[论文解读] Artificial intelligence and downscaling global climate model future projections

Rasmus Benestad|arXiv (Cornell University)|Jan 2, 2026

Climate variability and models被引用 0

一句话总结

对全球气候模型 projection 进行降尺度的 AI/ML 的批判性评述，强调局限性、代表性问题，以及传统统计和仿真方法与 AI/ML 并存的价值。讨论适当的基准测试、数据质量，以及何时 AI/ML 可发挥作用。

ABSTRACT

A critical review of artificial intelligence and deep machine learning (AI/ML) applied to downscaling of global climate model simulations provides some words of caution, based on past experiences and well-established principles. Recent papers tend to ignore more subtle successes with statistics and mathematical based downscaling, and there are examples of inappropriate evaluation strategies and incomplete accounts of the scientific progress when it comes to climate downscaling. An incomplete description state-of-the-art and a dogmatic approach to evaluation may give a deceiving impression that AI/ML is superior to more statistics and mathematics based methods.

研究动机与目标

• 评估 AI/ML 在全球气候模型未来投影降尺度中的使用。
• 突出数据代表性与分布外性能等局限性。
• 将 AI/ML 方法与经验统计降尺度 (ESD) 和传统方法进行比较。
• 讨论气候降尺度的适当测试、基准测试与建模策略。

提出的方法

• 提供对气候科学中 AI/ML 降尺度的批判性综合。
• 区分降尺度、插值与偏差修正。
• 讨论“完美预后”、模型输出统计量（MOS）以及混合 PP-MOS 策略。
• 主张对区域气候模型的仿真进行仿真(Emulation)以及使用常见 EOFs 以提高可迁移性。

Figure 1: Clouds have many different scales, and different cloud types and structures illustrate different situations where links between large and small scales vary. They can also provide a metaphor for Earth’s climate going through transitions from a known state to new unknown one with different i

实验结果

研究问题

• RQ1 用于未来气候投影降尺度时，AI/ML 方法的局限性是什么？
• RQ2 AI/ML 方法在鲁棒性与可迁移性方面与已建立的统计降尺度方法相比如何？
• RQ3 在何种条件下 AI/ML 能提供可靠的降尺度价值，例如仿真或模式提取？

主要发现

• AI/ML 可以在以未来为导向的气候情景下对 RCM 仿真进行仿真并研究内部变率。
• ESD 与基于数学的方法在数据稀缺或不完善时可能更具鲁棒性，并在某些任务上超越 AI/ML。
• 降尺度需要利用大尺度与小尺度过程之间的联系，而不仅仅是插值或偏差修正。
• 测试应关注跨 GCM 的 out-of-sample 未来气候性能，而不仅仅是历史统计。
• 存在对 AI/ML 结果的教条式依赖而缺乏透明性与可重复性的风险。
• 适当的基准测试应与最佳替代方法进行比较，避免使用稻草人方法。