AGU Advances：机器学习模拟千年气候

深度学习地球系统模型与CMIP6模型相比更具竞争力，并且使用的计算资源更少。

Image

近年来，科学家们发现，基于机器学习的天气模型可以比传统模型更快地做出天气预测，且使用更少的能耗。然而，许多这些模型无法准确预测未来15天以上的天气，并且到第 60 天时就会开始模拟出不切实际的天气。

深度学习地球系统模型（Deep Learning Earth System Model，简称DLESyM）建立在两个并行运行的神经网络上：一个模拟海洋，另一个模拟大气。在模式运行期间，对海洋状况的预测每四个模式日更新一次。由于大气条件演变得更快，对大气的预测每12个模式小时更新一次。

A satellite image shows a mass of swirling white clouds hanging over the central United States.

一种新的机器学习模型使用比CMIP6模型更少的计算成本来模拟天气，比如图中美国中部上空的低压系统。图片来源：SeaWiFS 项目、NASA/戈达德太空飞行中心和 ORBIMAGE

该模型的创建者Cresswell-Clay 等人发现，DLESyM 与过去观测到的气候非常吻合，并能做出准确的短期预测。以地球当前的气候为基准，它还可以在不到 12 小时的计算时间内，准确模拟 1000 年周期内的气候和年际变化。它的性能通常与基于耦合模式比对计划第六阶段（CMIP6）的模型相当，甚至优于后者，CMIP6目前在计算气候研究中被广泛使用。

DLESyM 模型在模拟热带气旋和印度夏季季风方面优于 CMIP6 模型。它至少与 CMIP6 模型一样准确地捕捉了北半球大气“阻塞”事件的频率和空间分布，而这些事件可能导致极端天气。此外，该模型预测的风暴也非常真实。例如，在 1000 年模拟结束时（3016 年）生成的东北风暴的结构与 2018 年观测到的东北风暴非常相似。

然而，新模型和CMIP6 模型都无法很好地描述大西洋飓风的气候特征。此外，对于中期预报（即未来 15 天左右的预报），DLESyM 的准确性低于其他机器学习模型。尤其重要的是，DLESyM 模型仅对当前气候进行模拟，这意味着它没有考虑人类活动引起的气候变化。

作者认为，DLESyM模型的主要优势在于，它比运行CMIP6 模型所需的计算成本要低得多，这使得它比传统模型更容易使用。

以上内容英文原文发表于AGU Eos Research Spotlight，中文翻译仅供参考。

原文链接：

https://eos.org/research-spotlights/machine-learning-simulates-1000-years-of-climate

Text © 2025. AGU. CC BY-NC-ND 3.0

原文信息

https://doi.org/10.1029/2025AV001706 论文引用：

Cresswell-Clay, N., Liu, B., Durran, D. R., Liu, Z., Espinosa, Z. I., Moreno, R. A., & Karlbauer, M. (2025). A deep learning Earth system model for efficient simulation of the observed climate. AGU Advances, 6, e2025AV001706. https://doi.org/10.1029/2025AV001706

关于期刊

AGU Advances 是AGU全力打造的金色开放获取(Gold Open Access)期刊，面向地球和空间科学的所有领域，发表全篇幅、高影响力的研究论文、评论和社论，旨在使整个地球和空间科学领域的重要科学进展更容易为更广大的公众获取，更加透明。

期刊力求迅速发表对地球和空间科学有广泛影响的创新性研究成果，这里所说的影响包括：

直接影响-能在一门学科内开辟新的研究方向的发现

聚合影响-所报道的发现需要来自多个领域的科学家合作来解决一个超越单一学科追求的问题 社会影响-报告的研究结果要求社会采取行动，改变政策或在之前不相关的群体之间展开讨论

在AGU Advances上发表文章的作者有额外的空间向读者提供其研究成果的重要性和相关背景。

2024年影响因子：6.6

5年影响因子： 8.1

从投搞到一审意见的中位数时间：9天

关注点击下方“阅读原文”访问AGU Advances 期刊主页，阅读更多精彩文献。

END

声明：欢迎转载、转发。气象学家公众号转载信息旨在传播交流，其内容由作者负责，不代表本号观点。文中部分图片来源于网络，如涉及内容、版权和其他问题，请联系小编处理。