人工智能让气候模拟更真实

准确模拟极端降水事件仍然是气候模型面临的主要挑战。这些模型预测了地球气候在几十年甚至几个世纪的过程中可能发生的变化。为了改进它们，特别是在极端事件方面，研究人员现在使用机器学习方法，否则将应用于图像生成。

计算机已经使用人工智能来提高模糊图像的分辨率，根据照片创建模仿特定画家风格的图像，或者为实际上不存在的人渲染逼真的肖像。底层方法基于所谓的GAN(生成对抗网络)。

由慕尼黑工业大学(TUM)地球系统建模教授和波茨坦气候影响研究所(PIK)研究员NiklasBoers领导的一个团队现在正在将这些机器学习算法应用于气候研究。该研究小组最近在NatureMachineIntelligence上发表了其研究结果。

并非所有过程都可以考虑

“气候模型与用于进行天气预报的模型不同，尤其是在更广泛的时间范围方面。天气预报的预测范围是几天，而气候模型则进行几十年甚至几个世纪的模拟，”主要作者PhilippHess解释说TUM地球系统建模教授的研究和研究助理。

几天内可以相当准确地预测天气;随后可以根据实际观察来验证预测。然而，在气候方面，目标不是基于时间的预测，而是预测温室气体排放量的增加将如何长期影响地球气候。

然而，气候模型仍然不能完美地考虑所有相关的气候过程。这一方面是因为一些过程还没有被充分理解，另一方面是因为详细的模拟需要太长时间并且需要太多的计算能力。“因此，气候模型仍然无法以我们想要的方式表示极端降水事件。因此，我们开始使用GAN来优化这些模型的降水输出，”NiklasBoers说。

使用天气数据优化气候模型

粗略地说，一个GAN由两个神经网络组成。一个网络试图从先前定义的产品中创建一个示例，而另一个网络试图将这个人工生成的示例与真实示例区分开来。因此，这两个网络相互竞争，并在此过程中不断改进。

GAN的一种实际应用是将风景画“翻译”成逼真的照片。这两个神经网络将根据绘画生成的照片般逼真的图像来回发送，直到创建的图像不再与真实照片区分开来。

NiklasBoers的团队采用了类似的方法：研究人员使用了一个相对简单的气候模型来展示使用机器学习来改进此类模型的潜力。该团队的算法使用观测到的天气数据。使用这些数据，该团队训练GAN来改变气候模型的模拟，以便不再将它们与实际天气观测区分开来。

PIK气候建模师、该研究的合著者MarkusDrücke说：“通过这种方式，可以提高细节和真实度，而无需进行复杂的额外过程计算。”

GAN可以减少气候建模中的电力消耗

即使是相对简单的气候模型也很复杂，并且使用消耗大量能源的超级计算机进行处理。模型考虑的细节越多，计算就越复杂，使用的电量就越多。然而，与气候模型本身所需的计算量相比，将经过训练的GAN应用于气候模拟所涉及的计算可以忽略不计。

“因此，使用GAN使气候模型更详细、更真实，不仅对于改进和加速模拟，而且在节省电力方面也很实用，”PhilippHess说。