器学习模型只会替代传统模型中效果较差的部分——通常是对小尺度、复杂且重要的过程（如云的形成、雪覆盖和河流流动）的建模。施耐德说，这些是标准气候建模中的“关键难点”。他说：“我认为真正的圣杯是使用机器学习或AI工具来学习如何表示小尺度过程。”这样的混合模型可能比纯基于物理的模型表现得更好，同时也比完全由AI构建的模型更值得信赖。

本着这样的精神，施耐德及其同事构建了包含机器学习表示的几个此类小尺度过程的地球大气和陆地的物理模型。他说，在与历史观测数据对比的河流流量和雪覆盖预测测试中，它们表现良好。“我们发现，机器学习模型在模拟某些现象方面可以比物理模型更成功，”施耐德说。沃森-帕里斯同意这一评估。

到今年年底，施耐德及其团队希望完成一个可以与大气和陆地模型耦合的海洋混合模型，作为他们的气候建模联盟（CliMA）项目的一部分。

NASA和欧洲委员会正在开发类似的努力，创造地球的‘数字孪生’。欧洲项目名为目的地地球（DestinE），将于今年六月进入第二阶段，机器学习将在其中发挥关键作用，英国雷丁的欧洲中期天气预报中心预报部门负责人弗洛里安·帕彭内格尔（Florian Pappenberger）说。

施耐德说，最终目标是创建部分由AI驱动的地球系统的数字模型，能够以极高的精度和闪电般的速度模拟天气和气候的所有方面，达到公里级尺度。我们还没有达到那里，但倡导者说这个目标现在已经触手可及。