隨著地球周圍的觀測衛星越來越多，以及氣候變化模型的逐漸完善，研究氣候變化的學者們發現他們面臨著一個全新的困難：氣候數據太多，來不及處理。有的人寄希望於當下最前沿的科技——機器學習來幫助整理這些信息，同時，期待AI能夠幫助發現新的氣候模式。
華盛頓大學的計算機科學家克萊爾蒙特勒尼是將AI技術應用於氣象預測的先驅，他說道：「現如今，氣象預測實際上是一項需要數據技術來解決的問題。」 此舉可謂是雙贏，通過分析海量的氣候數據，AI系統的深度學習功能也得以進步。此外，用AI來分析氣候數據相當合適：運行一次高精度氣候模型將會產生大約1PB（10的15次方）的數據，現如今，英國的國家氣候機構已經有了45PB的數據，此外，每天還會增加0.085PB的數據。
氣候信息學在相關領域的發展十分迅速。過去的幾年裡，研究者們通過使用AI系統，將氣候模型進行了有效完善，並且藉助AI，發現了若干次颶風及極端天氣現象，並發現了新的氣象規律。蒙特勒尼稱：「這項技術正在逐漸成熟。」
在以往常見的計算機算法中，程式設計師們輸入編程語句，幫助系統推導出結果。但機器學習系統則不然。它是一種仿照人類大腦神經網絡的信息系統，能夠進行自發的、深度的學習，通過獲取海量的數據信息，生成其自由的語言規則。通過機器學習，計算機的適用領域得以大大擴張：以往只能由人來進行的精細工作，例如理解一門語言、閱讀手寫的便條、在混亂的數據里發現特定的目標（比如說在youtube裡面找到喵片）。
氣象預測一門複雜的學問，同時也非常適合用AI來進行分析。2016年，研究者們第一次利用AI系統發現了熱帶氣旋、大氣層河流及氣象鋒，而以往這些氣象需要由有經驗的專家才能判斷得出。這一結果也展現出了深度學習技術的強大實力：人能做到的事情，機器也可以。現如今，這項技術的開發團隊——勞倫斯伯克利國家實驗室（LBNL），希望能夠使用該技術來預測各式各樣的極端現象，包括那些尚未被發現的。研究者們的終極目標，是利用該項技術，預測出極端天氣在氣象變遷時的變化模式。「這並不簡單，」LBNL的大數據負責人普拉巴特說道，「但對於AI而言，比起翻譯語言、識別圖像，氣象數據分析還是簡單不少。」
維平庫馬爾是明尼蘇達大學的一名計算機科學家，他曾利用機器學習創造出一種監控森林火災及評估森林砍伐率的算法。當他的團隊用該算法試圖計算大氣壓變化模式的時候，算法發現了一種類似厄爾尼諾現象的大氣模式，該現象發生在塔斯曼海上空，而此前從未有其它研究發現這一海域的類似現象。
蒙特勒尼則利用機器學習算法，結合已有的三十種氣象模型，來開發出一種新的更好的氣象模型。通過學習已有模型的長處、短處，該算法生成了一種更優於傳統模型的新模型。目前，氣候專家們開始漸漸採用AI技術，幫助他們更好地預測氣象。
但是，算法不是萬能的。機器學習系統的規則由系統自發生成，因此研究者們往往並不能解釋算法為何給出某種結論。人們對這一現狀略感不適，尤其是算法中存在「黑箱」，而預測某些迫在眉睫的極端天氣，例如洪水、颶風時，如果不能說明原因，將降低算法預測的可信度。LBNL的氣象模型製作者威廉柯林斯說：「我並不想把AI當成一個答題機器，如果我不能解釋這個機器正在做什麼、為什麼這麼做，那恐怕就有麻煩了。」
相反，柯林斯希望AI能夠幫助搭建下一代氣象模型。未來的模型將能夠整合現有的複雜形象（大氣河流、海洋漩渦），以整體的視角來分析氣候現象。柯林斯說：「我們需要一個能夠評估各種氣候現象的基準，一顆指南星。機器學習恰好能滿足這些需求。」
現如今，AI算法正在氣象預測中得到越來越多的應用。儘管大多數氣象學家仍在使用傳統的方法分析數據，但這一點正在改變。科林斯說道：「如果你去問那些氣象模型建構專家們，他們大概還在使用傳統的算法。不過，機器學習遲早會代替現在的算法的。」
文章內容基於知識共享協議編譯。文中圖片除特別註明外，均來源於免版權網站，已保留原圖地址。
文中任何內容如涉及侵權請聯繫後台處理。
如需轉載，請註明出處。
【覺得文章內容有趣？歡迎關注】