編輯 | ScienceAI
氣候科學家 Tapio Schneider 很高興，因為機器學習讓他擺脫了日常工作中繁瑣乏味的任務。
十多年前，當他第一次開始模擬雲的形成時，這主要涉及到煞費苦心地調整描述水滴、氣流和溫度如何相互作用的方程。但自 2017 年以來，機器學習和人工智慧 (AI) 改變了他的工作方式。
「機器學習讓這門科學變得更加有趣，」在加州理工學院工作的 Schneider 說。「它速度更快、更令人滿意，而且你可以獲得更好的解決方案。」
傳統的氣候模型是由 Schneider 等科學家從頭開始手動構建的，他們使用數學方程來描述陸地、海洋和空氣相互作用並影響氣候的物理過程。這些模型執行良好，足以做出指導全球政策的氣候預測。
但這些模型依賴於強大的超級計算機，需要數週的時間才能執行，並且是能源密集型的。Schneider 說，一個典型的模型需要消耗高達 10 兆瓦時的能量來模擬一個世紀的氣候。平均而言，這大約相當於一個美國家庭每年的用電量。此外，此類模型很難模擬小規模過程，例如雨滴的形成方式，而雨滴通常在大規模天氣和氣候結果中發揮重要作用，Schneider 說。
機器學習透過發現資料集中的模式來學習，已經在天氣預報中顯示出前景，現在正在介入幫助解決氣候建模中的這些問題。
加州大學洛杉磯分校的電腦科學家 Aditya Grover 表示：「機器學習在氣候預測方面的前景看起來非常有前景。」 他說，與早期的天氣預報類似，出現了一系列創新，有望改變科學家模擬氣候的方式。
但仍有一些障礙需要克服——包括讓每個人相信基於機器學習的模型正在做出正確的預測。
Copy cats
研究人員主要透過三種方式使用人工智慧進行氣候建模。第一種方法是開發一種稱為模擬器的機器學習模型，該模型可以產生與傳統模型相同的結果，而無需進行所有數學計算。
將傳統的氣候模型視為一個計算機程式，它可以根據物理因素（例如球的投擲力度、投擲地點以及旋轉速度）來計算球將在何處落地。模擬器可以被認為相當於一名體育運動員，他學習所有這些建模輸出中的模式，然後能夠預測球將落在哪裡，而無需處理所有數學運算。
在 2023 年的一項研究中，澳大利亞聯邦科學與工業研究組織（CSIRO）的氣候科學家 Vassili Kitsios 和他的同事開發了 15 個機器學習模型，可以模擬 15 個基於物理的大氣模型。
他們使用物理模型對截至 2100 年的地表氣溫的預測，針對兩種大氣碳濃度路徑（低碳排放情景和高碳排放情景）訓練了名為 QuickClim 的系統。Kitsios 表示，在膝上型電腦上訓練每個模型大約需要 30 分鐘。研究人員隨後要求 QuickClim 模型預測中等碳排放情景下的溫度，而模型在訓練期間沒有看到這種情況 結果與傳統的基於物理的模型非常吻合。
Kitsios 表示，一旦接受了所有三種排放情景的訓練，QuickClim 就可以快速預測本世紀在許多碳排放情景下全球地表溫度將如何變化——比傳統模型快約一百萬倍。「使用傳統模型，您可以分析的碳濃度路徑少於五個左右。QuickClim 現在允許我們完成數千條路徑——因為它速度很快。」他說。
QuickClim 有一天可以透過探索多種場景來幫助政策制定者，而傳統方法需要太長時間才能模擬。Kitsios 表示，QuickClim 等模型不會取代基於物理的模型，但可以與它們一起工作。
由華盛頓西雅圖艾倫人工智慧研究所的大氣科學家 Christopher Bretherton 領導的另一組研究人員，為基於物理的大氣模型開發了機器學習模擬器。在 2023 年的研究中，該團隊首先透過將十組初始大氣條件輸入基於物理的模型，為該模型建立了一個名為 ACE 的訓練資料集。對於每組資料，基於物理的模型都預測了包括氣溫、水蒸氣和風速在內的 16 個變數在未來十年內將如何變化。
論文連結：https://arxiv.org/abs/2310.02074
經過訓練後，ACE 能夠在長達 10 年的時間跨度內，迭代地使用 6 小時前的估計值來提前 6 小時進行預測。而且它表現良好：比基於物理的模型的精簡版本更好，該模型以一半的解析度執行，以節省時間和計算能力。在那次比較中，ACE 更準確地預測了 90% 的大氣變數的狀態，執行速度快了 100 倍，能源效率提高了 100 倍。
研究作者、艾倫人工智慧研究所的氣候科學家 Oliver Watt-Meyer 表示，他感到很驚訝。「結果讓我印象深刻。這些早期發現表明，我們將能夠製作出非常快速、準確並能夠探測許多不同場景的模型。」他說。
堅實的「基礎」
在第二種方法中，研究人員以更基本的方式使用人工智慧，為氣候模型提供動力。這些「基礎」模型隨後可以進行調整，以執行各種下游氣候和天氣相關任務。
