麻省理工学院开发新型气候模型缩放方法

留学申请微信咨询

微信扫描左侧二维码

或点击下方按钮咨询

麻省理工学院（2024USNews美国大学排名：2）（MIT）的研究人员最近开发了一种新的气候模型缩放方法，利用机器学习中的对抗学习技术，以更快的速度和更精细的分辨率生成模拟，使其在地方层面上更具相关性。这一创新不仅在气候科学领域引起了广泛关注，也为政策制定者和相关利益方提供了更为精确和及时的气候预测信息。

气候模型是预测气候变化影响的关键技术，通过运行地球气候的模拟，科学家和政策制定者可以估算海平面上升、洪水和气温上升等条件，并决定如何适当应对。然而，当前的气候模型难以快速或经济地提供这些信息，尤其是在城市等较小的规模上。麻省理工学院地球、大气和行星科学系的研究人员Sai Ravela和博士后Anamitra Saha在《地球系统建模进展杂志》上发表了一篇开放获取的论文，提出了一种利用机器学习的方法，既能利用当前气候模型的优势，又能降低运行它们所需的计算成本。

传统的缩放方法通常涉及基于物理学的模型，并辅以历史观测数据，但这种方法计算量大，耗时且昂贵。Ravela和Saha采用了一种对抗学习技术，通过两个机器相互竞争生成和评估数据，从而创建超分辨率数据。他们发现，简化输入的物理学并辅以历史数据统计信息，足以生成所需的结果。这种方法不仅降低了成本，还提高了分辨率，并且只需少量训练数据即可在几分钟内生成结果。

快速运行模型对于保险公司和地方政策制定者等利益相关者至关重要，例如在孟加拉国，通过了解极端天气事件的影响，可以尽早做出关于种植作物或人口迁移的决策。研究人员计划将该模型应用于其他关键事件，如热带风暴、风和温度，并希望将其应用于波士顿和波多黎各等地。

麻省理工学院的研究人员开发了一种新方法，可以改进大规模气候模型的预测。当与小规模模型结合使用以预测特定天气事件（如热带气旋或洪水）时，该方法可以更准确地预测未来几十年特定地点发生这些事件的频率。传统的全球气候模型只能在粗略的分辨率下运行，可能会预测美国东北部的未来气候状况，但无法具体到波士顿等城市。为了改进这些粗略模型的分辨率，研究人员通常会尝试修正模型的底层动力学方程，但这可能会导致模拟的不稳定。麻省理工学院的团队采用了一种不同的方法，通过机器学习和动力系统理论，将气候模型的模拟“调整”到更接近现实的模式。该方法可以应用于任何全球气候模型，并帮助确定随着全球气温上升，极端天气将在哪里以及多频繁地发生。研究结果表明，经过修正的模型可以更准确地再现过去36年的气候模式，并且在预测未来气候变化时也具有相关性。这项研究得到了美国国防高级研究计划局的部分支持。

美国国家可再生能源实验室（NREL）推出了一种名为Sup3rCC的开创性生成机器学习模型，用于模拟未来的能源-气候影响。随着全球向风能和太阳能发电的转型以及能源终端使用的电气化，社会与天气条件的联系日益紧密。气候变化迅速，极端天气事件成为“新常态”，能源系统规划者和运营者需要详细的高分辨率数据来理解气候变化对风能和太阳能发电、电力需求等天气依赖性能源变量的影响。Sup3rCC通过生成机器学习技术，能够比传统的动态降尺度方法快40倍地生成物理上逼真的高分辨率数据。该模型将全球气候模型的粗略未来输出与NREL的历史高分辨率数据集相结合，生成详细的温度、湿度、风速和太阳辐照度数据。这些数据可用于研究未来的可再生能源发电、能源需求变化以及对电力系统运营的影响。Sup3rCC的数据集包括2015年至2059年美国本土的数据，未来将发布更多数据集。NREL的战略能源分析中心和计算科学中心的合作使得Sup3rCC的成功成为可能，这些中心结合了NREL在分析和计算方面的关键优势，推动了能源效率、可持续交通、能源系统优化等领域的研究。

