气候模型是预测气候变化影响的关键技术。通过模拟地球气候，科学家和决策者可以估计海平面上升、洪水和气温上升等情况，并决定如何采取适当措施。但目前的气候模型难以快速或经济地提供这些信息，无法在较小的规模(例如城市规模)上发挥作用。

现在，发表在《地球系统建模进展》杂志上的一篇新论文的作者找到了一种利用机器学习来利用当前气候模型的优势的方法，同时降低运行它们所需的计算成本。

麻省理工学院地球、大气和行星科学系(EAPS)首席研究员赛·拉维拉(SaiRavela)表示：“它颠覆了传统智慧。”他与EAPS博士后阿纳米特拉·萨哈(AnamitraSaha)共同撰写了这篇论文。

传统智慧

在气候建模中，降尺度是使用具有粗分辨率的全球气候模型在较小区域生成更精细细节的过程。想象一下一张数字图片：全球模型是一张像素数较少的世界大图。要进行降尺度，只需放大照片中想要查看的部分，例如波士顿。但由于原始图片分辨率较低，新版本很模糊;它没有提供足够的细节，因此不太有用。

“如果从粗分辨率变为精细分辨率，就必须以某种方式添加信息，”萨哈解释道。降尺度尝试通过填充缺失的像素来重新添加这些信息。“信息的添加可以通过两种方式实现：要么来自理论，要么来自数据。”

传统的降尺度方法通常涉及使用基于物理学的模型(例如空气上升、冷却和凝结的过程，或该地区的景观)，并辅以从历史观察中获取的统计数据。但这种方法在计算上很费力：它需要大量的时间和计算能力才能运行，同时也很昂贵。

两者皆有

在他们的新论文中，Saha和Ravela找到了另一种添加数据的方法。他们采用了机器学习中的一种称为对抗性学习的技术。它使用两台机器：一台机器生成数据以放入照片中。但另一台机器通过将样本与实际数据进行比较来判断样本。如果它认为图像是假的，那么第一台机器必须再试一次，直到说服第二台机器。该过程的最终目标是创建超分辨率数据。

在气候建模中使用对抗性学习等机器学习技术并不是一个新想法;目前它面临的困难在于无法处理大量基本物理问题，如守恒定律。研究人员发现，简化物理问题并用历史数据中的统计数据进行补充就足以产生他们需要的结果。

“如果你利用来自统计和简化物理学的一些信息来增强机器学习，那么突然间，它就变得很神奇了，”拉维拉说。

他和萨哈首先通过去除更复杂的物理方程式，将重点放在水蒸气和陆地地形上，估算极端降雨量。然后，他们为山区丹佛和平坦的芝加哥生成了一般降雨模式，并应用历史记录来修正输出结果。

“它能让我们以更低的成本实现极端情况，就像物理学一样。它能让我们获得与统计学相似的速度，但分辨率却高得多，”拉维拉继续说道。

该结果的另一个意想不到的好处是所需的训练数据非常少。“事实上，只需要一点点物理和一点点统计就足以提高ML[机器学习]模型的性能……实际上一开始并不明显，”Saha说。它只需要几个小时进行训练，几分钟就能产生结果，这比其他模型运行几个月要好得多。

快速量化风险

能够快速且频繁地运行模型是保险公司和地方政策制定者等利益相关者的关键要求。Ravela举了孟加拉国的例子：通过了解极端天气事件对该国的影响，可以尽快考虑到非常广泛的条件和不确定性，决定应该种植什么作物或人口应该迁移到哪里。

“我们不能等上几个月或几年才能够量化这种风险，”他说。“你需要展望未来，考虑大量的不确定因素，才能说出什么可能是一个好的决定。”

虽然目前的模型只关注极端降水，但该项目的下一步是训练它来研究其他关键事件，如热带风暴、风和温度。有了更强大的模型，Ravela希望将其应用于波士顿和波多黎各等其他地方，作为麻省理工学院气候大挑战项目的一部分。

他说：“我们对我们所提出的方法以及它可能带来的潜在应用感到非常兴奋。”

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：