“雲計算”對科學家來說有了新的意義
研究人員使用機器學習來提高氣候預測模型的準確性
雲可能是飄過天空的一縷縷水汽，但對於想要把它們納入氣候模擬的科學家來說，它們在計算上是一項艱鉅的任務。來自加州大學歐文分校(University of California, Irvine)、慕尼黑路德維希馬克西米利安大學(Ludwig Maximilian University of Munich)和哥倫比亞大學(Columbia University)的研究人員已轉向數據科學，以獲得更好的積雲計算結果。
他們的工作在最近由美國國家科學院院刊在線發表的一項研究中得到了詳細的描述。“雲在地球的氣候中扮演著重要的角色，通過運輸熱量和水分，反射和吸收太陽光線，捕獲紅外線熱光線和產生降水，”合著者邁克爾·普里查德說，他是UCI地球系統科學助理教授。“但它們可以小到幾百米，比50到100公里的標準氣候模型網格分辨率要小得多，因此適當地模擬它們需要大量的計算機能力和時間。”
標準的氣候預測模型使用簡單的數值算法來近似雲物理，這些算法依賴於對相關過程的不完美假設。普里查德說，雖然它們可以幫助模擬持續長達一個世紀的時間，但仍有一些缺陷限制了它們的有效性，比如顯示毛毛雨而不是更真實的降雨，完全忽略了其他常見的天氣模式。
根據普里查德的說法，氣候社區同意高保真模擬的好處，它支持自然界中豐富多樣的雲系統。他說:“但是缺乏超級計算機的力量，或者錯誤的類型，意味著這仍然是一個很長的路要走。”“與此同時，該領域必須應對與未來降雨變化以及雲變化將如何放大或抵消溫室氣體排放導致的全球變暖相關問題的巨大誤差。”
這個團隊想要探索的是，深度機器學習是否能夠提供一種有效的、客觀的、數據驅動的替代方法，能夠迅速地應用到主流的氣候預測中。該方法基於模擬人腦思維和學習能力的計算機算法。他們通過訓練一個深層神經網絡來預測數千個微小的二維雲解析模型的結果，這些模型與虛擬海洋世界中的行星尺度天氣模式相互作用。
據研究人員說，這個新教授的程序，被稱為“雲腦”，在氣候模型中自由發揮作用，導致了穩定和精確的多年模擬，其中包括真實的極端降水和熱帶海浪。“神經網絡學習大約代表的基本物理限制雲移動熱量和蒸汽的方式不被明確告知這樣做,和工作的一小部分所需的處理能力和時間由原cloud-modeling方法,”主要作者斯蒂芬說粗聲粗氣地說,一個LMU博士生在氣象學開始與普里查德合作在這個項目在UCI作為訪問學者。普里查德說:“我非常興奮，僅僅花了三個月的模擬模型輸出來訓練這個神經網絡。”“如果你只需要模擬100天的全球大氣，你就可以對雲物理做更多的公正。”現在我們知道這是可能的，看看這種方法在部署在一些真正豐富的訓練數據時表現如何將是有趣的。
研究人員打算進行後續研究，將他們的方法擴展到更復雜的模型設置，包括現實的地理環境，並理解機器學習在插值和外推方面的侷限性——這是本文中涉及的一些氣候變化應用的關鍵問題。“我們的研究顯示了數據驅動的氣候和天氣模型的明顯潛力，”普里查德說。“我們看到計算機視覺和自然語言處理開始改變其他科學領域，比如物理、生物和化學。將這些新原理中的一些應用到氣候科學中是有意義的，畢竟，氣候科學主要集中在大型數據集上，尤其是在新型全球模型開始解決實際雲層和湍流問題的今天。
閱讀更多 無名指下 的文章
