1.研究背景

氣候變化對人類及地球可持續(xù)性構(gòu)成了前所未有的風(fēng)險,。這一重大挑戰(zhàn)威脅著民用基礎(chǔ)設(shè)施、農(nóng)業(yè),、水資源供應(yīng),、公共健康、經(jīng)濟安全和國際和平,。迫切需要采取氣候緩解措施,，減少和抵消人為排放來降低氣候變化的嚴(yán)重性。此外,，還需要制定氣候適應(yīng)戰(zhàn)略,，在緩解工作進(jìn)行的同時，為氣候變化帶來的負(fù)面影響和后果做好相應(yīng)準(zhǔn)備,。

2.創(chuàng)新之處

長期以來,，粗尺度地球系統(tǒng)模型（ESMs）中的系統(tǒng)性誤差推進(jìn)了公里尺度全球氣候建模工作的發(fā)展，這些研究目的是提供更準(zhǔn)確的短期氣候預(yù)測,。然而,，這些模型在世紀(jì)時間尺度上運行的成本過高，并且在表征地球系統(tǒng)復(fù)雜性方面往往存在局限性,。為了內(nèi)在氣候變率背景下可靠地預(yù)測長期氣候變化響應(yīng)和極端事件,，仍需要使用能夠模擬新興地球系統(tǒng)過程和反饋機制的粗尺度ESMs。

在本文展望中,，我們提出了基于四大支柱的AI賦能下一代多尺度氣候建模方法的愿景：加速地球系統(tǒng)模型（ESMs）的多元化,、地球觀測的全面整合以及基礎(chǔ)設(shè)施的改進(jìn)。通過這種整合,，我們預(yù)計新一代ESMs相比當(dāng)前模型將顯著減少系統(tǒng)性誤差,。這種有效融合地球觀測數(shù)據(jù)與氣候領(lǐng)域知識的機器學(xué)習(xí)方法，將帶來分辨率的提升以及跨尺度的改進(jìn),。目前在參數(shù)化和物理-數(shù)據(jù)整合方法的方面成果令人鼓舞,，表明基于機器學(xué)習(xí)與物理模型之間的互動將產(chǎn)生混合模型，在過程表征和ESM精度方面實現(xiàn)改進(jìn),，即使在較粗分辨率下運行,，仍能支持世紀(jì)尺度的模擬和基于觀測數(shù)據(jù)的模型調(diào)試?；谶@一愿景,，我們相信未來的氣候建模將涉及混合ESMs，其中機器學(xué)習(xí)方法將替代許多模型子組件,，推進(jìn)過程理解和模型可解釋性,，而不僅僅是機器學(xué)習(xí)仿真,。目前我們注意到，混合模型的開發(fā)主要局限于大氣,、海洋或陸地模型的特定子組件,，但將基于機器學(xué)習(xí)的混合模型整合到一個完全耦合的ESM中以執(zhí)行CMIP類型模擬,，仍然是一個挑戰(zhàn)任務(wù),。

3.關(guān)鍵圖表

圖1地球系統(tǒng)中的反饋機制給氣候預(yù)測帶來了不確定性，影響了碳循環(huán)和氣候變化響應(yīng)

圖2 AI賦能多尺度氣候建模方法示意圖

4.主要結(jié)論

過去幾十年來,，地球系統(tǒng)模型得到了不斷改進(jìn),，但與觀測相比仍存在系統(tǒng)性誤差，同時氣候預(yù)測中的不確定性依然存在,。這主要是由于對網(wǎng)格尺度以下或未知過程的表征不完善所致,。在此，我們提出了一種基于人工智能的下一代地球系統(tǒng)建模方法,，該方法呼吁加速模型開發(fā),、整合機器學(xué)習(xí)、系統(tǒng)性利用地球觀測數(shù)據(jù)以及現(xiàn)代化基礎(chǔ)設(shè)施使用,。這種協(xié)同方法將能夠更快,、更準(zhǔn)確地提供與政策相關(guān)的氣候信息。我們認(rèn)為需要一種多尺度方法,，結(jié)合公里尺度的氣候模型以及改進(jìn)的低分辨率混合地球系統(tǒng)模型,，這些模型既包含關(guān)鍵的地球系統(tǒng)過程和反饋機制，同時足夠快速以生成大規(guī)模集合,，從而更好地量化內(nèi)部變率和極端事件,。兩者結(jié)合可以在氣候預(yù)測的準(zhǔn)確性和實用性上帶來質(zhì)的飛躍，以在快速變化的社會與生態(tài)系統(tǒng)中緩解與適應(yīng)氣候變化,。

5. 發(fā)表信息

Eyring, V., Gentine, P., Camps-Valls, G. et al. AI-empowered next-generation multiscale climate modelling for mitigation and adaptation. Nat. Geosci. 17, 963-971 (2024). https:///10.1038/s41561-024-01527-w

6．聲明