AI增强的稀有事件采样有助于预测极端天气

# 人工智能增强的罕见事件采样助力预测极端天气 – Physics World Source: https://physicsworld.com/a/ai-enhanced-rare-event-sampling-helps-predict-extreme-weather/ Urban heatwave (https://physicsworld.com/wp-content/uploads/2026/07/6-07-26-urban-heat-seattle-1187838-istock-dizzo.jpg)**描述罕见天气事件**研究人员开发了一种人工智能增强的罕见事件采样框架，用于预测热浪的频率。（图片来源：iStock/Dizzo） 极端天气事件的频率可以通过结合人工智能（AI）与物理气候模型，并使用称为罕见事件采样的协议来更准确地预测。这是来自美国和法国研究人员的一项研究结论。他们利用该方法模拟了极端高温事件，例如目前正在炙烤欧洲的那场热浪，但他们相信该方法也可能适用于气候科学中的许多其他极端事件。 随着全球气候变暖，极端天气变得越来越致命且难以预测，量化此类事件的风险对于气候变化适应和减缓至关重要。“通常，最罕见的事件影响最大，”法国动态气象实验室的气候物理学家Amaury Lancelin说。 完整的全球气候模型模拟需要运行时间长得不可行，才能产生足够数据来估计罕见事件的精确频率。伊利诺伊州芝加哥大学的Alexander Wikner举例说明一个平均每世纪发生一次的事件：“每年你都抛一枚有百分之一概率正面朝上的硬币，”他说，“平均每百年你会得到一次正面，但也可能很容易没有正面，或者有两三个正面。”因此，传统上要对频率进行有意义的估计，需要大约一千年的模拟——这在物理模型中是计算上不可行的。 深度学习算法忽略底层气候物理学，仅通过模式识别自我训练，所需的计算能力最多减少10000倍。然而，这些算法在模拟极端罕见事件方面的可靠性存疑。例如，有证据表明，AI模型不会预测出比其训练数据中更强烈的气旋，“这是一个相当令人不安的想法，如果我们想象未来热带气旋将变得更加极端，而我们想用AI模型来预测它们，”Wikner解释道。此外，它们对事件的物理原理也毫无洞察。 罕见事件采样（RES）是指将计算资源优先分配给特定的感兴趣罕见事件，从而避免模拟长时间段内这些事件都不发生的情况。当然，问题在于，必须对哪些条件会增加罕见事件发生的概率有所了解，才能知道哪些时间段需要进行更详细的模拟。 在这项新研究中（https://arxiv.org/abs/2510.27066），计划发表在《物理评论快报》（https://journals.aps.org/prl/accepted/10.1103/b1gc-9c2q）上，Lancelin、Wikner及其同事开发了AI+RES框架。AI算法反复进行气候模拟，并选择那些它预测最可能导致罕见事件的模拟。然后完整的气候模型只模拟这些模拟。研究人员使用该协议比较了中纬度地区热浪的频率，以相对粗粒度的直接数值模拟PlaSim的预测作为基准事实。 他们发现，他们的技术产生了与PlaSim相似的结果，而计算资源最多减少了1000倍。研究人员现在希望将该技术应用于预测其他类型的极端事件，并应用于更复杂的模型。 “我们使用PlaSim的原因是，与最先进的气候模型相比，它在计算上相当便宜，这样我们实际上可以验证我们的方法是否有效。”Lancelin说，“否则，如果没有基准事实，就无法知道我们的预测是垃圾还是正确的。”然而，知道AI+RES模型正确再现了PlaSim结果后，研究人员现在希望将此前不可能的计算密集型模型应用于新情况，并相信结果很可能是正确的。 #### 基于物理的模型在预测极端天气事件方面仍优于AI（https://physicsworld.com/a/physics-based-models-still-beat-ai-for-predicting-extreme-weather-events/）Read more 一张2020年西伯利亚热浪期间温度异常的颜色图（红色表示热，蓝色表示冷），叠加在西亚和中亚地图上。西伯利亚上空有一个巨大的深红色斑块。（https://physicsworld.com/a/physics-based-models-still-beat-ai-for-predicting-extreme-weather-events/） 气候科学家Robin Noyelle认为，这项工作对那些已经“流传”的想法做出了重要贡献。他说，尽管RES已使用了近十年，但选择最佳候选进行完整建模一直具有挑战性：“人们使用我们认为合理的方法——我在博士期间就是这么做的——所以如果我想研究炎热的夏天，我就会选择温度。”然而，这种方法对于短期极端事件是失败的，因为大气具有动态特性。AI模型本身在模拟这些事件时也无法产生良好的准确性，但就所需计算能力而言，它“基本上是免费的”，并为物理模型提供了一个良好的起点。“这两种思路的结合确实是全新的，”Noyelle说。