如今，对未来地球气候状况进行预测仍面临诸多不确定性。例如，政府间气候变化专门委员会（IPCC）的核心气候预测把大气中二氧化碳浓度当量加倍之后全球平均地表温度年平均值的平衡变化称为“气候敏感性”，变化幅度在1.5℃到4.5℃之间。自1990年IPCC第一份报告发布以来，这一反应不确定的幅度并没有产生变化，并对人类可能需要应对的环境事件类型具有深远影响。

　　其中部分不确定性源于自然变率，即在没有二氧化碳增长的情况下也会产生的变化——但是还有部分不确定性源于需要模式来模拟云和对流等复杂过程。最近，气候专家已经尝试利用计算科学的改进来缩小气候模式不确定性的范围。

　　目前，机器学习已在新药研发、航空管制、语音识别软件等诸多领域应用，现在也已扩展至气候研究领域，以减小气候模式的不确定性，尤其是因为机器学习与造成不确定性的最主要两大影响因素——气候敏感性和区域趋势预测密切相关。

　　随着机器学习进入气候模拟领域，到底怎么解读它们的关系和发展前景呢？

　　麻省理工学院（MIT）地球、大气、行星科学系助理教授、大气、海洋和气候项目成员保罗·奥戈尔曼就两者之间的关系分享了他的看法，并就机器学习在气候模拟中的应用，可能产生的问题和应对之策，以及利用机器学习方法最容易取得成功的领域等进行了说明。

　　问：气候敏感性和区域气候变化给研究者添了不少麻烦。那么在应对这些困难方面，机器学习如何发挥作用呢？

　　答：当前的气候模式已经发挥了作用，不过也存在不少问题，你提到的两大问题——气候敏感性和区域性气候变化，比如某一国家的降水量变化。为了应对这两大问题，我们当然希望气候模式能够更加精确、速度更快，因为这些模式需要运行一千年以上。一般来说，需在融入未来气候模式之前把模式纳入当前的气候状况中。

　　因此，这是精确度和效率的问题。传统上，气候模式很大程度上基于大气和海洋的物理化学过程，以及陆表过程。但是，它们无法涵盖大气中毫米或更小尺度范围发生的过程，因此这些模式需包含部分经验公式。而这些经验公式被称为参数化。参数化可以代表云和大气对流等复杂过程，其中一个例子就是暴风雨，它们的发生相比整个地球大小来说尺度很小，所以全球气候模式很难精确地对其进行表示。

　　最近几年引起关注的一个观点是，利用机器学习更精确地表示大气和海洋的小尺度方面。即通过运行一个成本高的高分辨率模式来解决感兴趣的过程，比如说浅云，然后利用机器学习从这些模拟中进行学习，这是第一步。第二步是把机器学习算法纳入一气候模式，最好是可以产生一个更快更精确的气候模式。这也是当前全球几大机构正在探索的。

　　问：机器学习算法从某一气候状况或者区域进行概括可以达到什么样的程度？

　　答：这还是一个不确定的问题。我们现在发现如果在当前气候上进行训练，然后尝试模拟一个更温暖的气候，算法并不会成功，因为它依赖与当前气候的类比，而当前气候并无法延伸至气温更高的气候。例如，大气中的云一般会在更温暖的气候中上升。因此，如果在当前气候上进行训练仍存在局限，但如果在高分辨率模式中对更温暖的气候进行训练是有可能的。

　　有趣的是，我们发现对大气对流来说，如果在当前气候上进行训练，然后再转为一更寒冷的气候，机器学习方法确实很有效。因此，升温或降温与这些算法进行概括的程度之间存在不对称，至少在大气对流方面如此。机器学习算法能够在寒冷气候中进行概括的原因是它们能够找到当前气候中较高纬度的例子匹配较冷气候中的热带区域。因此，全球不同区域的不同气候都能够为气候变化概括有所帮助。

　　厄尔尼诺等事件也能够提供帮助，全球平均气温上升一些，机器学习就可以从其提供的类比中进行学习。这与全球变暖并不是最好的类比，但是相同物理性的一些部分可以在更高气温中运行，因此机器学习算法可以自动利用它们在更温暖的气候中进行概括。

　　问：这是否意味着机器学习对气候系统特定领域的帮助会更多？

　　答：我建议应该在昂贵的高分辨率模拟上进行机器学习算法训练，但是只有当我们对感兴趣的过程拥有精确的高分辨率模拟才有意义。我们当前研究的大气对流就是一个好的例子，因为我们已经在这方面进行了精确的高分辨率模拟。

　　比如说，如果对地表对气候变化的反应以及它如何与大气进行互动感兴趣的话，因其中包含的众多复杂性模拟会变得更加困难。我们有不同类型的植被和土壤，它们都是不同质的。这并不像在模式中学到什么东西，然后得到真理一样直接。如果我们说：“对那些没有高昂、精确模拟的气候系统方面来说，我们能不能改成利用观测？”也许如此。但是我们又回到尝试对不同气候进行概括的问题。我肯定认为气候变化的不同组成部分可以会比其他的部分更能适应机器学习方法。

　　同样的，气候模式模拟的一些方面已经做得很好了。模式在模拟大气的大规模流体动力方面做得不错。因此，气候模式的这些部分并不可能被机器学习所替代，因为这些方法并不如纯粹基于物理学的方式更加灵活。