基于流匹配模拟气候模型的强迫响应
机器学习
2026-05-19 v1
摘要
全球气候模型是模拟气候变化过去及潜在未来路径以及相关气候影响的关键工具。共享社会经济情景（SSPs）描述了全球经济和人口发展的未来情景系列，这些情景本质上与气候强迫（如温室气体和气溶胶排放）变化相关联，后者导致地球能量平衡随时间的人类影响。这些强迫是气候模型的基本边界条件，以洞察由每个SSP描述的潜在气候影响。然而，运行气候模型极其昂贵，与为每个模型大规模模拟 ensemble 的需求相冲突——例如，为了在内部变动性（气候系统内在混沌波动）和情景不确定性的情况下获得更稳健的估计。最近的研究表明，在针对不同气候情景的强迫条件下，使用机器学习捕捉气候模型动力学的能力。我们在多个SSPs上训练深度学习模型，成功生成训练期间未见过的情景。我们的模拟器以MESMER-M（陆地表面温度的统计模拟器）进行验证。我们的研究表明，能够响应各种同时气候强迫（如二氧化碳、甲烷、氧化亚氮、硫酸气溶胶和臭氧）来生成此类变化气候状态。特别是，我们的消融研究凸显了需要包含多种不同强迫才能用DL模拟器代表长期大气趋势的必要性。
引用
@article{arxiv.2605.16929,
title = {Emulating the Forced Response of Climate Models with Flow Matching},
author = {Graham Clyne and Julia Kaltenborn and Peer Nowack and Claire Monteleoni and Anasatase Charantonis},
journal= {arXiv preprint arXiv:2605.16929},
year = {2026}
}