环保科学家越来越多地使用了庞大的人工智能模型来预测天气和气候变化，但是马萨诸塞州理工学院的研究人员的一项新研究表明，最大的模型并不总是更好。

该团队解释说，在某些气候场景中，与现代深度学习模型相比，物理学简单性的简单性可以产生更准确的预测。

他们的分析还表明，规范测量技术通常会扭曲以通过数据自然差异（例如天气模式的波动）来评估气候预测的机械学习技术。这可能会导致某人相信，深度学习模型在事实并非如此。

研究人员开发了一种更有力的方法来评估这些技术，这表明在估计区域表面温度时，简单的模型更为准确，但是深度学习方法可能是估计本地降雨的最佳选择。

他们使用这些结果来增强称为气候模拟器的模拟工具，该工具可以快速模仿人类活动对未来气候的影响。

研究人员认为，他们的作品是一个“警告故事”，讲述了传播最大的大赦国际气候科学模型的风险。虽然深度学习模型在自然语言等领域表现出了令人难以置信的成功，但气候科学包含了一系列物理定律和更紧密的态度，而挑战成为如何将它们结合到人工智能模型中。

“我们正在尝试开发有用的模型，并且与决策者在制定气候政策选择时需要前进的事物类型有关。尽管使用大型自动化学习模型，研究，“可持续的Noeelle”，“ Stonger Noungeer”。地球科学系，EAPS，EAPS，EAPS，以及可持续科学和战略中心的总监。

参加Selin的作者是前博士后BjörnLütjens的主要作者，现在是IBM Research的研究科学家。高级作者拉斐尔·法拉利（Rafael Ferrari），塞西尔（Cecil）教授和艾达·阿克达（Ida Al -akhdar）在EAPS中为海洋科学和洛伦兹中心（Lorenz Center）的CO经理；丹卡·沃森（Dankan Watson）很冷，加州大学圣地亚哥分校的助理教授。席琳（Celine）和法拉利（Ferrari）也是对气候挑战项目感兴趣的调查人员，这项研究从中出现。该论文今天出现在 土地系统建模的进度杂志。

试验的比较

由于地球的气候非常复杂，因为气候模型正在运行最新模型，以预测如何影响世界上最强的巨型计算机等环境因素（例如温度）的污染水平。

科学家经常创建气候模拟，简化艺术气候模型，可以更快，更容易访问。政治制造商可以使用气候模拟器来了解有关温室气体排放的替代假设将如何影响未来的温度，从而帮助他们制定法规。

但是，如果模拟器对局部气候变化做出不当预测，则它不是很有用。尽管深度学习对代谢变得越来越普遍，但一些研究探讨了这些模型是否比尝试和真实方法更好。

研究人员进行了马萨诸塞州技术研究所这样的研究。他们使用流行的标准数据集比较了一种称为LPS缩放（LPS）的传统技术，用于气候模拟评估。

他们的结果表明，LP在预测我测试的几乎所有参数（包括温度和降水）方面优于深度学习模型。

Lutin Jins说：“伟大的人工智能方法对科学家非常有吸引力，但是它们很少解决一个全新的问题，因此首先必须实施当前解决方案，以查看复杂的学习方法是否真的在改善。”

面对研究人员的知识，一些初步的结果似乎飞行。在对降雨进行预测时，强大的深度学习模型应该更准确，因为这些数据没有遵循书面模式。

他们发现，在气候模型的运行中，有大量的自然学科会导致深度学习模型在长期波动率（例如Nenio/Ninia）上表现不佳。这燃烧了测量度，有利于LP，从而介导了这些波动。

建立新的评估

从那里开始，研究人员评估了一个新的数据，该数据涉及自然气候波动。通过这项新的评估，深度学习模型的性能比LPS在本地降雨中要好得多，但是LPS对于温度期望仍然更准确。

Celine说：“重要的是要将合适的建模工具用于问题，但是为了做到这一点，您还必须首先以正确的方式准备问题。”

基于这些结果，研究人员将LPS合并到气候模拟平台中，以预测各种排放情况下的局部温度变化。

法拉利补充说：“我们不捍卫有限公司应该永远是目标。它仍然有限制。例如，LPS不能预测变化或恶劣的天气事件。”

取而代之的是，他们希望他们的结果将强调开发更好的测量技术，这可以提供最适合特定情况的气候中风技术的完整形象。

“通过改进的气候模拟标准，我们可以使用最复杂的学习机器方法来探索目前难以解决的问题，例如气溶胶或严重的降水量估计。”

最终，最准确的测量技术将有助于确保决策者根据最佳可用信息做出决策。

研究人员希望其他人可以通过研究气候模拟方法和标准的进一步改进来消耗他们的分析。这样的研究可以探索针对诸如干旱指标和森林火灾风险之类的影响的措施，或新的变量，例如区域风速。

这项研究部分是由施密特科学有限公司资助的，该公司是马萨诸塞州理工学院“将帐户带入气候挑战”的大气候挑战团队的一部分。