Early warning of complex climate risk with integrated artificial intelligence
## Abstract:
随着气候变化的加速，人类社会面临着越来越多的风险灾害和压力，突显了对有效早期预警系统（EWS）的迫切需求。这些系统通过监测、评估和传递风险信息，支持韧性建设和可持续发展，但在灾害预测、风险沟通和决策制定等方面仍存在挑战。本文探讨了集成人工智能（AI）模型的变革潜力，强调了其在开发多灾害EWS中的作用，特别是结合气象与地理空间基础模型（FMs）进行影响预测。强调以用户为中心的方法，具有直观的界面和社区反馈，以改善危机管理。主张采用因果AI模型应对复杂气候风险，避免虚假预测，并强调遵循FATES原则（公平性、问责制、透明度、伦理和可持续性）以确保AI预警系统的可信性。此外，我们进一步倡导十年期预警系统，利用气候集成和生成方法，实现长期空间分辨的预测，以实现积极适应气候。
## Intro:
Early-warning systems (EWS)
- The United Nations define EWS as ‘An integrated system of hazard monitoring, forecasting and prediction, disaster risk assessment, communication and preparedness activities, systems and processes that enables individuals, communities, governments, businesses and others to take timely action to reduce disaster risks in advance of hazardous events’.
## The main challenges with EWS
整体效率在很大程度上取决于最薄弱的环节，这会破坏其他环节的技能和技术进步。
水文气象灾害预报在很大程度上依赖于数值天气预报 （NWP），而数值天气预报在过去几十年中已经有了很大的改进。然而，挑战仍然存在：例如，对于暴风雨和洪水等快速发生的灾害，需要准确预测降水，这一事实涉及解决对流问题，而对流在 NWP 模型中的计算速度很慢。因此，对于此类灾害，提前期可能相当短，有时太短而无法采取有效行动。
天气或灾害预报是不够的，因为相同的天气事件可能导致截然不同的影响。例如，这在 2021 年的德国中得到了证明（图 D）。2，表 S1），在毁灭性的中欧洪水发生前几周，德国东北部也发生了类似的气象事件，几乎没有影响23.原因是完全不同的景观，丘陵较少，沙质土壤更多，可以更快地渗透雨水。然而，对影响的预测具有挑战性，因为它们是天气系统与生态系统/景观和社会系统相互作用的结果24.这需要考虑亚公里尺度、通常是 m 尺度、局部环境和物理气候系统之外的变量。
另一个主要挑战是并发、复合和级联事件，由于各种主题、机构和区域孤岛之间缺乏联系，这阻碍了这些挑战27，但也因为跨系统的预测更加困难，因为复杂性，以及缺乏跨学科模型集成。
- 人工智能改进早期预警
在更广泛的人工智能 （AI） 领域中，现在越来越多地通过称为机器学习 （ML） 的技术从数据中提取知识41.这些提供算法来评估数据，而不是精心选择的模型。最常见的是监督式机器学习，其中算法生成输入-输出映射，并在许多标记的输入-输出对上进行训练。
流行的算法包括深度神经网络（例如 Transformer、LSTM 或 CNN）或决策树（例如随机森林或梯度提升树）的变体。除了监督学习之外，还有许多其他 ML 方法，例如无监督学习、强化学习或因果推理（有关实际概述，请参阅参考文献。42).对于 EWS，监督式 ML 通常会带来最大的好处，允许预测、映射或生成 AI，例如生成文本或图像数据。
Raschka, S., Liu, Y. H. & Mirjalili, V. Machine Learning with PyTorch and Scikit-Learn: Develop Machine Learning and Deep Learning Models with Python (Packt Publishing Ltd, 2022).
- 提高预测准确性
预测模型基本上适用于所有气候灾害。现在，ML 越来越多地用于此目的。只要有足够的数据可用并且可以定义输入-输出映射，就可以训练 ML 模型。在许多情况下，这些 ML 模型显示出更高的准确性，因为它们可以利用基于过程的理论之外的统计相关性。
在天气预报中，模型使用再分析数据进行训练，该数据已针对建模错误进行了校正43，在预报时也保留这些修正，显示出全球中期天气预报的改进技能44,45,46,47,48.换句话说：这些方法优于传统的大气模型，因为它们受需要参数化子网格尺度过程的问题的影响较小，而没有完美的理论。对于降雨临近预报，ML 模型可以提高准确性49,50,51,52,53,54通过利用他们的一个关键优势：他们可以轻松处理观测数据，例如降雨雷达，其中包含有关数值方案中无法解析的过程的信息。
类似的证据不仅存在于天气预报之外。洪水预报在水文建模中受到许多未解决的过程的影响，这使得传统预报变得困难，因此有利于 ML55,56 元.野火风险预测需要将地球观测与人为和气象驱动因素联系起来，从而受益于 ML 的灵活性57.季节性 ENSO票价：58,59,60,61 元和衍生的干旱预报22一直依赖于对统计模式的实证分析，而 ML 擅长这一点。其中许多成功案例只有通过调整大型深度神经网络才能实现，这些网络已针对处理高维数据（如 3D 场）进行了优化，例如卷积神经网络62或变压器63.
- Foundation Models 作为前进的道路
迈向强大的支持 AI 的 EWS
偏差和分布变化
机器学习早期预警系统的主要优势之一是它们可以隐式地从大量数据中学习，我们将建模假设（例如，局部性或递归性）的控制权交给模型本身。考虑到错误预测的影响，避免这种对现实世界进行建模的失败在早期预警基础模型中至关重要。
在神经网络中导致这种失败的一个原因是它们倾向于简单性106,107 元.让人想起奥卡姆剃刀的东西可以以各种形式表现出来，例如偏爱较低的频率和更简单的数据特性
最终，这种简单性偏差甚至会导致因果相关的方面被忽视，而有利于更简单但因果无关的属性109.这种捷径偏差不仅限于深度学习的经典应用领域，也已被证明与地球系统分析相关
与 Earth 相关的数据集可能不满足此条件110,113 元，特别是考虑到与气候相关的灾害，其中一些灾害在过去根本没有发生过。对于传统的 ML 模型，通常会从两个方面解决这种采样偏差：一方面，调整数据集和训练算法，以便训练数据域可以捕获所有应用程序，另一方面，通过不确定性量化：即在模型可能不可信时明确标记。
尊重因果关系和科学定律
如果 EWS 集成到决策过程中，则最有用。例如，可以想象在战情室内使用基于 AI 的 EWS，将当前情况、相关背景和潜在行动方案告知利益相关者。特别是对于后者，系统需要适合于假设分析，即运行反事实场景。仅当 AI 尊重因果机制时，此类方案才可用。传统 ML 可以通过先验知识进行扩展，以某种方式服从因果关系。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
