对于如何做出指导适应气候变化所需的准确预测，存在着截然不同的观点。本文主张利用人工智能，以特定领域的知识为基础，生成中高分辨率（10-50 km）的气候模拟集成，作为灾害模型的锚点。
气候适应规划者、地方决策者和各行各业都要求对气候风险进行详细评估，这就需要大量的气候模拟集成。然而，气候模型难以提供所需的具有量化不确定性的精细预测。气候预测的准确性和可用性亟待提高。
为逐步改变气候建模而提出的一种方法是将重点放在具有 1km分辨率的全球模型上。这些模型可以改善模拟，例如大气对流风暴和由此产生的极端降水的模拟。然而，由于千米尺度的模型在计算上已达到极限，它们只能产生少数模拟结果——主要是在北半球的某些中心区域。
另一种方法是将模型分辨率提高到 10至50km（目前的标准分辨率为100km左右），重点是利用地球观测数据进行校准，并使用人工智能（AI）工具进行更高分辨率的区域模拟。这样就能利用离线灾害模型生成大型集成，量化不确定性并支持详细的影响评估。作者认为，这种平衡的方法——结合更高分辨率建模、人工智能以及从观测和模拟数据中学习——为准确的气候风险评估提供了最稳健的途径。
千米尺度模型
水平分辨率约为1km的气候模式很有吸引力，因为其分辨率与许多气候风险评估所需的尺度非常接近。例如，在模拟区域降水及其极端情况时，它们有望减少误差。
然而，尽管千米尺度模型被称为地球的 "数字孪生（digital twins）"，它们仍然存在与当前模型类似的局限性和偏差。它们无法捕捉到重要的亚千米尺度过程，如在1-10m尺度上运行的、能量上至关重要的低层云的动力学过程。它们远远无法解决大气湍流问题，而大气湍流占据了从行星尺度到约1毫米的耗散（Kolmogorov）尺度的连续尺度。因此，尽管一个水平分辨率为1km、垂直高度为200m的大气模型将有1011个空间自由度，但这还是比地球大气中的湍流小1017倍。
此外，在最微小的湍流尺度之下，一些过程的运行导致了气候预测的重大不确定性。控制云滴和冰晶形成的云微观物理过程发生在纳米和微米尺度上，调节着地球的能量平衡。云微观物理过程的不确定性在很大程度上导致了气候模式对温室气体浓度增加的敏感度不同。这种小尺度过程的表述误差会向上渗透，导致模型的大尺度能量平衡和降水模式等模拟特征出现偏差。
因此，由于千米尺度模式不能解决许多关键的小尺度过程，它们表现出一些与大尺度偏差相同的问题——例如热带降雨模式——这些问题几十年来一直困扰着分辨率较高的模式。迄今为止，从10km到1km分辨率的精度提升是渐进的，对流风暴的强度在千米分辨率下还没有达到趋同。事实上，如果不进行校准，高分辨率下的大尺度偏差可能会比低分辨率下更大。
总之，千米尺度的模式并不能提供精确度上的阶跃性变化，从而使人们有理由接受它们对模拟集成规模的限制，而模拟集成规模既是校准不可避免的未解决过程的经验模式所必需的，也是量化不确定性所必需的。
利用人工智能和数据改进地球系统模型
本文提出了一种利用计算和人工智能进步的平衡方法，而不是优先考虑千米尺度的分辨率。通过适度提高全球分辨率，同时广泛利用观测和模拟数据，这种方法更有可能实现风险评估气候建模的目标，即最大限度地减少模型误差和量化不确定性。
模型分辨率不是万能的，而是实现这一目标过程中需要优化的几个参数之一。它是优化的有力杠杆，因为在垂直分辨率固定的情况下，计算成本随水平分辨率的增加而呈立方倍增：1000次10km分辨率的模拟与1次1km分辨率的模拟的成本相同。过渡到10km左右的全球分辨率将意味着比现行标准有显著提高，同时仍能生成大型集成。这些集成对于量化不确定性和利用人工智能工具从数据中了解关键的小尺度过程（如云动力学和微物理学）至关重要，因为这些过程无法直接解析。
由于气候预测的重点是统计量，如平均气温或极端降水事件的概率，因此从长期积累的气候统计数据中了解无法解决的过程是很自然的；这与天气预报中的天气状态同化形成鲜明对比（天气预报与气候预测之间的关键差异见Box 1）。气候统计数据相对平滑的时空变化也有助于缓解模拟和观测之间分辨率差异带来的挑战。
▲Box 1 | 天气预报 vs 气候预测
最近数据同化的改进推动了天气预报的进步。气候预测也可能取得类似进展。然而，天气预报和气候预测有着本质的区别。天气预报是第一类预测，旨在预测初始条件下的未来系统状态。第一类预测的可预测性受到混沌的限制--大气层的状态在两周内就会被“遗忘”。每日天气观测数据同化为天气预报提供了初始条件。它还通过反复将模拟温度拉回观测值等方式，补偿未解决过程的表达误差和抵消模型能量平衡中的偏差。
相比之下，气候预测属于第二类预测，旨在预测在不断变化的边界条件（如温室气体排放）下未来的气候统计数据。第二类预测的可预测性是有限的，因为在混沌的背景变异中，气候统计数据变化的信号只会缓慢出现。要预测这些缓慢变化的气候统计数据，气候模式必须在未来几十年内自由运行，而没有机会通过同化观测到的气候状态来弥补误差。因此，预测多年代时间尺度上气候统计数据如何变化的能力主要受限于不确定性和未解决过程表达中的误差。排放情景的不确定性也开始在 30 年左右的时间尺度上产生重大影响，并在百年尺度上占主导地位。
