人工智能在气候预测领域应用初探 .pdfVIP

人工智能在气候预测领域应用初探

作者：刘冠州唐伟

来源：《中国信息化》2023年第10期

根据国家标准化管理委员会发布的《人工智能标准化白皮书（2018年）》，人工智能

（ArtificialIntelligence，AI）是指利用数字计算机或者由数字计算机控制的机器，模拟、延伸

和扩展人类的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用

系统。现阶段，随着计算机硬件设施性能的显著提升、研究数据的大量增长且存储成本的大幅

降低以及算法的明显改进，人工智能技术飞速发展，呈现出深度学习、跨界融合、人机协同、

自主操控等发展趋势。

在人工智能领域，一般包括机器学习、知识图谱、自然语言处理、人机交互、计算机视

觉、生物识别、增强现实（AugmentedReality，AR）/虚拟现实（VirtualReality，VR）七大关

键技术。机器学习（MachineLearning，ML）是一门交叉学科，涉及统计学、系统辨识、逼近

论、神经网络、优化论、计算机科学、脑科学等诸多领域。它研究计算机如何模拟或实现人类

的学习行为。获取新知识或技能，重组现有知识结构，不断提高自身性能，是人工智能技术的

核心。常使用并且表现突出的主流机器学习方法包括两大类：（1）传统机器学习，如決策

树、随机森林、支持向量机、朴素贝叶斯、梯度提升树、极端梯度提升树等；（2）深度学

习，如卷积神经网络、循环神经网络、递归神经网络、深度玻尔兹曼机、深度置信网络等。

随着气候变化及其负面影响的日益加剧，干旱、洪涝等气象灾害频发且破坏加剧对人类的

生活造成很大影响，提高气候预测的能力也变得愈加重要和急迫，对气候预测的需求越来越

大。将人工智能应用于月—季尺度上的气候预测以及更长时间尺度的气候预估，是一项巨大的

挑战。人工智气候预测需要海量的优质数据，数据是机器学习的核心，是AI发展的瓶颈，数

据决定模型质量的上限。随着对气候系统变化机制的日益深入理解，地球系统的观测数据、再

分析资料以及数值模拟数据在过去40年里飞速增长，气候变化科学数据存量越来越大，存储

类型越来越丰富。尤其是第五阶段国际耦合模式比较计划（CoupledModelIntercomparison

Project-Phase5，CMIP5）和第六阶段国际耦合模式比较计划（CoupledModelIntercomparison

ProjectPhase6，CMIP6），为气候变化、气候预测和气候预估研究提供了数千万亿字节量级的

数据资源。同时在高性能计算机、“大数据”和先进算法的支持下，机器学习技术蓬勃发展，为

提高气候预测的技巧提供了新的思路和契机，气候预测领域的人工智能应用也在逐渐展开。在

模式改进等特定领域，人们已经认识到人工智能技术的巨大潜在利益。传统模式中的不同要素

显示出被人工智能技术取代或增强的潜力。许多气候研究人员已经采用人工智能方法来加深对

特定地球系统组成部分的理解，相关领域涌现了一大批创新性的研究成果，下文将分类详述。

Krasnopolsky等人2005年提出了一种基于统计/机器学习和大气模型中确定性建模的协同

组合的方法。该方法使用神经网络作为统计或机器学习技术，用于模型物理参数化的精确和快

速仿真或统计近似。它被用于为美国国家大气研究中心（NationalCenterforAtmospheric

Research，NCAR）社区大气模型开发一个大气长波辐射参数化的精确和快速近似，这是模型

物理中最耗时的部分。开发的神经网络仿真比原始参数化快两个数量级到50～80倍。用原始

参数化及其神经网络模拟进行的并行10年气候模拟的比较证实，这些模拟产生几乎相同的结

果。Gentine等人2018年提出了一种基于机器学习的对流参数化的新方法，使用一个具有指定

海面温度的水行星作为概念证明。用气候模型的超参数化版本来训练深度神经网络，其中对流

由数千个嵌入的二维云解析模型来解析，对流的机器学习表示可以巧妙地预测对气候模拟最重

要的超参数化的对流加热、润湿和辐射特征。

气溶胶—云的相互作用效应是气候模式中不确定性的主要来源，因此量化不确定性的来源

从而指导研究工作是很重要的。然而，全球气溶胶模型的计算费用阻碍了对其输出进行全面的

统计分析。Lee等人2013年对一个全球三维气溶胶微物理学模型进行了基于方差的分析，以

量化模型估计的云凝结核当前浓度中参数不确定性的大小和主要原因。根据专家的启发，确定

了28个模型参数，基本上涵盖了所有重要的气溶胶