人工智能如何助力气候研究与应用？中国科研团队获得重要进展

　　 中新网 北京4月9日电 (记者 孙自法)当前，人工智能(AI)迅速发展，已经在大气科学的各个领域产生深远影响，并且不断改变和重塑气候领域诸多方向的研究。

　　在此条件下，如何结合AI方法来帮助解决传统气候研究中遇到的问题，又该如何结合气候动力研究帮助诊断、认识和理解AI模型，提升AI模型的性能，这些问题备受关注。

《大气科学进展》(AAS)最新一期AI专刊封面。中国科学院大气物理研究所/供图

　　中国科学院大气物理研究所研究员、大气科学人工智能研究中心主任黄刚率团队进行研究，获得提出物理和AI融合的必要性及路径、生成模型改进气候模式对厄尔尼诺-南方涛动(ENSO)的模拟、物理耦合提升深度学习降水预报技巧等重要进展，相关研究成果以封面论文形式在最新一期专业学术期刊《大气科学进展》(AAS)上发表。

　　未来气候模式或为AI和数值完全耦合

　　论文通讯作者黄刚研究员介绍说，盘古等气象大模型出现以来，针对其物理一致性问题，科学界存在较大争论，科研团队对这一争论进行了梳理，发现争论主要来自于对天气大模型定性和定量两种不同程度的动力诊断。这些研究表明，天气大模型可以定性地学习到气候系统的一些关键动力模态，但是对于一些关键物理动力量(如一些风分量)在定量上仍然存在明显误差。他们认为，这些误差主要因为目前的天气大模型并未显式地学习这些风分量，而是根据总的风速去构造损失函数迭代模型。

　　由此可以看出，对AI模型进行充分、深入地动力诊断的必要性，只有比较全面地分析和了解模型的优缺点，才能逐步对其增加认识，进而进行改进和物理约束。从这一角度出发，科研团队结合具体的研究分析应该如何对AI模型(尤其是AI气候模型)进行动力诊断，以及如何利用物理约束来提高模型能力和物理一致性。

AI-数值模式双向耦合示意。中国科学院大气物理研究所/供图

　　同时，针对数值模式和AI的融合问题，科研团队认为，目前的离线参数化方案追求的是模型权重在某一参数化方案中的最优，相较于模式繁多的参数化方案而言，这很可能是一种局部最优，不仅在拟合优度上可能存在偏差，在实际工程上还可能存在长期积分崩溃、气候漂移等问题。因此，采用在线参数化方案，或可使得模型权重达到全局最优，进行改进离线参数化存在的一些问题。

　　在这一视角之下，未来气候模式的发展图景或许是AI和数值模式的完全耦合，即物理-AI平衡的模型。这种耦合模式可以根据模式输出计算损失，进而迭代优化，变为一种可学习的气候模式。

　　生成模型改进气候模式对ENSO的模拟

　　黄刚指出，近年来，科研团队通过能量机制较为系统分析ENSO热带、热带外遥相关的机制，并通过非线性能量平流过程描述ENSO纬向对称响应和非对称响应的相互作用，从热带外非线性相互作用角度较好地解释了ENSO激发的太平洋-北美型(PNA)遥相关的非对称性特征。

CyleGAN全球SST校正模型。中国科学院大气物理研究所/供图

　　不过，气候模式对于ENSO遥相关的模拟偏差仍然难以解决，这直接影响了未来预估的可靠性。他们前期研究发现ENSO衰退年夏季的西北太平洋异常反气旋主要误差来源是ENSO模拟的误差，ENSO海表面温度(SST)异常过度西伸的偏差通过影响ENSO的衰退，显著影响西北太平洋异常反气旋和东亚夏季风模拟，严重制约了气候模拟和气候预估的可靠性。

　　针对这一问题，科研团队基于循环一致生成对抗网络设计全球SST模拟校正模型，生成模型解决了由于内部变率导致的模式模拟结果与观测数据不一一对应的问题。研究结果表明，该模型不仅能校正气候态偏差，还能显著改进对ENSO、印度洋偶极子(IOD)等动力模态的模拟，显著减弱了ENSO SST异常过度西伸的偏差，而传统方法很难纠正这一模式共同偏差。

ENSO　SST异常分布。(a)观测；(b)CESM2历史模拟；(c)quantile　map校正结果；(d)CycleGAN校正结果。中国科学院大气物理研究所/供图

　　未来，基于类似的生成模型及其改进模型，有望进一步提高ENSO衰退年夏季西北太平洋异常反气旋和东亚夏季风的模拟，增加未来预估的可靠性。

　　物理耦合提升深度学习降水预报技巧

　　黄刚表示，针对物理知识是否可以提升AI模型效果这一问题，科研团队通过降水预报这一问题进行尝试性回答。他们从物理变量耦合关系角度出发，结合图神经网络对多变量进行物理软约束，并发现这一方法可以提升数值模式的降水预报技巧。针对降水预报的难点问题，尤其是强降水的预报问题，科研团队从降水的影响要素和发生机制出发，结合垂直运动(omega)方程和水汽方程等进行变量筛选、构建变量耦合图网络。Omega方程和水汽方程分别描述了垂直运动和水汽变化，均为影响降水的重要因素。

物理约束的omega-GNN模型。中国科学院大气物理研究所/供图

　　从图网络的角度来看，omega方程反映了基本的物理量(温、风、湿等)的非线性组合与降水关键要素之间的关系，因而可将其抽象为图网络，通过图网络间变量(节点)和变量间关系来表征不同物理变量间的组合及耦合。同时，考虑到气候因子对于天气尺度的影响，尤其是不同气候背景下模式误差系统性的差异，本项研究将季节、ENSO等气候因子和起报时间等稀疏数据使用专门技术嵌入校正模型，以区分不同背景下的误差；针对降水过程，对图神经网络进行局地化改进，使其基本保持效果的同时，避免全局运算，大幅降低计算复杂度。

　　模型比对结果表明，本项研究提出的两个物理约束模型omega-GNN和omega-EGNN相较于数值模式，显著提升各分类降水预报技巧，同时其性能优于目前主流的无物理约束深度学习模型。

各模型(a)TS评分，(b-g)相对于数值模式的TS差值空间分布(20mm/6h阈值以上降水)；(a)中error　bar为集合间标准差。中国科学院大气物理研究所/供图

　　黄刚总结说，人工智能与气候、气象交叉研究的方向十分广泛，几乎覆盖目前最主要的天气气候领域。同时，人工智能的发展非常迅速，迭代极快。因此，人工智能和气候科学研究的结合，需要不同学科众多方向研究者共同努力，推动在不同方向上“开花结果”。(完)

【编辑:付子豪】