隨著地球觀測衛星變得越來越普及，並且氣候模型變得更加強大，研究全球變暖的研究人員正面臨著資料的洪流。 一些人現在正在轉向人工智慧（AI）的最新趨勢，以幫助篩選所有資訊，希望能發現新的氣候模式並改進預測。
“氣候現在是一個數據問題，” 華盛頓特區喬治·華盛頓大學的計算機科學家克萊爾·蒙特萊奧尼說，她幫助開創了機器學習技術與氣候科學的結合。 在機器學習中，隨著人工智慧系統分析的資料量增長，其效能也會提高。 這種方法非常適合氣候科學：一次高解析度氣候模型的執行可以產生拍位元組級的資料，英國氣象局（國家氣象服務機構）維護的氣候資料檔案現在擁有約 45 拍位元組的資訊，並且每天增加 0.085 拍位元組。
希望處理所有這些資料的研究人員將於下個月在科羅拉多州博爾德市會面，評估被稱為氣候資訊學的科學領域的現狀。 該領域的工作發展迅速。 在過去的幾年中，研究人員使用人工智慧系統幫助他們對氣候模型進行排名，在真實和模擬的氣候資料中發現氣旋和其他極端天氣事件，並識別新的氣候模式。 “速度似乎正在加快，”蒙特萊奧尼說。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。 透過購買訂閱，您將有助於確保有關塑造我們今天世界的發現和想法的具有影響力的故事的未來。
傳統的計算機演算法依賴於程式設計師輸入大量的規則和事實來指導系統的輸出。 機器學習系統以及一個子集，即深度學習系統（模擬人腦中複雜的神經網路）— 在梳理大量資料後得出自己的規則。 這對於人們認為理所當然但傳統計算機難以執行的微妙任務通常很有用：理解語言、閱讀手寫筆記 或識別混亂資料集中的物件類別，例如在 YouTube 影片中識別貓。
天氣是另一個複雜的主題，非常適合透過深度學習方法進行分析。 2016 年，研究人員報告了首次使用深度學習系統來識別熱帶氣旋、大氣河流和天氣鋒面：這些特徵定義鬆散，其識別取決於專家判斷。 這一壯舉表明該演算法可以複製人類的專業知識。 現在，位於加利福尼亞州勞倫斯伯克利國家實驗室 (LBNL) 的團隊希望使用類似的技術來研究各種極端事件，包括尚未識別出的事件。 研究人員的最終目標是更好地評估和預測這些事件在面對氣候變化時如何轉變。 “這並不簡單，” 2016 年論文的主要作者 Prabhat 說，他負責 LBNL 國家能源研究科學計算中心的大資料工作。 “但這不像深度學習的商業應用那麼難”，例如語言翻譯和影像識別。
明尼阿波利斯明尼蘇達大學的計算機科學家 Vipin Kumar 使用機器學習建立了用於監測森林火災和評估森林砍伐的演算法。 當他的團隊讓計算機學習識別稱為遙相關的氣壓模式，例如厄爾尼諾天氣模式時，該演算法在塔斯曼海上方發現了一個以前未被識別的例子。
蒙特萊奧尼開發了機器學習演算法，以建立政府間氣候變化專門委員會使用的大約 30 個氣候模型的加權平均值。 蒙特萊奧尼說，通過了解模型的優點和缺點，這些演算法比平等對待所有模型的傳統方法產生更好的結果。 氣候界開始採用人工智慧演算法來權衡氣候模型，以此作為幫助改進預測的一種方式。
機器謎團
由於深度學習系統會制定自己的規則，研究人員通常無法說出這些演算法如何或為何得出給定的結果。 這讓一些人對依賴這些“黑匣子”來預測即將到來的天氣緊急情況（如洪水）感到不安。 “我不願意將 [AI] 用作答案機器，” LBNL 的氣候建模師威廉·德魯·柯林斯說。 “如果我無法解釋機器在做什麼，那就存在問題。”
相反，柯林斯說，人工智慧演算法最適合幫助測試下一代氣候模型。 這些模型旨在納入複雜的氣候現象，例如雲的精細結構、大氣河流和海洋渦流。 “我們需要一個基準來衡量這些模型應該達到的細節水平，”柯林斯說。 “我們需要一個指路明燈。 機器學習非常適合這一點。”
然而，一些人工智慧演算法正在被證明對天氣預報很有用。 在 2016 年的一項測試中，當在美國國家氣象局的九位氣象學家在人工智慧和傳統方法之間做出選擇時，他們選擇在約 75% 的風暴持續時間預報中使用人工智慧演算法。 該研究的主要作者、俄克拉荷馬州諾曼市俄克拉荷馬大學的計算機科學家艾米·麥戈文現在計劃將人工智慧演算法納入氣象局的冰雹預報中。
大多數氣候學家仍然使用傳統方法來分析他們的資料，但這種情況正在發生變化。 “如果你去主要的建模中心詢問他們是如何工作的，答案不會是機器學習，”柯林斯說。 “但它會到達那裡。”
本文經許可轉載，並於2017 年 8 月 23 日首次發表。