因此，无论是通过传统的数值模型还是机器学习模型获得的改进的天气预报，都不能直接转化为改进的气候预测。但是，推动天气预报取得进展的一些工具，如数据同化，可以用于气候模型从数据中学习，尽管数据是由气候统计数据而不是天气状态组成的。
然而，利用人工智能工具学习气候统计数据也面临着挑战。广泛采用的机器学习范式——监督学习——通常依赖于模型梯度进行训练，这种范式限制性太大，因为它需要待学习过程层面的直接训练数据。然而，气候数据（例如云层统计数据）通常只能提供有关要学习的过程（例如云微观物理）的间接信息。从多年平均值或季节周期等统计数据中学习，还需要积累数年到数十年的模拟统计数据，因此训练阶段的计算成本很高。
但这些挑战是可以应对的。在天气预报中被广泛用于状态同化的集成卡Kalman方法，可以通过解决反演问题来学习气候模式的参数、参数函数甚至机器学习组件。这些方法避免了监督学习的限制和对模型梯度的依赖。它们允许使用噪声、异构和间接数据来校准模型，例如现在可用的大量地球观测数据（图1）。它们可以与机器学习模拟器配对，加快不确定性量化，将所需的气候模型运行次数从标准马尔科夫链蒙特卡罗方法的 O(106)减少到易于管理的O(103)。
▲图1 | 通过学习观测和模拟数据改进气候模式和预测。为了改进气候模式，编码特定领域知识的模式组件应从地球观测或区域高分辨率模拟获得的各种气候统计数据中学习。理想的情况是，模型各组成部分共同学习，并对其共同的不确定性进行量化，通过包裹所有模型组成部分的数据同化和机器学习工具共享层来揭示和减少各组成部分之间的补偿误差。这种模型校准和不确定性量化需要大量的气候模拟集成，同时也需要大量的模拟集成来采样可信的气候结果空间。这些模拟集成可以以中等高分辨率(10-50km)生成，但还不能以千米尺度生成。
气候系统中存在大量无法解决的尺度问题，需要从现有的观测数据中归纳出未知的气候，这本来会带来巨大的数据需求，但通过将数据学习与特定领域的知识（例如理论和守恒定律）相结合，可以缓解这种需求。将数据和新的人工智能工具与特定领域的知识相结合的领域已经成熟，可以取得进一步的进展。进展不仅对气候科学很重要，对计算科学和工程学也很重要，因为从有限的数据中学习未解决过程的闭合模型（Closure Models）是一个常见问题。
无论哪种人工智能工具占上风，我们都需要能够运行气候模式O(103)次，以校准无法解决的过程，量化模式的不确定性，并产生从已学模式中采样的、跨可信气候结果的大型预测集成。在未来十年内，以千米尺度的分辨率生成这些大型集成预测仍然是不可行的。因此，尽管随着计算机性能的提高，我们应该不断提高分辨率，但未来十年的气候建模需要将重点放在 10-50km范围内的分辨率上。在这一范围内，热带气旋和中尺度海洋湍流开始得到解决，相对于今天的 O(100km)分辨率标准，可以改善对最具破坏性的天气灾害以及海洋热量和碳吸收率的模拟。
因此，大集成仍然是可行的，甚至已经开始产生。更高分辨率的模拟，从km到m，在为更高分辨率的模式提供训练和验证数据方面可以发挥作用，包括在没有观测数据的不同于今天的气候条件下。然而，这些模拟并不需要遍及全球，而是可以针对特定区域或气候条件，因为它们特别具有参考价值——这种方法非常适合分布式（云）计算（图 1）。
分布式研究计划中的模型层次结构
气候建模必须支持各种适应决策，其中许多是局地尺度的决策。这就要求将气候预测集成下降到与影响相关的尺度，并在过程模型或生成式人工智能的基础上，建立离线灾害模型的层次结构，以便有效地探索各种情景，并将不确定性传播到具体的气候影响中。灾害模型包括内陆和沿海洪水、风暴-热浪对基础设施和弱势群体的复合影响以及野火风险的米级模型。
重要的是，如果将重点放在千米尺度的全球建模上的话，那么气候模式的开发必须能够通过快速迭代加以利用和改进，在一个全球包容和分布式的研究计划中进行，而不是将资源集中在少数几个单一的中心。以中等高分辨率（10-50km）生成大型模拟集成为重点的方法可以更好地评估气候风险，并使其得到更广泛的采用。在进行计算成本高昂的校准和不确定性量化之后，这些模型可由不同群体运行，从而利用全球人才库中最易受气候变化影响和最了解其社区所面临风险的人才。
论文信息
标题：Harnessing AI and computing to advance climate modelling and prediction
期刊：Nature Climate Change
类型：Comment
作者：Tapio Schneider*【California Institute of Technology】, Swadhin Behera【 Japan Agency for Marine-Earth Science and Technology】, ...... , & Toshio Yamagata【 Japan Agency for Marine-Earth Science and Technology】
时间：2023-09-05
DOI ：https://doi.org/10.1038/s41558-023-01769-3
点击文末左下角 “阅读原文” 可直达原文
来源：生态学家
转自：“生态遥感前沿”微信公众号
如有侵权，请联系本站删除！
