2021年8月17日《自然·機器智能》（Nature Machine Intelligence）雜志刊發文章《在地球系統科學中內建人工智能的神經地球系統模組化》（Towards neural earth system modelling by integrating artificial intelligence in earth system science）。德國亥姆霍茲波茨坦地球科學研究中心（GFZ）基于對地球系統模型 （ESMs）和人工智能（AI）的系統分析，創造性提出了“神經地球系統模組化”（neural earth system modelling）這一全新概念。2021年9月8日，美國科學促進協會（AAAS）發表評述文章《人工智能在氣候模組化中的機會和局限性》（Opportunities and limits of AI in climate modelling）對該項成果予以關注。
1 經典地球系統模組化及其局限性
地球系統模型（ESMs）是定量描述地球實體狀态的最重要工具，例如在氣候模型中，預測地球在人類活動的影響下将來會如何變化。經典的地球系統模型基于廣為人知的實體定律，在數學和數值方法的幫助下，系統在未來時間的狀态是根據目前或過去已知的系統狀态來計算的。盡管ESM取得了巨大成功，但長期存在的問題和不确定性依然存在：①評價ESMs的一個關鍵量是平衡氣候敏感性，定義為由于大氣CO2瞬時倍增而導緻的全球平均氣溫的平衡增加量。目前的ESM仍存在較大的平衡氣候敏感性範圍。從CMIP5到CMIP6，可能的平衡氣候敏感性範圍從2.1～4.7℃擴大到1.8～5.6℃。減少這些不确定性，進而減少未來氣候預測的不确定性，是開發ESM的關鍵挑戰之一。②理論研究和古氣候資料都表明，地球系統的幾個子系統可以突然改變它們的狀态，以響應強迫的逐漸變化。有人擔心，目前的ESM将無法預測未來的突然氣候變化，因為不到2個世紀的儀器時代還沒有經曆類似的轉變，而且由于相關時間尺度的長度，利用古氣候資料對此類事件進行模型驗證仍然是不可能的。在廣泛的研究中，在CMIP5模式的未來預估中已經确定了許多相對突變的事件，但由于這些罕見、高風險事件的性質，ESMs預測它們的準确性仍有待檢驗。③目前的環境穩定機制尚不适合評估二氧化碳去除技術的效力或環境影響，而這些技術被認為是實作《巴黎協定》目标的關鍵。此外，ESMs不能充分反映關鍵的環境過程，如碳循環、水和養分的有效性或土地利用與氣候之間的互相作用。這可能會影響依賴于碳捕獲與封存的生物質能或基于自然的氣候解決方案等行動的陸基緩解方案（land-based mitigation options）的有效性。④時間序列編碼的地球系統動力學分布具有典型的重尾特征。極端事件，如熱浪和幹旱以及極端降水事件和相關的洪水，總是造成巨大的社會經濟損失。随着持續的人為氣候變化，這類事件預計将變得更加嚴重，而極端事件歸因将給地球系統科學帶來另一個突出的挑戰。雖然目前的ESM在預測氣候量的平均值方面非常熟練，但在表示極端值方面仍有改進的空間。
2 人工智能取得進展
經典ESM方法的挑戰，以及越來越多的可用地球觀測，為人工智能的使用開辟了領域。這包括機器學習（ML）方法，例如神經網絡、随機森林或支援矢量機（SVM）。其優勢在于，它們是自學系統，不需要了解可能非常複雜甚至不為人所知的實體定律和關系。相反，它們接受針對特定任務的大型資料集教育訓練，并學習基礎系統本身。這種靈活而強大的概念可以擴充到幾乎任何所需的複雜性。例如，神經網絡可以訓練識别和分類衛星圖像中的模式，如雲結構、海洋渦流或作物品質。其或者學會根據以前的記錄、模型和實體平衡方程進行天氣預報。然而，這種自學方法在多大程度上能夠真正擴充甚至取代經典的模組化方法，還有待觀察。因為機器學習也有其陷阱，當今氣候科學的機器學習應用中有許多是在簡化環境中工作的概念驗證研究。進一步的研究将判斷其可操作性和可靠性。另一個決定性的方面，就像在黑匣子裡一樣，輸入和輸出是衆所周知的，但它們背後的擷取知識的過程卻并非衆所周知。這會導緻驗證結果實體一緻性的問題，即使它們似乎有道理。解釋能力（interpretability）和可解釋性（explainability）是機器學習背景下的重要問題，今後需要改進這些問題，以加強透明度和對方法的信任。
3 神經地球系統模組化
以數學家為主的研究小組将上述2種方法融合成“神經地球系統模組化”。機器學習不再僅用于純資料分析，還用于在經典ESM 架構内接管或加速某些流程步驟。這樣，計算能力就會釋放，進一步改進模型。為了便于比較，研究人員區分了弱耦合的NESYM混合模型（ESM或AI技術從各自的資訊中受益）和強耦合的NESYM混合模型（完全耦合的模型-網絡組合動态交換資訊）。弱耦合的NESYM混合模型主要是為了解決前面描述的ESM局限性，特别是未解決的和亞網格尺度的過程。強耦合的NESYM混合模型中，模型和人工智能任務轉置，資訊流是直接從模型對人工智能工具。在這裡，神經網絡直接訓練與模型狀态變量，其軌迹或更抽象的資訊，如季節性信号，年際周期或耦合機制。機器學習應用的目标可能不僅是模型仿真，還可能是反演非線性地球實體過程，學習地球實體因果關系或預測極端事件。方法融合過程的不斷發展将允許神經網絡、ESM 和 ESO的混合體動态交換資訊。ESM 将很快使用來自受監督和無人監督的神經網絡的輸出來優化其實體一緻性，進而将改進的資訊内容回報給 ML 元件。研究人員制定了NESYM的關鍵特征并定義了目标：①可以複制和預測分布外樣本和極端事件；②執行限制和一緻的模拟，遵守實體保護法，盡管單個元件存在潛在缺陷；③混合包括自我驗證和自我糾正的綜合适應性措施；④允許可複制性和可解釋性
研究人員展望稱，新穎的界面可以在,2種方法之間建立動态的資訊交流，進而不斷改進彼此。這種基于過程的經典地球和氣候研究的深度擴充将神經地球系統模組化提升到一個新的、迅速崛起的研究分支。其核心是混合系統，可以測試、糾正和提高其實體一緻性，進而能夠更準确地預測地球實體和氣候相關過程。不過，人工智能和混合方法仍然包含高風險和陷阱，目前圍繞人工智能使用的炒作是否會（至少僅憑其本身）解決開放性問題還遠未明确。 然而，無論如何，走這條路是值得的。 然而，要實作這一點，一方面是氣候和地球研究，另一方面是人工智能專家之間的密切合作将變得越來越重要。
轉載本文請注明來源及作者：中國科學院蘭州文獻情報中心《地球科學動态監測快報》2021年第18期，劉文浩 編譯。