深度学习在气候应用中架构选择的重要性

机器学习已成为气候科学应用中无处不在的工具。然而，当前模型未能解决由人为温室气体排放改变引起的非平稳性问题，也未常规量化所提预测的不确定性。在本文中，我们对大西洋经向翻转环流（AMOC）进行建模，该环流通过将暖水输送到欧洲和美国东海岸而对气候至关重要，并具有突然崩溃的潜力。我们可以通过任意时间尺度生成任意极端的气候情景，并利用神经网络对其进行预测。我们的分析表明，在多样化的气候情景下，AMOC 是可利用神经网络预测的。进一步的实验揭示，多层感知机（MLP）和深度集成（Deep Ensembles）能够学习 AMOC 的物理机制，而非仅仅通过自相关模仿其演变过程。在量化不确定性的情况下，AMOC 崩溃临界点前出现的有趣“尖峰”模式，令此前预测本世纪内 AMOC 将崩溃的分析受到质疑。我们的结果表明，贝叶斯神经网络的表现不如更密集的架构，因此在将神经网络应用于气候预测等非平稳情景时应谨慎行事。此外，我们的结果强调，由于物理机制难以被神经网络捕捉，大型神经网络模型可能在准确建模全球地球系统动力学并成功应用于非平稳气候情景方面存在困难。