編輯丨toileter
近年來，人工智能（AI）通過改進天氣預報、模型仿真、參數(shù)估計和極端事件預測，深刻影響了包括地球系統(tǒng)科學在內(nèi)的各個領域。通過嵌合 AI，災難響應與溝通效率得到極大提高。
由西班牙瓦倫西亞大學（Universitat de València）引導的團隊強調(diào)不同領域合作的必要性，以創(chuàng)建實用、可理解和值得信賴的 AI 解決方案，以增強災難準備和降低風險。
他們總結(jié)的研究方法以「Artificial intelligence for modeling and understanding extreme weather and climate events」為題，于 2025 年 2 月 24 日刊登于《Nature Communications》。
AI 方法回顧
近年來，極端氣候事件的頻率、強度和持續(xù)時間都有所增加，對社會穩(wěn)定、經(jīng)濟安全、生物多樣性喪失和生態(tài)完整性構(gòu)成了前所未有的挑戰(zhàn)。
為極端事件提供一個精確、正式、普遍適用的定義本身就很困難。在此背景下，人工智能（AI）已成為一種變革性的檢測工具，極大便利了預測極端事件分析以及最壞情況事件的生成。
機器學習（ML）和深度學習（DL）的功能，特別是與計算機視覺技術相結(jié)合，通過利用氣候數(shù)據(jù)（例如再分析和觀測）來推進事件的檢測和定位。量化不確定性的技術對于目前來說是必要的，因此將 AI 模型帶向集成已經(jīng)推動了極端歸因領域的發(fā)展。
圖示：通用人工智能 （AI） 驅(qū)動的極端事件分析管道。（圖源：論文）
用于極端事件建模的 AI 方法可以分為檢測、預測、和影響評估。由于 DL 的出現(xiàn)和成功，所有這些任務都可以通過設計數(shù)據(jù)驅(qū)動模型來解決，這些模型利用時空和多源地球數(shù)據(jù)特性，從氣候變量到原位測量和衛(wèi)星遙感圖像都有它們的存在。
除開這些，設計能夠準確模擬極端事件的預測系統(tǒng)對于預測未來極端事件的影響并為決策者提供關鍵信息以防止損害和損失至關重要?？臻g和時間預測旨在提供地球狀態(tài)未來值的定量估計。
圖示：用于極端事件的人工智能 （AI） 管道中的組件。（圖源：論文）
已經(jīng)提出了許多 ML 算法來預測確定性極端事件，但大多數(shù)算法僅限于小區(qū)域和特定用例?？梢詥为毷褂脷夂蜃兞窟M行預測或與衛(wèi)星圖像相結(jié)合。一種常見的方法是直接估計定義極端事件的指標。
使用 ML 進行影響評估的另一種方法是分析 PDF 隨時間的變化。這種方法可以量化不同事件的影響，有助于提高對脆弱性驅(qū)動因素的理解?；蛘?，可以通過分析基于自然語言處理（NLP）的新聞報道以及最近的 LLM 來檢測極端事件的影響。
極端事件理解和可信
可解釋的 AI（XAI）和不確定性量化（UQ）等學科提供了使 AI 更加可靠和值得信賴的方法。因果推理和極端事件歸因等技術通過了解這些事件背后的機制，進一步補充了 XAI 和 UQ，這對于改進 AI 模型和在決策過程中獲得信任至關重要。
XAI 旨在揭示 AI 模型的決策過程，并通過揭示模型功能、學習到的關系和偏差來促進調(diào)試、改進模型和收集科學見解。最常用的 XAI 方法依賴于與模型無關的蒸餾法或特征歸因法。
然而，大多數(shù) XAI 方法，尤其是事后方法，都近似于基礎模型，并且缺乏足夠充分的明確定義使它們的評估復雜化。即使配備了解釋和因果方法，評估 AI 模型決策的可信度仍然至關重要，因為不準確的警告或決策可能會影響安全和資源。
缺乏對極端事件及其發(fā)生機制的明確統(tǒng)計定義阻礙了模型的開發(fā)和采用。對于檢測，極端通常不是逐點的，而是復雜的上下文、組或條件異常，其來源通常是未知的。
極端情況的復雜性也使得歸因、因果發(fā)現(xiàn)和可解釋性特別具有挑戰(zhàn)性。XAI 只能揭示模型學習的相關性，而沒有關于因果結(jié)構(gòu)的信息。這將會導致 XAI 加劇模型偏差或虛假相關性。
結(jié)論與展望
將 AI 集成到極端事件分析中面臨多項挑戰(zhàn)，包括數(shù)據(jù)管理問題，例如處理動態(tài)數(shù)據(jù)集、偏差和高維度，這些難點使得特征提取更加復雜。
此外，將 AI 與物理模型集成會帶來巨大的挑戰(zhàn)，但也為提高模型的準確性和可靠性提供了廣闊的機會?？尚哦葐栴}源于 ML 模型的復雜性和可解釋性，在不同上下文中泛化的難度以及不確定性的量化。
展望未來，還有重要的領域需要進一步探索和改進。其中包括開發(fā)特定于極端事件的基準，加強領域知識的集成以改進數(shù)據(jù)融合和模型訓練，以及創(chuàng)建能夠適應極端事件動態(tài)性質(zhì)的強大、可擴展的 AI 系統(tǒng)。
論文鏈接：https://www.nature.com/articles/s41467-025-56573-8
熱門跟貼