[论文解读] Artificial Intelligence for Prediction of Climate Extremes: State of the art, challenges and future perspectives

Stefano Materia, Lluís Palma García+8 more|arXiv (Cornell University)|Oct 3, 2023

Meteorological Phenomena and SimulationsEarth and Planetary Sciences被引用 3

一句话总结

本文综述了利用人工智能（AI）预测气候极端事件的最新进展，重点介绍了将机器学习与气候模型相结合的混合模型，以提升预测能力。文章指出了数据质量、模型可解释性和可复现性方面的关键挑战，同时提出了可信AI驱动气候预测的最佳实践和未来方向。

ABSTRACT

Scientific and technological advances in numerical modelling have improved the quality of climate predictions over recent decades, but predictive skill remains limited in many aspects. Extreme events such as heat and cold waves, droughts, heavy rain and storms are particularly challenging to predict accurately due to their rarity and non-linear chaotic nature, and because of model limitations. However, recent studies have shown that predictive skill of extremes can be increased when using more sophisticated approaches, indicating that there might be systemic predictability that is not being leveraged. Recently, numerous studies have been devoted to the exploitation of Artificial Intelligence (AI) to study the predictability and make predictions of weather and climate. AI techniques have shown great potential to improve the prediction of extreme events and uncover their links to large-scale and local drivers. Machine and deep learning, causal discovery, explainable AI, are only some of the approaches that have been tested to both improve our understanding of the processes underlying predictability and enhance prediction skill of extreme events. Results are promising, especially for hybrid predictions that combine the AI, which can reveal and exploit unknown spatio-temporal connections from data, and climate models, that provide the theoretical foundation and interpretability of the physical world. On the other hand, challenges are multiple in many aspects, from data curation to model uncertainty and generalizability, to the reproducibility of methods and workflows. A few best practices are identified to increase trust in these novel techniques, and future perspectives are envisaged for further scientific development.

研究动机与目标

• 评估人工智能在预测热浪、干旱和风暴等气候极端事件中的当前应用状况。
• 识别现有气候预测模型在非线性动力学和罕见事件预测方面的局限性。
• 评估人工智能技术如何通过揭示气候数据中隐藏的时空模式来提升预测能力。
• 解决基于人工智能的气候建模中数据整理、模型泛化能力和可复现性方面的挑战。
• 提出可信、可解释且可互操作的人工智能在气候科学中的最佳实践与未来研究方向。

提出的方法

• 系统性回顾近期应用人工智能技术（特别是机器学习、深度学习和因果发现）于气候极端事件预测的研究。
• 将人工智能模型与物理气候模型相结合，构建混合预测系统，以结合数据驱动的模式识别与理论物理约束。
• 应用可解释人工智能（XAI）方法以提升人工智能预测结果的可解释性与可信度。
• 在不同极端事件（包括热浪、强降水和干旱）中评估模型性能。
• 分析人工智能工作流在气候科学中面临的数据质量、模型不确定性与可复现性挑战。
• 识别数据预处理、模型验证和透明报告方面的最佳实践，以增强科学严谨性。

实验结果

研究问题

• RQ1 与传统模型相比，人工智能技术在预测罕见且非线性气候极端事件方面有何改进？
• RQ2 在人工智能应用于气候预测时，主要挑战是什么，特别是数据质量、泛化能力与可复现性方面？
• RQ3 混合人工智能-气候建模方法在提升预测准确性和物理可解释性方面有哪些优势？
• RQ4 可解释人工智能（XAI）方法如何提升对人工智能驱动气候预测的信任度与透明度？
• RQ5 可建立哪些最佳实践，以确保人工智能在气候研究中应用的稳健性、可复现性与科学有效性？

主要发现

• 人工智能技术，尤其是将机器学习与物理气候模型相结合的混合模型，在提升气候极端事件预测能力方面展现出显著潜力。
• 机器学习与深度学习方法能有效识别传统模型可能忽略的气候数据中复杂的时空关系。
• 因果发现方法有助于识别极端事件的大尺度与局部驱动因素，从而增强对过程的理解与预测能力。
• 可解释人工智能（XAI）技术可提升模型的可解释性，并支持对人工智能驱动气候预测的信任。
• 尽管已取得进展，但在数据整理、模型不确定性和可复现性方面仍存在挑战，凸显了标准化工作流程的必要性。
• 透明报告、模型验证与开放数据共享等最佳实践对于确保人工智能在气候科学中应用的科学可信度与可扩展性至关重要。