|
探索极端天气的极限：利用可微分气候模型构建极端热浪情景 Pushing the Limits of Extreme Weather: Constructing Extreme Heatwave Storylines with Differentiable Climate Models Tim Whittaker, Alejandro Di Luca
研究背景
在全球变暖的背景下，极端天气事件的频率和强度不断增加，对人类社会和自然环境构成了严重威胁。了解极端天气事件的可能上限对于风险评估至关重要。然而，传统的基于物理模型的大规模集合模拟方法在计算成本和模拟罕见高影响极端事件的准确性方面存在局限性。本文提出了一种新的框架，利用可微分混合气候模型（NeuralGCM），通过优化初始条件来生成物理上一致的最坏情况热浪轨迹。
研究意义
这项研究的意义在于，它提供了一种高效且计算成本较低的方法来探索极端天气事件的可能性上限。通过优化初始条件，研究者能够生成比传统集合模拟更极端的热浪情景，这对于理解极端事件的物理机制和评估气候变化风险具有重要意义。此外，这种方法还可以扩展到其他类型的极端天气事件，为气候变化适应和减缓策略提供科学依据。
研究方法
研究的核心是利用NeuralGCM模型，这是一种结合了传统动力学核心和机器学习组件的混合模型。NeuralGCM具有自动微分能力，允许通过梯度下降算法优化初始条件，以生成极端热浪情景。
优化问题的构建
研究者定义了一个优化问题，目标是找到能够导致极端热浪的初始条件。具体来说，他们通过最小化一个损失函数来实现这一点，该损失函数包括两个部分：一是温度异常的强度（通过温度观测值的函数来衡量），二是初始条件的扰动幅度（通过正则化项来限制）。这种平衡确保了在不引入过大初始扰动的情况下，模拟出极端的热浪事件。
数值实现
研究使用了NeuralGCM模型，其水平分辨率为2.8度。该模型基于JAX框架实现，支持自动微分，能够高效地计算初始条件的梯度。优化过程使用了Adam优化器，通过梯度下降方法逐步调整初始条件，以最小化损失函数。研究者还采用了梯度检查点和分块策略来管理内存使用，以应对高分辨率模拟带来的内存压力。
数据与实验
研究使用了ERA5再分析数据作为初始条件和验证基准。实验设计包括两种不同的优化配置，分别进行了50步和75步的梯度下降优化。此外，研究还运行了一个包含75个成员的随机集合模拟，用于比较优化方法和传统集合方法的效果。
研究结果
NeuralGCM温度评估
研究首先评估了NeuralGCM模型在模拟温度气候方面的能力。结果显示，NeuralGCM能够很好地再现ERA5数据的温度分布，尤其是在95%和99%百分位的极端温度值上表现接近。这表明NeuralGCM在模拟该地区的温度分布方面具有较高的准确性。
优化极端温度
通过优化初始条件，研究者成功地生成了比传统集合模拟更极端的热浪情景。优化后的轨迹显示，500百帕位势高度和1000百帕温度的异常显著增强，特别是在目标区域。优化后的模拟在热浪期间的温度异常比75个成员的集合模拟的最高值高出3.7°C，这表明通过优化初始条件可以显著放大热浪的强度。
优化轨迹的物理特征
优化后的轨迹显示了增强的大气阻塞和罗斯贝波模式，这些特征是极端热浪事件的典型标志。优化后的模拟在目标区域的500百帕位势高度和1000百帕温度的异常显著高于对照模拟，表明优化过程能够有效地识别和放大导致极端热浪的天气模式。
结论与不足
研究得出的结论是，可微分气候模型（如NeuralGCM）能够高效地探索极端事件的可能性上限，并为构建极端天气情景提供了一种强大的新方法。通过优化初始条件，研究者能够生成比传统集合模拟更极端的热浪情景，这对于理解极端事件的物理机制和评估气候变化风险具有重要意义。
然而，研究也存在一些不足之处。首先，NeuralGCM模型忽略了陆-气相互作用（如土壤湿度对温度的反馈），这可能导致对热浪强度的低估。其次，模型的水平分辨率较粗（2.8度），可能无法准确捕捉局部极端条件。此外，优化过程中的超参数选择（如学习率和损失函数权重）对结果有显著影响，需要进一步探索以提高优化效率。
讨论与未来工作
未来的研究可以进一步探索优化方法在其他类型的极端天气事件中的应用，例如极端降水事件和复合灾害。此外，研究者可以将优化后的初始条件应用于传统的数值天气预报模型中，以验证其在更详细的动力学和物理过程中的适用性和持久性。同时，研究者还可以探索不同的损失函数设计，例如引入硬约束以满足物理守恒定律，从而进一步提高优化方法的物理真实性和适用性。
图略，详见 https://arxiv.org/pdf/2506.10660
以上是对文章的详细解读，如有不当之处欢迎批评指出！也可以私信小编（Earth_Ai）。
来源：“EarthAi”公众号
https://mp.weixin.qq.com/s/Wp5ldakymi3mYFKYNpo3Cg | 
发表于