中新網(wǎng)北京4月9日電 (記者 孫自法)當(dāng)前，人工智能(AI)迅速發(fā)展，已經(jīng)在大氣科學(xué)的各個領(lǐng)域產(chǎn)生深遠影響，并且不斷改變和重塑氣候領(lǐng)域諸多方向的研究。
在此條件下，如何結(jié)合AI方法來幫助解決傳統(tǒng)氣候研究中遇到的問題，又該如何結(jié)合氣候動力研究幫助診斷、認識和理解AI模型，提升AI模型的性能，這些問題備受關(guān)注。
《大氣科學(xué)進展》(AAS)最新一期AI專刊封面。中國科學(xué)院大氣物理研究所/供圖
中國科學(xué)院大氣物理研究所研究員、大氣科學(xué)人工智能研究中心主任黃剛率團隊進行研究，獲得提出物理和AI融合的必要性及路徑、生成模型改進氣候模式對厄爾尼諾-南方濤動(ENSO)的模擬、物理耦合提升深度學(xué)習(xí)降水預(yù)報技巧等重要進展，相關(guān)研究成果以封面論文形式在最新一期專業(yè)學(xué)術(shù)期刊《大氣科學(xué)進展》(AAS)上發(fā)表。
未來氣候模式或為AI和數(shù)值完全耦合
論文通訊作者黃剛研究員介紹說，盤古等氣象大模型出現(xiàn)以來，針對其物理一致性問題，科學(xué)界存在較大爭論，科研團隊對這一爭論進行了梳理，發(fā)現(xiàn)爭論主要來自于對天氣大模型定性和定量兩種不同程度的動力診斷。這些研究表明，天氣大模型可以定性地學(xué)習(xí)到氣候系統(tǒng)的一些關(guān)鍵動力模態(tài)，但是對于一些關(guān)鍵物理動力量(如一些風(fēng)分量)在定量上仍然存在明顯誤差。他們認為，這些誤差主要因為目前的天氣大模型并未顯式地學(xué)習(xí)這些風(fēng)分量，而是根據(jù)總的風(fēng)速去構(gòu)造損失函數(shù)迭代模型。
由此可以看出，對AI模型進行充分、深入地動力診斷的必要性，只有比較全面地分析和了解模型的優(yōu)缺點，才能逐步對其增加認識，進而進行改進和物理約束。從這一角度出發(fā)，科研團隊結(jié)合具體的研究分析應(yīng)該如何對AI模型(尤其是AI氣候模型)進行動力診斷，以及如何利用物理約束來提高模型能力和物理一致性。
AI-數(shù)值模式雙向耦合示意。中國科學(xué)院大氣物理研究所/供圖
同時，針對數(shù)值模式和AI的融合問題，科研團隊認為，目前的離線參數(shù)化方案追求的是模型權(quán)重在某一參數(shù)化方案中的最優(yōu)，相較于模式繁多的參數(shù)化方案而言，這很可能是一種局部最優(yōu)，不僅在擬合優(yōu)度上可能存在偏差，在實際工程上還可能存在長期積分崩潰、氣候漂移等問題。因此，采用在線參數(shù)化方案，或可使得模型權(quán)重達到全局最優(yōu)，進行改進離線參數(shù)化存在的一些問題。
在這一視角之下，未來氣候模式的發(fā)展圖景或許是AI和數(shù)值模式的完全耦合，即物理-AI平衡的模型。這種耦合模式可以根據(jù)模式輸出計算損失，進而迭代優(yōu)化，變?yōu)橐环N可學(xué)習(xí)的氣候模式。
生成模型改進氣候模式對ENSO的模擬
黃剛指出，近年來，科研團隊通過能量機制較為系統(tǒng)分析ENSO熱帶、熱帶外遙相關(guān)的機制，并通過非線性能量平流過程描述ENSO緯向?qū)ΨQ響應(yīng)和非對稱響應(yīng)的相互作用，從熱帶外非線性相互作用角度較好地解釋了ENSO激發(fā)的太平洋-北美型(PNA)遙相關(guān)的非對稱性特征。
CyleGAN全球SST校正模型。中國科學(xué)院大氣物理研究所/供圖
