天气与气候领域的人工智能：方法、基准及科学机器学习挑战综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Artificial intelligence for weather and climate: a survey of methods, benchmarks, and scientific machine learning challenges

　　

摘要

天气与气候科学是人工智能领域一个极具挑战性的测试平台，它融合了旋转球体上PB级的时空复杂数据、与之耦合的偏微分方程控制以及全球观测与再分析档案，具有区别于平稳流体力学或地震学基准的气候非平稳性特征，并涉及针对罕见极端事件的操作性预报验证。本综述做出四项贡献。第一，按物理归纳偏差对AI架构进行分类整理，包括卷积神经网络、图神经网络、Transformer、神经算子及生成模型，并以几何深度学习与算子学习为统一主题。第二，系统性地探讨了表示学习与基础模型、不确定性量化以及作为预测补充的因果发现。第三，提出并分析了科学机器学习中存在的评估病理问题，包括RMSE平滑偏差——即在均方误差训练中系统性地奖励模糊预报而惩罚锐利但略有偏移的预测、ERA5训练-评估循环性以及基准过拟合。第四，将开放问题——即非平稳气候下的分布漂移、学习算子的物理一致性、数据稀疏环境中的样本效率以及内在可解释性——框定为可推广至气象学之外的科学机器学习问题。

图形摘要

天气与气候科学是人工智能领域一个极具挑战性的测试平台，它融合了旋转球体上PB级的时空复杂数据、与之耦合的偏微分方程控制以及全球观测与再分析档案，具有区别于平稳流体力学或地震学基准的气候非平稳性特征，并涉及针对罕见极端事件的操作性预报验证。本综述做出四项贡献。第一，按物理归纳偏差对AI架构进行分类整理，包括卷积神经网络、图神经网络、Transformer、神经算子及生成模型，并以几何深度学习与算子学习为统一主题。第二，系统性地探讨了表示学习与基础模型、不确定性量化以及作为预测补充的因果发现。第三，提出并分析了科学机器学习中存在的评估病理问题，包括RMSE平滑偏差——即在均方误差训练中系统性地奖励模糊预报而惩罚锐利但略有偏移的预测、ERA5训练-评估循环性以及基准过拟合。第四，将开放问题——即非平稳气候下的分布漂移、学习算子的物理一致性、数据稀疏环境中的样本效率以及内在可解释性——框定为可推广至气象学之外的科学机器学习问题。

图形摘要