福建体彩25选5开奖结果:中國氣候變化信息網

機器學習和氣候模擬的發展前景

今晚安徽25选5开奖结果 www.kkrpp.icu   如今,對未來地球氣候狀況進行預測仍面臨諸多不確定性。例如,政府間氣候變化專門委員會(IPCC)的核心氣候預測把大氣中二氧化碳濃度當量加倍之后全球平均地表溫度年平均值的平衡變化稱為氣候敏感性,變化幅度在1.54.5之間。自1990IPCC第一份報告發布以來,這一反應不確定的幅度并沒有產生變化,并對人類可能需要應對的環境事件類型具有深遠影響。

  其中部分不確定性源于自然變率,即在沒有二氧化碳增長的情況下也會產生的變化——但是還有部分不確定性源于需要模式來模擬云和對流等復雜過程。最近,氣候專家已經嘗試利用計算科學的改進來縮小氣候模式不確定性的范圍。

  目前,機器學習已在新藥研發、航空管制、語音識別軟件等諸多領域應用,現在也已擴展至氣候研究領域,以減小氣候模式的不確定性,尤其是因為機器學習與造成不確定性的最主要兩大影響因素——氣候敏感性和區域趨勢預測密切相關。

  隨著機器學習進入氣候模擬領域,到底怎么解讀它們的關系和發展前景呢?

  麻省理工學院(MIT)地球、大氣、行星科學系助理教授、大氣、海洋和氣候項目成員保羅·奧戈爾曼就兩者之間的關系分享了他的看法,并就機器學習在氣候模擬中的應用,可能產生的問題和應對之策,以及利用機器學習方法最容易取得成功的領域等進行了說明。

  問:氣候敏感性和區域氣候變化給研究者添了不少麻煩。那么在應對這些困難方面,機器學習如何發揮作用呢?

  答:當前的氣候模式已經發揮了作用,不過也存在不少問題,你提到的兩大問題——氣候敏感性和區域性氣候變化,比如某一國家的降水量變化。為了應對這兩大問題,我們當然希望氣候模式能夠更加精確、速度更快,因為這些模式需要運行一千年以上。一般來說,需在融入未來氣候模式之前把模式納入當前的氣候狀況中。

  因此,這是精確度和效率的問題。傳統上,氣候模式很大程度上基于大氣和海洋的物理化學過程,以及陸表過程。但是,它們無法涵蓋大氣中毫米或更小尺度范圍發生的過程,因此這些模式需包含部分經驗公式。而這些經驗公式被稱為參數化。參數化可以代表云和大氣對流等復雜過程,其中一個例子就是暴風雨,它們的發生相比整個地球大小來說尺度很小,所以全球氣候模式很難精確地對其進行表示。

  最近幾年引起關注的一個觀點是,利用機器學習更精確地表示大氣和海洋的小尺度方面。即通過運行一個成本高的高分辨率模式來解決感興趣的過程,比如說淺云,然后利用機器學習從這些模擬中進行學習,這是第一步。第二步是把機器學習算法納入一氣候模式,最好是可以產生一個更快更精確的氣候模式。這也是當前全球幾大機構正在探索的。

  問:機器學習算法從某一氣候狀況或者區域進行概括可以達到什么樣的程度?

  答:這還是一個不確定的問題。我們現在發現如果在當前氣候上進行訓練,然后嘗試模擬一個更溫暖的氣候,算法并不會成功,因為它依賴與當前氣候的類比,而當前氣候并無法延伸至氣溫更高的氣候。例如,大氣中的云一般會在更溫暖的氣候中上升。因此,如果在當前氣候上進行訓練仍存在局限,但如果在高分辨率模式中對更溫暖的氣候進行訓練是有可能的。

  有趣的是,我們發現對大氣對流來說,如果在當前氣候上進行訓練,然后再轉為一更寒冷的氣候,機器學習方法確實很有效。因此,升溫或降溫與這些算法進行概括的程度之間存在不對稱,至少在大氣對流方面如此?;餮八惴芄輝諍淦蛑薪懈爬ǖ腦蚴撬悄芄徽業降鼻捌蛑薪細呶扯鵲睦悠ヅ浣俠淦蛑械娜卻?。因此,全球不同區域的不同氣候都能夠為氣候變化概括有所幫助。

  厄爾尼諾等事件也能夠提供幫助,全球平均氣溫上升一些,機器學習就可以從其提供的類比中進行學習。這與全球變暖并不是最好的類比,但是相同物理性的一些部分可以在更高氣溫中運行,因此機器學習算法可以自動利用它們在更溫暖的氣候中進行概括。

  問:這是否意味著機器學習對氣候系統特定領域的幫助會更多?

  答:我建議應該在昂貴的高分辨率模擬上進行機器學習算法訓練,但是只有當我們對感興趣的過程擁有精確的高分辨率模擬才有意義。我們當前研究的大氣對流就是一個好的例子,因為我們已經在這方面進行了精確的高分辨率模擬。

  比如說,如果對地表對氣候變化的反應以及它如何與大氣進行互動感興趣的話,因其中包含的眾多復雜性模擬會變得更加困難。我們有不同類型的植被和土壤,它們都是不同質的。這并不像在模式中學到什么東西,然后得到真理一樣直接。如果我們說:對那些沒有高昂、精確模擬的氣候系統方面來說,我們能不能改成利用觀測?也許如此。但是我們又回到嘗試對不同氣候進行概括的問題。我肯定認為氣候變化的不同組成部分可以會比其他的部分更能適應機器學習方法。

  同樣的,氣候模式模擬的一些方面已經做得很好了。模式在模擬大氣的大規模流體動力方面做得不錯。因此,氣候模式的這些部分并不可能被機器學習所替代,因為這些方法并不如純粹基于物理學的方式更加靈活。

作者:編譯:劉淑喬
來源:MIT官網
時間:2019-02-26
彩票人工计划全天免费 北京pk赛车计划最准 北京pk106码倍投公式 广东11选5盘古计划软件 11选5前三定胆技巧 pk10赛车计划软件手机 欢乐生肖开奖记录 北京pk10玩法规则介绍 打鱼游戏 抢庄牌九官方网站欢迎您 通比牛牛新手攻略 棋牌游戏娱乐 麻将二八杠游戏下载 利用网赌漏洞假充值 重庆时时综合走势图 买时时彩