Grover 說，基礎模型的「基礎」是這樣的邏輯：資料中存在一些基本的、可能未知的模式，可以預測未來的氣候。他認為，透過發現這些隱藏的模式，基礎模型有望比傳統方法做出更好的氣候、天氣預測。
在 2023 年的一篇論文中，Grover 和微軟的研究人員一起構建了第一個此類基礎模型，名為 ClimaX。它根據五個基於物理的氣候模型的輸出進行訓練，這些模型模擬了 1850 年至 2015 年的全球天氣和氣候，包括氣溫、氣壓和溼度等因素，模擬時間尺度從幾小時到幾年不等。與模擬器模型不同，ClimaX 並未針對模仿現有氣候模型的特定任務進行訓練。
論文連結：https://arxiv.org/abs/2301.10343
經過這次訓練後，團隊對 ClimaX 進行了微調，使其能夠執行廣泛的任務。其中，該模型根據二氧化碳、二氧化硫、黑碳和甲烷水平的輸入變數預測了全球平均地表溫度、每日溫度範圍和降雨量。
加州大學聖地亞哥分校的大氣物理學家 Duncan Watson-Parris 團隊 2022 年在一項研究中提出了比較人工智慧氣候模型的基準。
論文連結：https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2021MS002954
ClimaX 比 Watson-Parris 團隊構建的三個氣候模擬器更好地預測了與溫度相關的變數狀態。但是，Grover 表示，ClimaX 在預測降雨量方面的表現，不如這三個模擬器中最好的模型。
「我喜歡基礎模型的想法。」Watson-Parris 說，但他同樣表示，這些早期發現尚未證明 ClimaX 可以超越傳統的氣候模型，或者說尚未證明基礎模型本質上優於模擬器。
Schneider 認為，很難讓人們相信任何機器學習模型都能勝過傳統方法。他說，未來氣候的真實狀況尚不清楚，人們迫不及待地想看看這些模型的表現如何。根據過去的氣候行為測試氣候模型是有效的，但並不能完美地衡量它們如何預測可能與人類以前所見過的截然不同的未來。Schneider 表示，也許如果模型在季節性天氣預報方面做得更好，那麼它們在長期氣候預測方面也會做得更好。「但據我所知，這還沒有得到證實，也不能保證。」他說。
此外，很難解釋許多人工智慧模型的工作方式，這個問題被稱為人工智慧黑匣子，這可能會讓人們難以信任它們。「對於氣候預測，你絕對需要相信模型的推斷能力。」Watson-Parris 說。
兩全其美
Schneider 說，第三種方法是將機器學習元件嵌入基於物理的模型中以生成混合模型——這是一種妥協。
傳統的氣候模型很難預測積雪，但融合了機器學習和基於物理的技術的混合模型已經成功模擬了積雪和其他小規模過程。
在這種情況下，機器學習模型將僅替代傳統模型中效果表現較差的方面——通常是對小規模、複雜和重要過程的建模，例如雲的形成、積雪和河流。Schneider 說，這些是標準氣候模型中的一個「關鍵癥結」。「我認為聖盃確實是使用人工智慧工具來學習如何表示小規模流程。」他說。
他同時表示，這種混合模型可以比純粹基於物理的模型表現得更好，同時比完全由人工智慧構建的模型更值得信賴。
本著這種精神，Schneider 團隊建立了地球大氣層和陸地的物理模型，其中包含一些此類小規模過程的機器學習表示。他說，在根據歷史觀測進行河流流量和積雪預測的測試中，它們表現良好。
論文連結：https://clima.caltech.edu/files/2023/04/Snow_Prediction_Paper.pdf
「我們發現機器學習模型在模擬某些現象方面，比物理模型更有效。」Schneider 說。Watson-Parris 同意這一觀點。
到 2024 年年底，Schneider 團隊希望完成一個可以與大氣和陸地模型耦合的海洋混合模型，作為 Climate Modeling Alliance（CliMA）專案的一部分。
美國宇航局和歐盟委員會正在開展類似的研究，用於建立「數字孿生」地球。歐洲中期天氣預報中心的 Florian Pappenberger 表示，這個名為「Destination Earth」（DestinE）的專案將於 2024 年 6 月進入第二階段，其中機器學習技術將發揮關鍵作用。
Schneider 表示，最終目標是建立地球系統的數字模型，由人工智慧提供支援，可以以閃電般的速度模擬天氣和氣候，精確度可達公里級。我們還沒有達到這個目標，但研究人員表示這個目標現在就在眼前。
參考內容：https://www.nature.com/articles/d41586-024-00780-8