<dl id="rtil1"></dl>
<div id="rtil1"></div>

    <dl id="rtil1"><ins id="rtil1"><thead id="rtil1"></thead></ins></dl>
    <div id="rtil1"><tr id="rtil1"><object id="rtil1"></object></tr></div>
      <div id="rtil1"></div>
      <div id="rtil1"></div>
        <em id="rtil1"></em>
        <sup id="rtil1"><ins id="rtil1"></ins></sup>

        <progress id="rtil1"></progress>

          <dl id="rtil1"></dl><dl id="rtil1"></dl><progress id="rtil1"><tr id="rtil1"><object id="rtil1"></object></tr></progress><em id="rtil1"></em>
          <span id="rtil1"><address id="rtil1"></address></span>

            <div id="rtil1"></div>
            <em id="rtil1"></em>

            用户名

            密码

            验证码

            机器学习和气候模拟的发展前景

            2019-02-24 15:01 记者观察网 点击次数

            如今对未来地球气候状况进行预测仍面临诸多不确定性例如政府间气候变化专门委员会IPCC的核心气候预测把大气中二氧化碳浓度当量加倍之后全球平均地表温度年平均值的平衡变化称为气候敏?#34892;ԡ保?#21464;化幅度在1.5到4.5之间自1990年IPCC第一份报告发?#23478;?#26469;这一反应不确定的幅度并没有产生变化并对人类可能需要应对的环境?#24405;?#31867;型具有深远影响

            其中部分不确定性源于自然变率即在没有二氧化碳增长的情况下?#19981;?#20135;生的变化但是还有部分不确定性源于需要模式来模拟云和对流等复杂过程最近气候专家已经尝试利用计算科学的改进?#27492;?#23567;气候模式不确定性的范围

            目前机器学习已在新药研发航?#23637;?#21046;语音识别软件等诸多领域应用现在也已扩展至气候研究领域以减小气候模式的不确定性尤其是因为机器学习与造成不确定性的最主要两大影响因素气候敏?#34892;?#21644;区域趋势预测密切相关

            随着机器学习进入气候模拟领域到?#33258;?#20040;解读它们的关系和发展前景呢

            麻省理工学?#28023;MIT地球大气行星科学系助理教授大气海洋和气候项目成员保罗奥戈尔曼就两者之间的关系分享了他的看法并就机器学习在气候模拟中的应用可能产生的问题和应对之策以及利用机器学习方法最容易取得成功的领域等进行了说明

            问气候敏?#34892;?#21644;区域气候变化给研究者添了不少麻烦那么在应对这些困难方面机器学习如何发挥作用呢

            当前的气候模式已经发挥了作用不过也存在不少问题你提到的两大问题气候敏?#34892;?#21644;区域性气候变化比如某一国家的降水量变化为了应对这两大问题我们当然希望气候模式能够更加精确速度更快因为这些模式需要运行一千年以上一般?#27492;担?#38656;在融入未来气候模式之前把模式纳入当前的气候状况?#23567;?/p>

            因此这是精确度和效率的问题传?#25104;希?#27668;候模式很大程度上基于大气和海洋的物理化学过程以?#22885;?#34920;过程但是它们无法涵盖大气中毫米或更小尺?#30830;?#22260;发生的过程因此这些模式需包含部分经验公?#20581;?#32780;这些经验公式被称为参数化参数化可以代表云和大气对流等复杂过程其中一个例子就是暴风雨它们的发生相比整个地球大小?#27492;?#23610;度很小所以全球气候模式很难精?#36820;?#23545;其进行表?#23613;?/p>

            最近几年引起关注的一个观点是利用机器学习更精?#36820;?#34920;示大气和海洋的小尺?#30830;?#38754;即通过运行一个成本高的高分辨率模式来解决?#34892;?#36259;的过程比如?#30331;?#20113;然后利用机器学习从这些模拟中进行学习这是第一?#20581;?#31532;二步?#21069;?#26426;器学习算法纳入一气候模式最好是可以产生一个更快更精确的气候模?#20581;?#36825;也是当前全球几大机构正在探索的

            问机器学习算法从某一气候状况或者区域进行概括可以达到什么样的程度

            这还是一个不确定的问题我们现在发现如果在当前气候上进行训练然后尝试模拟一个更温暖的气候算法并不会成功因为它依赖与当前气候的类比而当前气候并无法?#30001;?#33267;气温更高的气候例如大气中的云一般会在更温暖的气候中上升因此如果在当前气候上进行训练仍存在局限但如果在高分辨率模式中对更温暖的气候进行训练是有可能的

            有趣的是我们发现对大气对流?#27492;担?#22914;果在当前气候上进行训练然后再转为一更寒冷的气候机器学习方法确实很?#34892;?#22240;此升温或降温与这些算法进行概括的程度之间存在不对称至少在大气对流方面如此机器学习算法能够在寒冷气候中进行概括的原因是它们能够找到当前气候中较高纬度的例子匹配较冷气候中的热带区域因此全球不同区域的不同气候都能够为气候变化概括有所帮助

            厄尔尼诺等?#24405;?#20063;能够提供帮助全球平均气温上升一些机器学习就可以从其提供的类比中进行学习这与全球变暖并不是最好的类比但是相同物理性的一些部分可以在更高气温中运行因此机器学习算法可以自动利用它们在更温暖的气候中进行概括

            这是否意味着机器学习对气候系?#31243;?#23450;领域的帮助会更多

            我建议应该在昂贵的高分辨率模拟上进行机器学习算法训练但是只有当我们对?#34892;?#36259;的过程拥有精确的高分辨率模拟才有意义我们当前研究的大气对流就是一个好的例子因为我们已经在这方面进行了精确的高分辨率模拟

            比如说如果对地表对气候变化的反应以?#20843;?#22914;何与大气进行互动?#34892;?#36259;的话因其中包含的众多复杂性模拟会变得更加困?#36873;?#25105;们有不同类型的植被和土壤它们都是不同质的这并不像在模式中学到什么东西然后得到真理一样直接如果我们说对?#20999;?#27809;有高昂精确模拟的气候系统方面?#27492;担?#25105;们能不能改成利用观测也许如此但是我们又回到尝试对不同气候进行概括的问题我肯定认为气候变化的不同组成部分可以会比其他的部分更能适应机器学习方法

            同样?#27169;?#27668;候模式模拟的一些方面已经做得很好了模式在模拟大气的大规模流体动力方面做得不错因此气候模式的这些部分并不可能被机器学习所替代因为这些方法并不如?#30475;?#22522;于物理学的方式更加灵活



            (此文不代表本网站观点仅代表作者言论由此文引发的各种争议本网站声明免责,也不承担连带责任)

            (责任编辑主编)
            文章人气
            请您在发表言论时自觉遵守互联网相关政策法律法规文明上网健康言论
            用户名:
            验证码
            11ѡ5Ԥ