基于人工智能的天气预报在气候变化中的鲁棒性
大气与海洋物理
2024-09-30 v1 机器学习
计算物理
摘要
在过去的一两年间，用于天气预报的数据驱动机器学习模型取得了变革性进展，当前最先进的模型在多项技巧评分上已超越最佳的基于物理的模型。鉴于天气与气候建模之间存在紧密联系，这引出了一个问题：机器学习模型是否也能彻底改变气候科学，例如通过为气候变化的减缓与适应提供信息，或生成更大的集合以获得更鲁棒的不确定性估计。在此我们表明，当前针对当今气候下天气预报训练的最先进机器学习模型，在对应于前工业化、当今以及未来变暖 2.9K 的不同气候状态下均能产生具有技巧的预报。这表明塑造短期天气的动力学在气候变化中可能并无根本差异。这也证明了机器学习模型的分布外泛化能力，而这是气候应用的关键前提。尽管如此，其中两个模型在未来更温暖的气候状态预报中表现出全球平均冷偏差，即它们漂移向其训练所用的较冷的当今气候。在前工业化情形中也得到了类似结果，三个模型中有两个表现出变暖。我们讨论了这些偏差的可能补救措施，并分析了其空间分布，揭示了复杂的变暖与变冷模式，这些模式部分与训练数据中缺失的海洋-海冰和地表信息有关。尽管存在这些当前局限，我们的结果表明数据驱动的机器学习模型将为气候科学提供强大工具，并通过补充传统的基于物理的模型来变革既有方法。
引用
@article{arxiv.2409.18529,
title = {Robustness of AI-based weather forecasts in a changing climate},
author = {Thomas Rackow and Nikolay Koldunov and Christian Lessig and Irina Sandu and Mihai Alexe and Matthew Chantry and Mariana Clare and Jesper Dramsch and Florian Pappenberger and Xabier Pedruzo-Bagazgoitia and Steffen Tietsche and Thomas Jung},
journal= {arXiv preprint arXiv:2409.18529},
year = {2024}
}
备注
14 pages, 4 figures