大气机器学习模型对均匀海表温度变暖的平衡响应
大气与海洋物理
2026-01-09 v2 机器学习
摘要
近年来开发了能够产生地球气候稳定多年模拟的大气机器学习模型。然而，这些机器学习模型在训练分布之外的泛化能力仍然是一个开放问题。在本研究中，我们评估了几种最先进的大气机器学习模型（ACE2-ERA5、NeuralGCM 和 cBottle）对均匀海表温度变暖的气候响应，这是评估气候变化广泛使用的基准。我们将每个机器学习模型的性能与基于物理的大气环流模型（NOAA 的地球物理流体动力学实验室 AM4）在关键诊断指标上进行了比较，包括地表气温、降水、温度和风廓线以及大气顶辐射。虽然机器学习模型再现了物理模型响应的关键方面，特别是降水响应，但一些模型在辐射响应和陆地区域变暖方面表现出与稳健物理响应的显著偏离。我们的结果突出了大气机器学习模型在气候变化应用中的前景和当前局限性，并表明需要进一步改进以实现稳健的分布外泛化。
引用
@article{arxiv.2510.02415,
title = {The Equilibrium Response of Atmospheric Machine-Learning Models to Uniform Sea Surface Temperature Warming},
author = {Bosong Zhang and Timothy M. Merlis},
journal= {arXiv preprint arXiv:2510.02415},
year = {2026}
}