2021年8月17日《自然·机器智能》（Nature Machine Intelligence）杂志刊发文章《在地球系统科学中集成人工智能的神经地球系统建模》（Towards neural earth system modelling by integrating artificial intelligence in earth system science）。德国亥姆霍兹波茨坦地球科学研究中心（GFZ）基于对地球系统模型 （ESMs）和人工智能（AI）的系统分析，创造性提出了“神经地球系统建模”（neural earth system modelling）这一全新概念。2021年9月8日，美国科学促进协会（AAAS）发表评述文章《人工智能在气候建模中的机会和局限性》（Opportunities and limits of AI in climate modelling）对该项成果予以关注。
1 经典地球系统建模及其局限性
地球系统模型（ESMs）是定量描述地球物理状态的最重要工具，例如在气候模型中，预测地球在人类活动的影响下将来会如何变化。经典的地球系统模型基于广为人知的物理定律，在数学和数值方法的帮助下，系统在未来时间的状态是根据目前或过去已知的系统状态来计算的。尽管ESM取得了巨大成功，但长期存在的问题和不确定性依然存在：①评价ESMs的一个关键量是平衡气候敏感性，定义为由于大气CO2瞬时倍增而导致的全球平均气温的平衡增加量。目前的ESM仍存在较大的平衡气候敏感性范围。从CMIP5到CMIP6，可能的平衡气候敏感性范围从2.1～4.7℃扩大到1.8～5.6℃。减少这些不确定性，进而减少未来气候预测的不确定性，是开发ESM的关键挑战之一。②理论研究和古气候数据都表明，地球系统的几个子系统可以突然改变它们的状态，以响应强迫的逐渐变化。有人担心，目前的ESM将无法预测未来的突然气候变化，因为不到2个世纪的仪器时代还没有经历类似的转变，而且由于相关时间尺度的长度，利用古气候数据对此类事件进行模型验证仍然是不可能的。在广泛的研究中，在CMIP5模式的未来预估中已经确定了许多相对突变的事件，但由于这些罕见、高风险事件的性质，ESMs预测它们的准确性仍有待检验。③目前的环境稳定机制尚不适合评估二氧化碳去除技术的效力或环境影响，而这些技术被认为是实现《巴黎协定》目标的关键。此外，ESMs不能充分反映关键的环境过程，如碳循环、水和养分的有效性或土地利用与气候之间的相互作用。这可能会影响依赖于碳捕获与封存的生物质能或基于自然的气候解决方案等行动的陆基缓解方案（land-based mitigation options）的有效性。④时间序列编码的地球系统动力学分布具有典型的重尾特征。极端事件，如热浪和干旱以及极端降水事件和相关的洪水，总是造成巨大的社会经济损失。随着持续的人为气候变化，这类事件预计将变得更加严重，而极端事件归因将给地球系统科学带来另一个突出的挑战。虽然目前的ESM在预测气候量的平均值方面非常熟练，但在表示极端值方面仍有改进的空间。
2 人工智能取得进展
经典ESM方法的挑战，以及越来越多的可用地球观测，为人工智能的使用开辟了领域。这包括机器学习（ML）方法，例如神经网络、随机森林或支持矢量机（SVM）。其优势在于，它们是自学系统，不需要了解可能非常复杂甚至不为人所知的物理定律和关系。相反，它们接受针对特定任务的大型数据集培训，并学习基础系统本身。这种灵活而强大的概念可以扩展到几乎任何所需的复杂性。例如，神经网络可以训练识别和分类卫星图像中的模式，如云结构、海洋涡流或作物质量。其或者学会根据以前的记录、模型和物理平衡方程进行天气预报。然而，这种自学方法在多大程度上能够真正扩展甚至取代经典的建模方法，还有待观察。因为机器学习也有其陷阱，当今气候科学的机器学习应用中有许多是在简化环境中工作的概念验证研究。进一步的研究将判断其可操作性和可靠性。另一个决定性的方面，就像在黑匣子里一样，输入和输出是众所周知的，但它们背后的获取知识的过程却并非众所周知。这会导致验证结果物理一致性的问题，即使它们似乎有道理。解释能力（interpretability）和可解释性（explainability）是机器学习背景下的重要问题，今后需要改进这些问题，以加强透明度和对方法的信任。
3 神经地球系统建模
以数学家为主的研究小组将上述2种方法融合成“神经地球系统建模”。机器学习不再仅用于纯数据分析，还用于在经典ESM 框架内接管或加速某些流程步骤。这样，计算能力就会释放，进一步改进模型。为了便于比较，研究人员区分了弱耦合的NESYM混合模型（ESM或AI技术从各自的信息中受益）和强耦合的NESYM混合模型（完全耦合的模型-网络组合动态交换信息）。弱耦合的NESYM混合模型主要是为了解决前面描述的ESM局限性，特别是未解决的和亚网格尺度的过程。强耦合的NESYM混合模型中，模型和人工智能任务转置，信息流是直接从模型对人工智能工具。在这里，神经网络直接训练与模型状态变量，其轨迹或更抽象的信息，如季节性信号，年际周期或耦合机制。机器学习应用的目标可能不仅是模型仿真，还可能是反演非线性地球物理过程，学习地球物理因果关系或预测极端事件。方法融合过程的不断发展将允许神经网络、ESM 和 ESO的混合体动态交换信息。ESM 将很快使用来自受监督和无人监督的神经网络的输出来优化其物理一致性，进而将改进的信息内容反馈给 ML 组件。研究人员制定了NESYM的关键特征并定义了目标：①可以复制和预测分布外样本和极端事件；②执行约束和一致的模拟，遵守物理保护法，尽管单个组件存在潜在缺陷；③混合包括自我验证和自我纠正的综合适应性措施；④允许可复制性和可解释性
研究人员展望称，新颖的界面可以在,2种方法之间建立动态的信息交流，从而不断改进彼此。这种基于过程的经典地球和气候研究的深度扩展将神经地球系统建模提升到一个新的、迅速崛起的研究分支。其核心是混合系统，可以测试、纠正和提高其物理一致性，从而能够更准确地预测地球物理和气候相关过程。不过，人工智能和混合方法仍然包含高风险和陷阱，目前围绕人工智能使用的炒作是否会（至少仅凭其本身）解决开放性问题还远未明确。 然而，无论如何，走这条路是值得的。 然而，要实现这一点，一方面是气候和地球研究，另一方面是人工智能专家之间的密切合作将变得越来越重要。
转载本文请注明来源及作者：中国科学院兰州文献情报中心《地球科学动态监测快报》2021年第18期，刘文浩 编译。