关键词：气候复杂系统，机器学习，气候物理学，气候预测，数据重建，极端事件预测
论文名称：Machine learning for the physics of climate 论文地址：https://www.nature.com/articles/s42254-024-00776-3 期刊名称：Nature Reviews Physics
气候系统的复杂性和多尺度特性一直是科学家面对的巨大挑战。传统气候模型依赖大量计算资源，并在许多关键的物理过程上存在不确定性和偏差。然而，机器学习的介入正在改变这一状况。机器学习通过改善数据重建、推动小尺度过程参数化，以及加速多尺度预测，正在帮助突破气候科学中的经典预测性障碍。近日发表于 Nature Reviews Physics 的一篇综述文章系统回顾了机器学习在气候物理学中的广泛应用及其前沿进展。
首先在数据重建方面，作者强调了机器学习在时空插值、超分辨率和概率重建中的应用。例如，机器学习算法已经被用来填补遥感卫星数据的空间或时间空白，生成高分辨率气候变量的重建图。这种方法不仅提高了传统插值算法的准确性，还能大幅降低计算成本。此外，通过结合物理约束的生成模型，机器学习使得对极端事件的预测成为可能，这为解决气候研究中的长尾分布问题提供了新思路。
另一个突破性的应用是机器学习对亚网格尺度 （sub-grid scale） 现象的参数化处理。气候系统中许多重要过程 （如湍流和对流） 发生在模型无法直接解析的小尺度上，需要通过参数化来近似描述。传统的参数化方案通常基于经验公式或理想化理论，而机器学习可以通过高分辨率模拟或观测数据捕捉这些过程的复杂关系，从而显著减少结构性不确定性。作者列举了多种实现方式，包括离线学习和在线学习模型的混合应用。这种方法不仅提高了参数化的效率，还增强了其对未观测气候状态的泛化能力。
在预测和预报方面，作者特别关注了机器学习在天气预报和长期气候预测中的革命性影响。例如，机器学习模型已经能够在中短期天气预报中超越传统物理模型的性能，尤其是在低计算资源消耗的情况下实现更高的预测精度。更为重要的是，这些模型表现出对未知气候状态的惊人预测能力，有望在长期气候预测中发挥更大作用。作者还指出，机器学习模型对关键气候现象 （如厄尔尼诺现象） 的预测能力显著提升，部分模型甚至打破了传统预测中的“春季屏障” （spring predictability barrier） 。
尽管取得了这些进展，作者也坦言，机器学习在气候科学中的应用仍面临挑战。例如，数据稀缺性、对物理规律的解释性，以及对外推问题的泛化能力，都是需要进一步解决的难题。为此，作者建议发展物理信息融合的机器学习方法，构建更加通用和高效的气候预测系统。
图1. 与机器学习应用相关的气候科学进展与三个基本领域及其交叉点相关：观测、理论和计算。
图2. 使用 ML 进行空间、时间和尺度重建的示例。基于北大西洋的参考模拟（右），模拟最低点高度计（左）和 10 天期间的 SWOT 海面高度数据（中）。
图3. 当夏季无法进行重建时，通过基于 ML 的重建，观测产品 CS2SMOS 得出的平均北极海冰厚度的时间序列23。
图4. 来自低分辨率观测产品 (CS2SMOS)（左）和高分辨率模型模拟 (neXtSIM)（右）的海冰厚度图。
图5. a) 纬向平均热带纬向风的高度年图，显示一维随机模型中的大气准两年期振荡 (QBO)，具有基于物理的重力波参数化。b) CNN 在小数据体系（18 个月）下离线训练，产生非物理且不稳定的 QBO。c) (b) 中的 CNN，一旦其两个层在线重新训练，就会产生正确的 QBO 统计数据。
龚铭康| 编译
地球系统科学读书会
详情请点击：
1.
2.
3.
4.
5.
6.
热门跟贴