关键词：气候变化预测，机器学习
论文题目：Climate-invariant machine learning
论文链接：https://www.science.org/doi/10.1126/sciadv.adj7250
在气候变化预测和模型中，精确模拟地球系统过程是一个巨大的挑战，尤其是在模拟那些小于模型网格尺寸的过程时，这些过程是模型预测不确定性的主要来源。近年来，机器学习（ML）算法在改善这些过程的表示中显示出了潜力，但它们往往难以推广到未经训练的气候条件。针对解决这一问题，近期发表在Science Advances的研究提出了一个“气候不变”的机器学习框架（Climate-invariant machine learning）。气候不变即在不同的气候条件下，机器学习模型均能表现保持一致，不受气候变化的影响。这意味着气候不变映射能够稳定描述物理过程，即气候不变机器学习能够准确地预测或模拟在不同气候状态（如不同的温度、湿度、辐射水平等）下的地球系统过程。该研究通过将物理知识显式地整合到数据驱动的地球系统过程模型中，不仅提高了模型的一致性、数据效率和泛化能力，还通过在不同气候条件下的应用，证明了这种方法的有效性。研究团队通过改变输入和输出向量，使得它们在不同气候之间的分布变化最小，从而实现了模型的气候不变性。这一框架通过适应大气热力学的子网格封闭（即由子网格对流、辐射、重力波和湍流引起的粗尺度热力学倾向），展示了其面对不同气候数据时的强大泛化能力。在计算角度看，将物理知识（如气候变化）融入机器学习框架以提升其泛化能力是一个成功的示例，这展现了利用领域知识来抽取更多有信息量的预测因子——或者通俗地被称为“特征工程”的过程。同时，这也增强了映射关系的可解释性。从气候科学视角来看，在各种气候状态下要求大气非线性统计模型具有泛化能力是一项严格测试，它帮助我们发现新的映射。相较于直接使用在不同气候条件下可获取的模型和观察输出（例如比湿和温度），这种对于气候和配置改变具有鲁棒性的、恒定映射是更为优越的。图1气候不变的神经网络解决了热带地区原始数据神经网络的泛化问题。
详情请点击：
地球系统科学读书会启动：统计物理与深度学习交叉前沿
点击“阅读原文”，报名读书会
