地球系统模型是定量描述地球物理状态和(例如在气候模型背景下)预测地球在人类活动影响下未来可能发生的变化的最重要工具。由德国波茨坦地球科学研究中心 (GFZ) 的 Christopher Irrgang 领导的国际团队现在对日益使用的人工智能 (AI) 方法如何帮助改进这些预测以及这两种方法的局限性进行了调查。Nature Machine Intelligence杂志的一篇 Perspectives 文章。一个关键建议：将两种方法合并为一种自学的“神经地球系统建模”。
地球作为一个系统 - 一个挑战
地球的发展是许多因素的复杂相互作用，包括具有动植物群的地表、具有生态系统的海洋、极地地区、大气、碳循环和其他生物地球化学循环、辐射过程。因此，研究人员谈到地球系统。
有这么多相互关联的领域和影响因素，预测未来情景是一项巨大的挑战，例如在气候变化研究的背景下。“近年来，这里取得了巨大进展，”该研究的主要作者、GFZ“地球系统建模”部分的博士后研究员 Christopher Irrgang 说。例如，最近发布的 IPCC 第六次评估报告比以往任何时候都更详细地总结了我们目前对各种温室气体排放情景的未来影响的了解。
该报告一方面依赖于地球系统观测和测量中越来越全面和详细的发现，以评估过去的变暖及其影响，例如极端事件增加的形式，另一方面依赖于大量的模拟使用最先进的地球系统模型 (ESM) 进行。
经典地球系统建模取得重大进展
经典地球系统模型基于众所周知和鲜为人知的物理定律。在数学和数值方法的帮助下，系统在未来时间的状态是根据对系统当前或过去时间的已知状态来计算的。
近几十年来，基础模型不断改进：可以考虑数量空前的地球子系统和过程，包括——在某种程度上——云的影响等复杂的关键过程。例如，它们可以准确地追踪自数据收集开始以来全球平均温度的发展，这证明了它们的性能。今天，还可以得出关于气候变化在区域层面上的影响的结论。
限制
然而，代价是日益复杂的 ESM 需要大量的计算资源。尽管有这种发展，但即使是最新模型的预测也包含不确定性。例如，他们往往低估极端事件的强度和频率。研究人员担心地球的某些子系统可能会发生突然的变化，即气候系统中所谓的倾斜元素，经典建模方法无法准确预测。许多关键过程，例如土地利用类型或水和养分的可用性，(还)不能很好地表示。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！