评估气候基础模型在无类比分布偏移下的鲁棒性
机器学习
2026-04-23 v2 人工智能
摘要
气候变化步伐的加快引入了深刻的非平稳性，这挑战了基于机器学习的气候模拟器在其训练分布之外进行泛化的能力。虽然这些模拟器为传统的地球系统模型提供了计算高效的替代方案，但在“无类比”的未来气候状态下，其可靠性仍然是一个潜在的瓶颈，我们在此将其定义为外部强迫将系统驱动到历史训练数据经验范围之外的条件的状态。评估这种可靠性的一个基本挑战是数据污染；因为许多模型是在已经包含未来情景的模拟上训练的，真正的分布外（OOD）性能常常被掩盖。为了解决这个问题，我们对三种最先进架构的 OOD 鲁棒性进行了基准测试：U-Net、ConvLSTM 和 ClimaX 基础模型，特别限制在仅历史训练机制（1850-2014）下。我们使用两种互补策略评估这些模型：（i）对近期气候（2015-2023）的时间外推，以及（ii）跨不同排放路径的情景间强迫偏移。我们在该实验设置内的分析揭示了准确性与稳定性之间的权衡：虽然 ClimaX 基础模型实现了最低的绝对误差，但它在分布偏移下表现出更高的相对性能变化，在极端强迫情景下降水误差增加高达 8.44%。这些发现表明，当限制在历史训练动态时，即使是高容量的基础模型也对外部强迫轨迹敏感。我们的结果强调了情景感知训练和严格的 OOD 评估协议对于确保气候模拟器在不断变化的气候下的鲁棒性的必要性。
引用
@article{arxiv.2603.23043,
title = {Assessing the Robustness of Climate Foundation Models under No-Analog Distribution Shifts},
author = {Maria Conchita Agana Navarro and Geng Li and Theo Wolf and Maria Perez-Ortiz},
journal= {arXiv preprint arXiv:2603.23043},
year = {2026}
}