气候模型是预测气候变化影响的关键技术。通过对地球气候进行模拟，科学家和决策者可以估计海平面上升、洪水和气温上升等条件，并决定如何适当地应对。但目前的气候模型在提供这些信息时往往无法快速或经济地满足小尺度（如城市规模）的需求。
现在，《Journal of Advances in Modeling Earth Systems》上发表的一篇新的开放获取论文的作者们发现了一种利用机器学习来利用当前气候模型的优势，同时减少运行所需的计算成本的方法。
“这颠覆了传统的智慧，”麻省理工学院地球、大气和行星科学系（EAPS）的主要研究科学家Sai Ravela与EAPS博士后Anamitra Saha合著的论文中写道。
传统智慧
在气候模拟中，下缩放是使用粗分辨率的全球气候模型生成较小区域的细节的过程。想象一张数字照片：全球模型是一张低像素的世界大图。要进行下缩放，您只需放大要查看的照片部分，例如波士顿。但由于原始图片分辨率低，新版本会变得模糊，无法提供足够的细节，因此不太有用。
“如果您从粗分辨率到细分辨率，您必须以某种方式添加信息，”Saha解释道。下缩放试图通过填充缺失的像素来添加信息。“信息的添加可以通过两种方式进行：要么来自理论，要么来自数据。”
传统的下缩放通常涉及使用基于物理学的模型（例如空气上升、冷却和凝结过程，或区域的地貌），并补充使用从历史观测数据中获取的统计数据。但这种方法在计算上是具有挑战性的：运行所需的时间和计算能力很大，同时也很昂贵。
两者兼而有之
在他们的新论文中，Saha和Ravela找到了另一种添加数据的方法。他们采用了机器学习中的对抗学习技术。它使用两台机器：一台生成要输入到我们的照片中的数据。但另一台机器通过将其与实际数据进行比较来评判样本。如果它认为图像是假的，那么第一台机器必须再试一次，直到说服第二台机器。该过程的最终目标是创建超分辨率数据。
使用对抗学习等机器学习技术在气候模拟中并不是一个新的想法；它目前的困难在于无法处理大量的基本物理学，例如守恒定律。研究人员发现，简化输入的物理学并补充使用历史数据的统计数据足以生成所需的结果。
“如果您将机器学习与统计信息和简化的物理学相结合，那么突然间就有了魔力，”Ravela说。他和Saha首先通过去除更复杂的物理方程式，专注于水蒸气和地形，估计了极端降雨量。然后，他们根据历史记录纠正输出，为多山的丹佛和平坦的芝加哥生成了一般性的降雨模式。“它以更低的成本给我们提供了物理学所能提供的极端情况，并以与统计学相似的速度提供了更高的分辨率。”
结果的另一个意外好处是所需的训练数据很少。“从一开始就能够通过少量的物理学和少量的统计学来提高机器学习模型的性能，这实际上并不明显，”Saha说。训练只需要几个小时，可以在几分钟内产生结果，这比其他模型需要数月的时间要好。
快速量化风险
能够快速而频繁地运行模型是保险公司和地方政策制定者等利益相关者的关键要求。Ravela以孟加拉国为例：通过了解极端天气事件将如何影响该国，可以在考虑到非常广泛的条件和不确定性的情况下尽快做出关于应该种植哪些作物或人口应该迁往何处的决策。
“我们不能等待数月或数年才能量化这种风险，”他说。“您需要向未来展望，并考虑大量的不确定性，才能做出明智的决策。”
虽然当前模型只考虑极端降水，但训练它以检查其他关键事件，如热带风暴、风和温度，是该项目的下一步。通过更强大的模型，Ravela希望将其应用于波士顿和波多黎各等其他地方，作为气候大挑战项目的一部分。
“我们对我们提出的方法以及它可能带来的潜在应用非常兴奋，”他说。