气候变化是当今全球面临的最具影响力的挑战之一，其影响遍及环境、政府、商业、金融和健康等多个领域。2023年被记录为有史以来最热的一年，7月更是打破了单月最高温记录。气候变化带来的资源稀缺、粮食不安全和人口迁移等问题，可能导致国家间的冲突和安全风险。例如，中东地区的水资源短缺已引发土耳其、叙利亚和伊拉克之间的紧张局势。极端天气事件如飓风、洪水和野火也会破坏供应链，影响基础设施，导致经济不稳定，并影响国家的军事准备。美国军方已将气候变化视为国家安全威胁，并采取措施减轻其影响。巴黎气候协定是全球合作应对气候变化的一个例子，但地缘政治也可能阻碍应对气候变化的努力。气候风险包括物理风险、转型风险、责任风险、声誉风险和监管风险。物理风险指气候变化对物理资产的直接影响，如海平面上升和极端天气事件。转型风险涉及向低碳经济转型带来的风险，如能源价格变化和消费者行为转变。责任风险指企业未能应对气候变化可能面临的诉讼和罚款。声誉风险则是企业因与气候变化或环境退化相关而可能遭受的声誉损害。监管风险则是新法规、政策和税收对企业运营和盈利能力的潜在影响。气候变化对供应链、粮食安全和石油天然气行业也有重大影响。金融行业在应对气候风险方面发挥着重要作用，许多中央银行和金融机构已采取行动应对这一关键问题。尽管如此，仍有大量工作需要完成，各行业的主要参与者必须继续合作，采用全面、协作的方法，以实现更可持续和有韧性的未来。

本文介绍了一种基于扩散模型的概率降尺度方法（DPDM），用于重建东亚过去180年的气候数据。随着全球气温上升和极端天气事件频发，区域气候变化的研究变得尤为重要。传统的区域动力模型和统计降尺度方法存在计算资源需求高和不确定性大的问题。DPDM通过将数据从1°分辨率转换为0.1°分辨率，不仅提高了局地细节的准确性，还能通过概率分布采样生成大量集合成员，以评估降尺度的不确定性。研究利用DPDM生成了1836年至2015年间东亚地区的月度地表变量数据，提供了更详细的局地气候变化视角。结果表明，DPDM在降尺度性能上优于其他统计方法，特别是在降水和温度的降尺度方面。此外，DPDM能够生成多个集合成员，通过概率分布采样来评估不确定性，显著提高了降尺度结果的可靠性。研究还展示了DPDM在重建高分辨率历史气候数据方面的应用潜力，特别是在干旱和极端降水事件的评估中。

近年来，气候科学家们通过使用各种机器学习策略来加速气候建模，降低其能耗，并希望提高其准确性。密歇根大学安娜堡分校的气候科学家Tapio Schneider表示，自2017年以来，机器学习和人工智能（AI）已经彻底改变了他的工作方式。过去，他需要花费大量时间调整描述水滴、气流和温度相互作用的方程式，而现在这些繁琐的工作已经被机器学习所取代。研究人员通过使用物理约束的神经微分方程等技术，显著提高了季节性积雪预测的准确性。此外，机器学习还被用于改进气候预测模型，使其能够更好地应对复杂的气候变化问题。尽管如此，研究人员仍在不断探索如何进一步优化这些技术，以便在未来能够提供更精确和高效的气候预测。

综合来看，麻省理工学院的研究人员通过对抗学习技术开发的新气候模型缩放方法，显著提高了气候模型的分辨率和运行速度。这一创新不仅降低了计算成本，还使得气候模型在地方层面上更具相关性，为政策制定者和相关利益方提供了更为精确和及时的气候预测信息。随着全球气候变化的加剧，快速、精确的气候模型对于应对极端天气事件、制定政策和规划未来具有重要意义。未来，随着技术的不断进步和应用范围的扩大，这一方法有望在更多领域发挥重要作用，为全球应对气候变化提供有力支持。