随着极端天气事件的增加，在我们的气候变暖中变得越来越频繁，准确的预测对我们所有人来说都变得越来越重要，从农民到城市居民再到世界各地的企业。迄今为止，气候模型未能准确预测降水强度，特别是极端降水强度。虽然在自然界中，降水可能非常多样化，降水有许多极端情况，但气候模型预测降水的方差较小，偏向于小雨。

研究人员一直在努力开发能够提高预测准确性的算法，但正如哥伦比亚工程学院气候科学家所报告的那样，传统的气候模型参数化中缺少一条信息——一种描述云结构和组织的方法，这种方式是如此精细，以至于无法在所使用的计算网格上捕获。

这些组织测量会影响降水强度及其随机性的预测，即降水强度随机波动的可。到目前为止，还没有一种有效、准确的方法来衡量云结构并量化其影响。

由人工智能和物理学习地球(LEAP)中心主任皮埃尔·根廷(Pierre Gentine)领导的团队进行的一项新研究使用全球风暴解析模拟和机器学习来创建一种算法，该算法可以分别处理两种不同规模的云组织：那些由气候模型解决的，以及那些由于太小而无法解决的。

这种新方法解决了传统气候模型参数化中缺失的信息，并提供了一种更精确地预测降水强度和变率的方法。

“我们的发现特别令人兴奋，因为多年来，科学界一直在争论是否将云组织纳入气候模型，”地球与环境工程系和地球环境科学系的Gentine，Maurice Ewing和J. Lamar Worzel地球物理学教授以及数据科学研究所的成员说。

“我们的工作为辩论提供了答案，并为包括组织提供了一种新颖的解决方案，表明包括这些信息可以显着改善我们对降水强度和变异性的预测。

使用 AI 设计神经网络算法

与Gentine一起工作的博士生Sarah Shamekh开发了一种神经网络算法，该算法可以学习有关精细云组织(未解决的尺度)对降水的作用的相关信息。由于Shamekh没有事先定义度量或公式，因此该模型会自行隐式学习如何测量云的聚类(组织度量)，然后使用该度量来改进降水的预测。Shamekh在高分辨率水分场上训练了该算法，编码了小规模组织的程度。

“我们发现我们的组织指标几乎完全解释了降水变化，并且可以取代气候模型中的随机参数化，”PNAS发表的该研究的主要作者Shamekh说。“包括这些信息显着改善了与气候模型相关的尺度上的降水预测，准确预测了极端降水和空间变化。

机器学习算法将改善未来的预测

研究人员现在正在使用他们的机器学习方法，该方法在气候模型中隐含地学习子网格云组织指标。这将大大改善对降水强度和变异性的预测，包括极端降水事件，并使科学家能够更好地预测气候变暖中水循环和极端天气模式的未来变化。

这项研究还为调查开辟了新的途径，例如探索降水产生记忆的可能性，其中大气保留了有关最近天气状况的信息，这反过来又影响了气候系统中的大气条件。这种新方法可以有广泛的应用，而不仅仅是降水建模，包括更好地模拟冰盖和海洋表面。