详细内容或原文请订阅后点击阅览
在AI天气模型中揭示了引擎盖下的内容
人工智能模型改进了天气预报，但其内部运作原理基本上是不透明的。一种新方法可以使科学家更容易解释他们的预测。
来源:Eos杂志长期天气预报是一项艰巨的任务，部分原因是天气系统本质上是混乱的。尽管数学方程式可以近似天气的基本物理，但是随着模型在时间限制的大多数基于物理学的预测至2周或更短的情况下，这些不准确性呈指数增长。
称为参数的估计值，用于表示特定物理过程的效果，是这些方程中的重要成分。参数是通过物理数据推断出来的，并通过例如将温度，风或其他因素的测量来影响模型结果。
近年来，基于人工智能（AI）的模型（例如Graphcast和Fourcastnet）通过从大量天气数据中学习并对未来天气进行高度准确的预测，改变了天气预测。但是，基于AI的模型通常包含数千万到数亿至数亿的参数，这些参数不会直接转化为潜在的物理过程。由于这些参数无法由研究人员解释，因此此类AI模型仅对天气的科学理解做出了有限的贡献。
Graphcast 四castnetMinor等。通过证明弱形式的科学机器学习（WSCIML）算法的能力来解决此限制，称为非线性动力学的稀疏形式稀疏识别（WSINDY）。像其他AI方法一样，Wsindy从数据中学习。但是，它没有使用高度参数化的方法，而是发现代表复杂的现实世界过程的数学方程，例如气压，密度和涡度如何相互作用以确定风速和方向。
Minor等。 弱形式的非线性动力学稀疏识别（WSINDY） 同化数据 地球物理研究杂志：机器学习与计算 https://doi.org/10.1029/2025JH000602- Sarah Stanley，科学作家
引用： eos，106， cc by-nc-nd 3.0相关