中新網(wǎng)北京4月9日電 (記者 孫自法)當前,，人工智能(AI)迅速發(fā)展,，已經(jīng)在大氣科學的各個領域產(chǎn)生深遠影響,，并且不斷改變和重塑氣候領域諸多方向的研究,。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，這些問題備受關注,。《大氣科學進展》(AAS)最新一期AI專刊封面,。中國科學院大氣物理研究所/供圖中國科學院大氣物理研究所研究員,、大氣科學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習降水預報技巧等重要進展,，相關研究成果以封面論文形式在最新一期專業(yè)學術(shù)期刊《大氣科學進展》(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習到氣候系統(tǒng)的一些關鍵動力模態(tài),，但是對于一些關鍵物理動力量(如一些風分量)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習這些風分量,，而是根據(jù)總的風速去構(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可學習的氣候模式,。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,、熱帶外遙相關的機制,，并通過非線性能量平流過程描述ENSO緯向?qū)ΨQ響應和非對稱響應的相互作用，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)遙相關的非對稱性特征,。CyleGAN全球SST校正模型。中國科學院大氣物理研究所/供圖不過,，氣候模式對于ENSO遙相關的模擬偏差仍然難以解決,，這直接影響了未來預估的可靠性。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模擬,，嚴重制約了氣候模擬和氣候預估的可靠性,。針對這一問題，科研團隊基于循環(huán)一致生成對抗網(wǎng)絡設計全球SST模擬校正模型,，生成模型解決了由于內(nèi)部變率導致的模式模擬結(jié)果與觀測數(shù)據(jù)不一一對應的問題,。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,。ENSO　SST異常分布,。(a)觀測,；(b)CESM2歷史模擬；(c)quantile　map校正結(jié)果,；(d)CycleGAN校正結(jié)果,。中國科學院大氣物理研究所/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的模擬,，增加未來預估的可靠性。物理耦合提升深度學習降水預報技巧黃剛表示,，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報這一問題進行嘗試性回答。他們從物理變量耦合關系角度出發(fā),，結(jié)合圖神經(jīng)網(wǎng)絡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)值模式的降水預報技巧,。針對降水預報的難點問題，尤其是強降水的預報問題,，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選、構(gòu)建變量耦合圖網(wǎng)絡,。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,。中國科學院大氣物理研究所/供圖從圖網(wǎng)絡的角度來看，omega方程反映了基本的物理量(溫,、風,、濕等)的非線性組合與降水關鍵要素之間的關系，因而可將其抽象為圖網(wǎng)絡,，通過圖網(wǎng)絡間變量(節(jié)點)和變量間關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報技巧,，同時其性能優(yōu)于目前主流的無物理約束深度學習模型,。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error　bar為集合間標準差。中國科學院大氣物理研究所/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研究的結(jié)合,，需要不同學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)