人工智能从天气到气候的拓展路径

深度学习在天气预报领域取得了迅速进展：基于大气再分析资料训练的自回归模型，如今在临近预报、中期预报以及次季节至季节预报等时效范围内已可媲美动力模型，并能以更低成本生成校准良好的集合预报。我们回顾了这些进展，并探讨将其拓展至气候时间尺度的可能性；在这一尺度上，挑战从基于初始条件的预测能力转向在强迫发生变化时生成可靠的统计响应。人工智能驱动的气候预测系统必须针对通常超出观测记录范围的驱动因素（如温室气体、土地利用变化），生成可信的受迫响应。我们提出了人工智能用于气候建模的两项最低要求：（i）外部强迫因子必须以足够明确的方式输入模型，以支持使这些因子独立变化的干预；（ii）必须在分布外情景中对稳健性进行压力测试，包括极端事件和反事实演变轨迹。我们以领先的人工智能自回归仿真器和物理与人工智能混合模型为例，识别了开发与耦合方面的挑战。将这些模型已报告的吞吐量与移植至 GPU 的动力模型进行比较，可以看出人工智能如何通过仅以所需分辨率推进目标变量，并采用更长的时间步长，而非对完整的高频多变量状态进行积分，来缩短求解时间。多样化的人工智能降尺度策略可以部分替代对精细尺度的显式解析，为在不同预测时间尺度上开展低成本的局地灾害风险评估铺平道路。