新方法更准确地预测极端事件

随着气候变暖，极端天气事件越来越频繁，准确的预测对我们所有人来说变得越来越重要，从农民到城市居民再到世界各地的企业. 迄今为止，气候模型未能准确预测降水强度，尤其是极端情况。虽然在自然界中，降水变化很大，有许多极端降水，但气候模型预测降水变化较小，偏向于小雨。

当前算法中缺失的部分：云组织

研究人员一直致力于开发能够提高预测准确性的算法，但正如哥伦比亚工程气候科学家报告的那样，传统气候模型参数化中缺少一条信息——一种描述如此精细的云结构和组织的方法它不会在正在使用的计算网格上捕获。这些组织测量影响降水强度及其随机性的预测，即降水强度随机波动的可变性。到目前为止，还没有一种有效、准确的方法来测量云结构并量化其影响。

由人工智能和物理学习地球 (LEAP) 中心主任Pierre Gentine领导的团队进行的一项新研究使用全球风暴解决模拟和机器学习来创建一种算法，该算法可以分别处理两种不同规模的云组织：那些由气候模型解决的，以及那些因为太小而无法解决的。这种新方法解决了传统气候模型参数化中缺失的信息，并提供了一种更精确地预测降水强度和变率的方法。

“我们的发现特别令人兴奋，因为多年来，科学界一直在争论是否将云组织纳入气候模型，”地球与环境工程和地球系地球物理学教授 Gentine、Maurice Ewing 和 J. Lamar Worzel说。环境科学和数据科学研究所的成员。“我们的工作为辩论提供了一个答案，并为包括组织提供了一个新的解决方案，表明包括这些信息可以显着改善我们对降水强度和可变性的预测。”

使用AI设计神经网络算法

与 Gentine 一起工作的博士生 Sarah Shamekh 开发了一种神经网络算法，可以学习有关细尺度云组织(未解析尺度)对降水的作用的相关信息。由于 Shamekh 没有事先定义指标或公式，该模型自行隐式学习如何测量云的聚类(组织指标)，然后使用该指标来改进降水预测。Shamekh 在高分辨率湿度场上训练算法，编码小规模组织的程度。

“我们发现我们的组织指标几乎可以完全解释降水变化，并且可以取代气候模型中的随机参数化，”该研究的主要作者 Shamekh 说，该研究于 2023 年 5 月 8 日由 PNAS发表。“包括这些信息可以显着改善与气候模型相关的降水预测，准确预测极端降水和空间变异性。”

机器学习算法将改善未来的预测

研究人员现在正在使用他们的机器学习方法，该方法在气候模型中隐式学习子网格云组织指标。这应该会显着改善对降水强度和可变性(包括极端降水事件)的预测，并使科学家能够更好地预测气候变暖中水循环和极端天气模式的未来变化。

未来的工作

这项研究还开辟了新的调查途径，例如探索降水产生记忆的可能性，大气中保留了有关近期天气状况的信息，这些信息反过来又会影响气候系统中后来的大气状况。这种新方法可以有广泛的应用，而不仅仅是降水建模，包括更好的冰盖和海洋表面建模。

标签：

版权声明：本文由用户上传，如有侵权请联系删除！