详细内容或原文请订阅后点击阅览
机器学习可以增强地球系统建模
基于对基于机器学习 (ML) 的混合模型的测试，将 ML 与已建立的基于物理的框架相结合代表了开发基于 ML 的地球系统模型的一条有希望的道路。
来源:Eos杂志来源：AGU Advances
基于机器学习 (ML) 的模型具有巨大的潜力，可以增强甚至改变地球天气和气候的模拟，涵盖从天气到季节、每年到数十年时间尺度的模拟。然而，基于机器学习的模型也应该产生符合地球系统物理定律的结果。虽然基于机器学习的模型已经过天气预报测试，但仍不确定它们是否能够在与天气和气候时间尺度相关的强迫下的长期模拟中产生合理的响应。因此，有必要在不同的时间尺度上进行广泛的评估。此外，了解新兴的机器学习技术如何补充传统的基于物理的模型也很重要。
陈等人。 [2026]进行了一系列测试，涵盖天气尺度、年际尺度和长期分布外强迫下的系统。这项研究使用了一种名为 NeuralGCM 的混合模型，它将传统的地球系统建模与机器学习方法相结合。对于一组理想化的实验，NeuralGCM 产生的性能与传统的基于物理的地球系统模型类似。然而，在模拟温带气旋强度、大气波响应和平流层变暖和环流响应方面发现了一些局限性。总的来说，机器学习与已建立的基于物理的建模的结合代表了实现需要更少计算时间的天气和气候分析的一条有前途的道路。
引用: 陈志., 梁丽瑞, 周文., 卢杰., 鲁比斯, S. W., 刘玉., 等. （2026）。混合机器学习-物理全球大气模型的分层测试。AGU Advances, 7, e2025AV002075.https://doi.org/10.1029/2025AV002075
—Don Wuebbles，AGU Advances 编辑