综述：用人工智能弥合天气与气候的分歧

《Nature Communications》：Bridging the weather and climate divide with artificial intelligence

　　

天气和气候影响着我们生活的方方面面，但几十年来，它们一直被作为两个独立的世界来研究——一个关注明天会发生什么，另一个关注未来几十年等待着我们什么。这种长期的分歧减缓了两个领域的进展。在此，研究人员认为，人工智能（AI）正在帮助消除它们之间的界限。通过直接从大量地球观测数据中学习，AI开始在一个统一的框架内同时预测明天的风暴和下个世纪的气候。研究人员展示了这种融合是如何已经发生的，为什么天气和气候科学可以从彼此中获得很多，以及仍然存在哪些障碍——从信任、透明度和公平性，到计算能源成本以及加剧全球不平等的风险。实现这一愿景不仅需要更好的算法，还需要在科学界、操作中心、领域和学科之间建立新的合作文化。如果做得好，一个统一的、由AI驱动的地球科学可以提供更快、更可靠、更可操作的预测，帮助社会预测和适应一个迅速变暖的地球。

**Distinct challenges in weather and climate**
天气和气候科学在尺度、动力学和目标上存在根本差异，这些差异即使在AI框架下依然存在。在预测、预报和预估方面，天气预报（forecast/prediction）基于历史数据校准的概率分布，提供分钟到月度的概率估计；气候预测（prediction）介于初始化短期预报（年际到年代际）和长期预估之间，而气候预估（projection）则基于假设情景（如典型浓度路径（RCPs）和共享社会经济路径（SSPs））进行条件性模拟，其概率是情景相对的，而非基于验证校准。数据挑战方面，观测数据分布不均，卫星观测弥补了部分缺口，但长期原位测量仍稀疏；气候科学需要跨地球圈层的数据，且多尺度过程混合增加了难度；极端事件数据稀缺，在非平稳气候下更突出。建模挑战方面，天气模型强调高分辨率短期可预报性，气候模型关注长期相互作用和反馈；地球系统模式（ESMs）计算成本高，存在结构不确定性和建模者偏差；天气过程混沌性主要源于初始条件误差放大，而气候系统存在非自治、非平稳特性。假设与假设挑战方面，不同变量在不同时间尺度上的重要性不同（如海洋盐度在短期天气中可忽略，但在季节尺度和长期气候中关键）；天气系统近似平稳，气候系统非平稳，需适应长期变化和突变（如地球临界点）；天气预报可客观验证，气候预估依赖反事实情景和分布外（OOD）外推。社会与伦理挑战方面，AI模型训练能耗大，推理成本低，但可能加剧资源不平等；“黑箱”特性削弱信任，需区分可解释性、科学可解释性和决策者信任；历史数据偏差可能导致区域性表现不均，加剧气候信息鸿沟；私营部门主导气候分析行业引发透明度和公平性担忧。

**AI potential for bridging the weather and climate gap**
AI方法在数据预处理和模型策略中发挥关键作用。数据预处理与后处理方面，数据增强和生成式AI填补观测空白，卷积神经网络（CNN）、编码器-解码器（如U-Net）和扩散模型用于降尺度，大型语言模型（LLM）将数值输出转化为自然语言。降维与动力学方面，经验正交函数（EOF）等线性方法用于降维，但存在局限性；奇异向量和有限时间李雅普诺夫指数用于天气初始值敏感性，随机气候建模和线性逆模型（LIM）用于气候低频变率；自编码器实现现代降维，基础模型（FMs）捕捉跨尺度特征。编码数据结构与知识方面，图神经网络（GNN，如GraphCast）利用多尺度图网格和注意力机制预测全球天气；等变架构（如球面傅里叶神经算子（SFNO））利用球面几何对称性；混合机器学习（ML）结合物理模型，增强物理一致性、可解释性和外推能力，但存在偏差放大风险；ML与资料同化（DA）融合，实现端到端DA-预报循环。基础模型方面，FMs利用大规模未标记数据学习通用表征，可微调用于多种下游任务（如天气预测、气候建模、降尺度、极端事件检测），但物理一致性和OOD行为仍是开放问题；代表性模型包括ClimaX、Prithvi WxC、Aurora、AlphaEarth Foundations等。生成式AI方面，扩散模型、流匹配、变分自编码器（VAE）和生成对抗网络（GAN）生成高分辨率气候场、进行统计降尺度、填补数据缺口和模拟极端事件，提高统计真实感但物理一致性需权衡；生成式方法支持大型集合预报，助力不确定性量化。可解释性与因果AI方面，可解释AI（XAI）通过归因方法提高透明度，可解释AI（IAI）构建玻璃箱模型或提取物理定律；因果AI整合因果推理，识别因果关系，改进参数化和外推能力。

**Three AI-mediated bridges**
AI介导的三个桥梁促进天气与气候融合。时间桥梁：次季节到季节（S2S）预测位于天气（数天至数周）和气候（季节至世纪）之间，AI模型在S2S时段表现出技巧，成为天然通道。因果桥梁：AI因果推断方法比较事实与反事实气候模拟，量化气候变化对极端事件的影响，实现双向链接。结构桥梁：基础模型、混合物理-AI和迁移学习在天气和气候领域可互换使用，形成共享技术层，如ML参数化、天气尺度DA技术用于气候初始化。

**Outlook: open problems and future directions**
AI作为无缝天气-气候建模的催化剂，正放宽传统权衡，开启跨尺度共享建模区间。迈向统一方法论需两个方向：端到端混合物理-AI系统保持物理一致性，多尺度、尺度感知的基础模型共享表征。建模中心应开发可微地球系统组件，实现模块化、可替换和可审计的组件。跨时间尺度的评估、鲁棒性和信任方面，需建立联合天气-气候AI基准套件，包括物理一致性诊断（能量、质量守恒）、概率技巧评分、时空一致性、因果一致性等；气候预估依赖替代验证策略（完美模型实验、后报、古气候类比）。面向社会与伦理的AI地球系统方面，需优先考虑可持续性和民主化，要求报告能源和计算资源，开放数据访问，降低进入门槛；开放共享数据集、预训练语料库和基准测试对于透明度和可重复性至关重要。桥梁社区方面，需促进跨学科合作，包括定期研讨会、联合会议、共享基准竞赛；操作中心开放测试平台，资助机构要求跨学科联合指导，设立暑期学校；通过持续结构化合作，AI可推动建模进步、改善预报，并支持气候变化下的知情决策。