不過，氣候模式對于ENSO遙相關(guān)的模擬偏差仍然難以解決，這直接影響了未來預(yù)估的可靠性。他們前期研究發(fā)現(xiàn)ENSO衰退年夏季的西北太平洋異常反氣旋主要誤差來源是ENSO模擬的誤差，ENSO海表面溫度(SST)異常過度西伸的偏差通過影響ENSO的衰退，顯著影響西北太平洋異常反氣旋和東亞夏季風(fēng)模擬，嚴重制約了氣候模擬和氣候預(yù)估的可靠性。
針對這一問題，科研團隊基于循環(huán)一致生成對抗網(wǎng)絡(luò)設(shè)計全球SST模擬校正模型，生成模型解決了由于內(nèi)部變率導(dǎo)致的模式模擬結(jié)果與觀測數(shù)據(jù)不一一對應(yīng)的問題。研究結(jié)果表明，該模型不僅能校正氣候態(tài)偏差，還能顯著改進對ENSO、印度洋偶極子(IOD)等動力模態(tài)的模擬，顯著減弱了ENSO SST異常過度西伸的偏差，而傳統(tǒng)方法很難糾正這一模式共同偏差。
ENSOSST異常分布。(a)觀測；(b)CESM2歷史模擬；(c)quantilemap校正結(jié)果；(d)CycleGAN校正結(jié)果。中國科學(xué)院大氣物理研究所/供圖
未來，基于類似的生成模型及其改進模型，有望進一步提高ENSO衰退年夏季西北太平洋異常反氣旋和東亞夏季風(fēng)的模擬，增加未來預(yù)估的可靠性。
物理耦合提升深度學(xué)習(xí)降水預(yù)報技巧
黃剛表示，針對物理知識是否可以提升AI模型效果這一問題，科研團隊通過降水預(yù)報這一問題進行嘗試性回答。他們從物理變量耦合關(guān)系角度出發(fā)，結(jié)合圖神經(jīng)網(wǎng)絡(luò)對多變量進行物理軟約束，并發(fā)現(xiàn)這一方法可以提升數(shù)值模式的降水預(yù)報技巧。針對降水預(yù)報的難點問題，尤其是強降水的預(yù)報問題，科研團隊從降水的影響要素和發(fā)生機制出發(fā)，結(jié)合垂直運動(omega)方程和水汽方程等進行變量篩癬構(gòu)建變量耦合圖網(wǎng)絡(luò)。Omega方程和水汽方程分別描述了垂直運動和水汽變化，均為影響降水的重要因素。
物理約束的omega-GNN模型。中國科學(xué)院大氣物理研究所/供圖
從圖網(wǎng)絡(luò)的角度來看，omega方程反映了基本的物理量(溫、風(fēng)、濕等)的非線性組合與降水關(guān)鍵要素之間的關(guān)系，因而可將其抽象為圖網(wǎng)絡(luò)，通過圖網(wǎng)絡(luò)間變量(節(jié)點)和變量間關(guān)系來表征不同物理變量間的組合及耦合。同時，考慮到氣候因子對于天氣尺度的影響，尤其是不同氣候背景下模式誤差系統(tǒng)性的差異，本項研究將季節(jié)、ENSO等氣候因子和起報時間等稀疏數(shù)據(jù)使用專門技術(shù)嵌入校正模型，以區(qū)分不同背景下的誤差；針對降水過程，對圖神經(jīng)網(wǎng)絡(luò)進行局地化改進，使其基本保持效果的同時，避免全局運算，大幅降低計算復(fù)雜度。
模型比對結(jié)果表明，本項研究提出的兩個物理約束模型omega-GNN和omega-EGNN相較于數(shù)值模式，顯著提升各分類降水預(yù)報技巧，同時其性能優(yōu)于目前主流的無物理約束深度學(xué)習(xí)模型。
各模型(a)TS評分，(b-g)相對于數(shù)值模式的TS差值空間分布(20mm/6h閾值以上降水)；(a)中errorbar為集合間標(biāo)準(zhǔn)差。中國科學(xué)院大氣物理研究所/供圖
黃剛總結(jié)說，人工智能與氣候、氣象交叉研究的方向十分廣泛，幾乎覆蓋目前最主要的天氣氣候領(lǐng)域。同時，人工智能的發(fā)展非常迅速，迭代極快。因此，人工智能和氣候科學(xué)研究的結(jié)合，需要不同學(xué)科眾多方向研究者共同努力，推動在不同方向上“開花結(jié)果”。(完)
