天气模型充当气候模型：一次成功的实验
AI天气模型已经能够自信地预测未来数天的大气状况。但气候是数十年天气的统计，因此将天气算法迁移到气候领域长期以来被视为有风险。如果模型仅在短周期上训练，那么在一年、十年或三十年的模拟之后会发生什么？它会不会“漂移”到不现实的状态？最近一篇arXiv预印本的作者决定通过实践检验这一点，他们选用两个AI模型作为实验对象——ArchesWeather及其概率“姊妹”模型ArchesWeatherGen。
这两个模型都是为十天预报而开发的，并且都必须针对完全不同的时间尺度进行认真调整。结果如何，详见下文。
两种预测方法
有趣的是，这两个模型的构造方式不同。ArchesWeather是一个确定性系统：每个输入对应一个输出。这种方法速度快，但无法呈现大气可能状态的范围。ArchesWeatherGen是一个基于流匹配的概率模型：它生成可能天气情景的分布，而不是单一答案。同时，它利用ArchesWeather的预测作为其生成的基础，从而能够构建集合预报。集合预报反过来又提供不确定性评估——这在天气和气候中都很重要。
如何将模型适配到气候任务
指望天气模型自动变成气候模型是天真的。对气候而言，海洋至关重要：它积累热量并控制缓慢的过程。因此，研究人员为这两个模型——ArchesWeather和ArchesWeatherGen——都配备了带有边界条件的额外输入通道。现在，模型接收月平均海表温度（SST）和海冰浓度（SIC），并定期根据这些数据“调整”大气动力学。
运行是按照AIMIP第一阶段标准化协议执行的——该协议类似于著名的AMIP项目，但针对机器学习模型。这种规程允许将不同的AI模型相互比较，并与经典气候模型进行比较。作者还进行了消融实验：关闭适配的各个组件，以了解究竟是什么带来了稳定性。此外，还比较了强迫配置（forced，其中海洋由外部给定）和自由配置（unforced，模型在没有外部约束的情况下运行）。
多年模拟显示了什么
关于快速退化的担忧并未成为现实。在强迫配置下，ArchesWeather和ArchesWeatherGen都表现出稳定的多年运行：年循环不会崩溃，能够避免破坏长期模拟的气候“崩溃”。模型成功再现了：
- ERA5再分析的基本气候态；
- 大尺度大气环流；
- 年际变率；
- 罕见的极端状态——分布的尾部。
换言之，平均值和数值离散度不仅在整体上看起来可信，在极端情况下也是如此。在一系列参数上，AI模拟不逊于经典数值气候模型。特别指出的是，强迫配置的表现明显优于自由配置：没有海洋的“提示”，误差积累得更快。
结论
这项工作证实：最初为天气预报而创建的机器学习模型，可以作为气候实验的基础。为此，只需添加外部海洋条件并严格遵守比较协议即可。这是一种相对廉价且快速获得长期模拟的方法，尽管距离完全替代经典模型还有很长的路要走——需要进行更广泛的验证，尤其是在区域细节和极值方面。但初步步骤看起来前景广阔。
