对抗灾害，理解极端气候的智能模型概述

编辑丨toileter

近年来，人工智能（AI）通过改进天气预报、模型仿真、参数估计和极端事件预测，深刻影响了包括地球系统科学在内的各个领域。通过嵌合 AI，灾难响应与沟通效率得到极大提高。

由西班牙瓦伦西亚大学（ Universitat de València）引导的团队强调不同领域合作的必要性，以创建实用、可理解和值得信赖的 AI 解决方案，以增强灾难准备和降低风险。

他们总结的研究方法以「Artificial intelligence for modeling and understanding extreme weather and climate events」为题，于 2025 年 2 月 24 日刊登于《Nature Communications》。

AI 方法回顾

近年来，极端气候事件的频率、强度和持续时间都有所增加，对社会稳定、经济安全、生物多样性丧失和生态完整性构成了前所未有的挑战。

为极端事件提供一个精确、正式、普遍适用的定义本身就很困难。在此背景下，人工智能（AI）已成为一种变革性的检测工具，极大便利了预测极端事件分析以及最坏情况事件的生成。

机器学习（ML）和深度学习（DL）的功能，特别是与计算机视觉技术相结合，通过利用气候数据（例如再分析和观测）来推进事件的检测和定位。量化不确定性的技术对于目前来说是必要的，因此将 AI 模型带向集成已经推动了极端归因领域的发展。

图示：通用人工智能 （AI） 驱动的极端事件分析管道。（图源：论文）

用于极端事件建模的 AI 方法可以分为检测、预测、和影响评估。由于 DL 的出现和成功，所有这些任务都可以通过设计数据驱动模型来解决，这些模型利用时空和多源地球数据特性，从气候变量到原位测量和卫星遥感图像都有它们的存在。

除开这些，设计能够准确模拟极端事件的预测系统对于预测未来极端事件的影响并为决策者提供关键信息以防止损害和损失至关重要。空间和时间预测旨在提供地球状态未来值的定量估计。

图示：用于极端事件的人工智能 （AI） 管道中的组件。（图源：论文）

已经提出了许多 ML 算法来预测确定性极端事件，但大多数算法仅限于小区域和特定用例。可以单独使用气候变量进行预测或与卫星图像相结合。一种常见的方法是直接估计定义极端事件的指标。

使用 ML 进行影响评估的另一种方法是分析 PDF 随时间的变化。这种方法可以量化不同事件的影响，有助于提高对脆弱性驱动因素的理解。或者，可以通过分析基于自然语言处理（NLP）的新闻报道以及最近的 LLM 来检测极端事件的影响。

极端事件理解和可信

可解释的 AI（XAI）和不确定性量化（UQ）等学科提供了使 AI 更加可靠和值得信赖的方法。因果推理和极端事件归因等技术通过了解这些事件背后的机制，进一步补充了 XAI 和 UQ，这对于改进 AI 模型和在决策过程中获得信任至关重要。

XAI 旨在揭示 AI 模型的决策过程，并通过揭示模型功能、学习到的关系和偏差来促进调试、改进模型和收集科学见解。最常用的 XAI 方法依赖于与模型无关的蒸馏法或特征归因法。

然而，大多数 XAI 方法，尤其是事后方法，都近似于基础模型，并且缺乏足够充分的明确定义使它们的评估复杂化。即使配备了解释和因果方法，评估 AI 模型决策的可信度仍然至关重要，因为不准确的警告或决策可能会影响安全和资源。

缺乏对极端事件及其发生机制的明确统计定义阻碍了模型的开发和采用。对于检测，极端通常不是逐点的，而是复杂的上下文、组或条件异常，其来源通常是未知的。

极端情况的复杂性也使得归因、因果发现和可解释性特别具有挑战性。XAI 只能揭示模型学习的相关性，而没有关于因果结构的信息。这将会导致 XAI 加剧模型偏差或虚假相关性。

结论与展望

将 AI 集成到极端事件分析中面临多项挑战，包括数据管理问题，例如处理动态数据集、偏差和高维度，这些难点使得特征提取更加复杂。

此外，将 AI 与物理模型集成会带来巨大的挑战，但也为提高模型的准确性和可靠性提供了广阔的机会。可信度问题源于 ML 模型的复杂性和可解释性，在不同上下文中泛化的难度以及不确定性的量化。

展望未来，还有重要的领域需要进一步探索和改进。其中包括开发特定于极端事件的基准，加强领域知识的集成以改进数据融合和模型训练，以及创建能够适应极端事件动态性质的强大、可扩展的 AI 系统。

论文链接：https://www.nature.com/articles/s41467-025-56573-8