📢 转载信息
原文链接：https://news.mit.edu/2025/simpler-models-can-outperform-deep-learning-climate-prediction-0826
原文作者：MIT News
气候预测新趋势：简单模型或胜过深度学习，关键在于如何评估！
环境科学家越来越多地依赖庞大的AI模型来预测天气和气候变化，但麻省理工学院（MIT）的一项新研究表明，模型越大并不一定意味着预测越准确。
该研究团队发现，在某些气候情景下，远比深度学习模型简单的、基于物理学的模型，能产生比最先进的深度学习模型更准确的预测结果。
更重要的是，他们揭示了评估机器学习技术在气候预测中表现时常用的一种基准测试方法可能存在偏差。这种偏差源于数据中固有的自然波动（如天气模式的起伏），可能导致人们误认为深度学习模型更准确，而实际上并非如此。
研究人员开发了一种更稳健的评估技术。新方法显示，虽然在估算区域地表温度方面，简单模型更胜一筹，但对于估算局地降雨量，深度学习方法可能是更好的选择。
利用这些发现，研究人员改进了一个被称为气候模拟器（climate emulator）的工具，该工具可以快速模拟人类活动对未来气候的影响。
研究人员将此视为对在气候科学中部署大型AI模型风险的“警示故事”。尽管深度学习模型在自然语言等领域取得了巨大成功，但气候科学拥有成熟的物理定律和近似理论，挑战在于如何将这些知识融入AI模型中。
“我们正努力开发对决策者未来制定气候政策有用的模型。虽然使用最新、最宏大的机器学习模型来解决气候问题可能很吸引人，但这项研究表明，退后一步，真正思考问题的基本原理是重要且有益的。”
—— 论文资深作者、MIT数据、系统与社会研究所（IDSS）和地球、大气与行星科学系（EAPS）教授，以及可持续发展科学与战略中心主任 Noelle Selin 说道。
该论文的其他作者包括首席作者 Björn Lütjens（前EAPS博士后，现任IBM研究院研究员）、资深作者 Raffaele Ferrari（EAPS海洋学教授，洛伦兹中心联合主任），以及加州大学圣地亚哥分校助理教授 Duncan Watson-Parris。Selin和Ferrari也是“将计算带入气候挑战”(Bringing Computation to the Climate Challenge)项目的联合首席研究员，本次研究即源于此项目。该研究成果已发表于《地球系统建模进展》（Journal of Advances in Modeling Earth Systems）。
对比气候模拟器：深度学习的局限性
由于地球气候极其复杂，使用最先进的气候模型来预测污染水平将如何影响温度等环境因素，可能需要在全球最强大的超级计算机上运行数周。
因此，科学家常创建气候模拟器——即对最先进气候模型的简化近似模型，以实现更快、更便捷的模拟。决策者可以利用模拟器来查看不同温室气体排放假设对未来温度的影响，从而制定监管政策。
但如果模拟器对气候变化的局部影响预测不准确，它的作用就非常有限。尽管深度学习在模拟器领域越来越受欢迎，但很少有研究探索这些模型是否比久经考验的传统方法表现更佳。
MIT研究人员进行了这项研究。他们将一种称为线性模式缩放（Linear Pattern Scaling, LPS）的传统技术与使用常见气候模拟器基准数据集的深度学习模型进行了比较。
结果显示，在测试的几乎所有参数（包括温度和降水）的预测上，LPS的表现都优于深度学习模型。
Lütjens表示：“大型AI方法对科学家非常有吸引力，但它们很少能解决一个全新的问题，因此，首先实施一个现有解决方案，对于确定复杂的机器学习方法是否确实有所改进是必要的。”
一些初步结果似乎与研究人员的领域知识相悖。由于降水数据不遵循线性模式，强大的深度学习模型本应在预测降水方面更准确。
他们发现，气候模型运行中存在的大量自然变率会导致深度学习模型在不可预测的长期振荡（如厄尔尼诺/拉尼娜现象）上表现不佳。这使得基准分数向LPS倾斜，因为LPS会平均掉这些振荡。
构建新的评估体系
因此，研究人员构建了一个新的、包含更多数据以解决自然气候变率问题的评估体系。使用这个新评估体系后，深度学习模型在局部降水预测方面略微优于LPS，但LPS在温度预测方面仍然更准确。
Selin说：“为问题使用正确的建模工具非常重要，但首先必须以正确的方式设置问题。”
基于这些结果，研究人员将LPS整合到气候模拟平台中，用于预测不同排放情景下的局部温度变化。
Ferrari补充道：“我们并非主张LPS永远是目标。它仍然存在局限性。例如，LPS无法预测变率或极端天气事件。”
相反，他们希望自己的研究结果能够强调开发更优良的基准测试技术的必要性，这样才能更全面地了解哪种气候模拟技术最适合特定情况。
Lütjens说：“有了改进的气候模拟基准，我们就可以利用更复杂的机器学习方法来探索目前极难解决的问题，比如气溶胶的影响或极端降水的估算。”
归根结底，更准确的基准测试技术将有助于确保政策制定者基于最可靠的信息做出决策。
研究人员希望其他人能在此分析基础上继续研究，例如研究气候模拟方法的进一步改进和基准测试。此类研究可以探索面向影响的指标，如干旱指标和野火风险，或区域风速等新变量。
这项研究部分得到了 Schmidt Sciences, LLC 的资助，并作为“将计算带入气候挑战”MIT气候大挑战团队的一部分。
图片示例：
图片说明：根据麻省理工学院的一项研究，在预测未来温度变化时，简单的气候预测模型可以超越深度学习方法，但深度学习在估算更复杂的变量（如降雨量）方面具有潜力。
图片来源：MIT News; iStock
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区