科学家正在利用机器学习改进其气候变化预测。
机器学习是人工智能的一种形式，它从数据中提取规律，从而能够填补缺失信息。
随后，这些数据可用于模拟未来的气候变化结果。
随着我们的计算能力和气候数据不断增长，机器学习算法将变得更加复杂精密，我们的预测也将随之更加精准。
从电影推荐到自动驾驶汽车，机器学习已彻底改变了现代生活。专家们现正利用它来帮助解决人类面临的最大问题之一：气候变化。
借助机器学习，我们可以利用丰富的历史气候数据和观测记录，改进对地球未来气候的预测。在未来几年，这些预测将在减轻我们对气候的影响方面发挥重要作用。
什么是机器学习？
机器学习是人工智能的一个分支。尽管它已成为一个流行词汇，但本质上是一个从数据中提取规律的过程。
机器学习算法利用现有数据集来建立模型。随后，该模型可以基于不属于原始数据集的新数据进行预测。
回到我们的气候问题，机器学习可以通过两种主要途径帮助我们加深对气候的理解：观测和建模。
近年来，来自观测和气候模型的可用数据量呈指数级增长。人类不可能逐一处理所有数据。幸运的是，机器可以替我们完成这项工作。
来自太空的观测
卫星正在持续监测海洋表面，使科学家能够深入了解海洋流动的变化情况。
NASA的地表水和海洋地形任务（SWOT）卫星任务——计划于明年晚些时候发射——旨在与现有卫星相比，以前所未有的细节观测海洋表面。
但是，卫星无法同时观测整个海洋。它只能观测其正下方的海域。而SWOT卫星需要21天才能飞越全球每一个点。
是否有办法填补缺失的数据，从而使我们能够在任何给定时刻获得完整的全球海洋表面图景？
这正是机器学习发挥作用的地方。机器学习算法可以利用SWOT卫星获取的数据，预测每两次SWOT绕行之间缺失的数据。
气候建模中的障碍
观测让我们了解当下。然而，要预测未来气候，我们必须依赖全面的气候模型。
最新的IPCC气候报告该报告参考了全球各研究团队的气候预测结果。这些研究人员运行了大量代表不同排放情景的气候模型，得出了未来数百年的预测结果。
为了模拟气候，计算机会在海洋、大气和陆地上叠加一个计算网格。随后，从当今的气候状况出发，计算机可以求解该网格每个单元内的流体和热运动方程，从而模拟气候在未来的演变过程。
网格中每个单元的大小被称为模型的“分辨率”。单元越小，模型能够捕捉的流动细节就越精细。
但是，运行预测未来数百年的气候模型会使即使是最强大的超级计算机也不堪重负。因此，我们目前不得不以较粗的分辨率运行这些模型。事实上，有时分辨率粗到使得模拟的流动与现实情况几乎毫不相似。
例如，用于气候预测的海洋模型通常如下方左图所示。但实际上，海洋流动更接近右图所示的样子。
遗憾的是，目前我们尚不具备运行高分辨率、真实性强的气候模型以进行气候预测所需的计算能力。
气候科学家正试图设法将上方右图中精细的小尺度湍流运动的影响纳入左侧粗分辨率的气候模型中。
如果我们能做到这一点，就能生成更为精确、同时在计算上仍然可行的气候预测。这就是我们所说的“参数化”——气候建模的圣杯。
简而言之，这是指我们能够构建一种模型，它不一定包含所有较小尺度的复杂流动特征（这些特征需要大量的计算能力），但仍能以更简单、更低成本的方式将其影响整合进整体模型之中。
更清晰的图景
一些粗分辨率模型中已存在参数化方案，但它们往往无法有效地整合较小尺度的流动特征。
机器学习算法可以利用真实的高分辨率气候模型（如上方右图所示的模型）的输出结果，来开发精确得多的参数化方案。
随着我们的计算能力以及气候数据的增长，我们将能够运用日益复杂精密的机器学习算法来筛选这些信息，并推出改进的气候模型和预测。
