NCAR: 机器学习和气候模式的碰撞

近期，NCAR与美国国家科学基金会（National Science Foundation，NSF）达成了合作，将使用人工智能（AI）来改进传统的地球系统模型，从而推进气候研究，更好的为决策者提供更有实用价值的信息。

NSF宣布成立六个新的科学技术中心，其中包括人工智能和物理地球研究中心(Learning the Earth with Artificial Intelligence and Physics，LEAP)，LEAP将由哥伦比亚大学、其他几所大学以及NCAR和NASA Goddard空间研究所共同领导，致力于研究将广泛造福社会的变革性科学。

LEAP的目标是支持NCAR的战略计划，该计划强调具有实用价值的地球系统科学的重要性。NCAR此项目负责人David Lawrence指出，对于多科学团队而言，LEAP是很好的探索机器学习改进复杂地球系统模型潜力的机会。NCAR的模式也得益于去社区的合作，希望未来能与数据科学家合作开发新的创新性方法进一步推进地球系统模式的发展。

LEAP将聚焦在基于NCAR的社区地球系统模式（Community Earth System Model）。CESM是一个由一系列组件模块构成的复杂模式，可以模拟大气、海洋、陆地、海冰和冰盖的过程，以及这些过程的相互作用和相互影响，这对于准确预测未来气候如何变化至关重要。最终形成一个全面且高质量的地球系统模式。

尽管如此，由于对地球系统中某些难以模拟的复杂物理过程的表示能力存在不足，CESM仍存在一定的限制。比如云的形成和演变，对于这种精细尺度的模拟，CESM无法很好的解决。(全球地球系统模型通常以相对较低的空间分辨率运行，因为它们需要模拟几十年或几个世纪的时间，而计算资源是有限的)。 此外，土地生态学也是非常复杂的，科学家们在努力寻找能够准确捕捉现实世界中发生的事情的方程。

在这两种情况下，科学家们已经创建了简化的子模块--称为参数化--以近似模式中的这些物理过程。LEAP的一个主要目标是在机器学习的帮助下改进这些参数化。机器学习可以利用丰富的地球系统观测数据和高分辨率的模型数据，通过在这些数据集上训练机器学习模型，然后与地球系统模式开发者合作，将这些子模块纳入CESM，研究人员期望提高所模拟的准确性和细节。

哥伦比亚大学地球和环境科学教授Galen McKinley提到，此项目的目标是利用来自观测和模拟的数据，更好的表示地球气候系统的基本物理、化学和生物学过程。而更准确的模式将有助于我们更好的认识未来。

上述内容基于NCAR推特及官方介绍编译，如有疏漏敬请指正。