如何預測極端天氣

氣候科學正在人類與機器之間締結更加完美的聯盟。

厄爾尼諾現象：在傳統人類學習的輔助下，深度學習也許不久就能預報目前難以預測的厄爾尼諾事件，就像圖中顯示的厄爾尼諾現象一樣。2015年，四個熱帶氣旋“基洛”“伊格納西奧”“希梅納”“TD14E”在太平洋肆虐

機器學習領域在過去20年間取得很大進展，人類能不能在國際象棋之類的比賽中擊敗計算機這個問題不再令人有所疑問；我們贏過計算機的概率幾乎就像在仰臥推舉比拼中對戰叉車。但是，問一下目前的計算機國際象棋冠軍，也就是谷歌的AlphaZero，向它請教象棋對弈的理論，譬如在西班牙開局中，是象還是馬更具價值？你所能得到的反饋是閃動的光標發出的茫然注視。理論是人類的概念，算法并不需要什么理論。計算機只知道如何在任何給定的位置找到最佳的一步，因為它受到廣泛的訓練，也就是通過自我練習，學會棋子怎么走最好。

AlphaZero之類的成功故事背后隱藏著的計算方法已經被取名為“深度學習”，如此的稱呼是因為這些計算方法利用深度神經網絡之類的復雜結構，在輸入與輸出之間有多層計算節點。輸入內容可以有豐富的構造，就像象棋棋盤上的棋子位置或者圖片中的像素色值，而輸出內容也許是做出決定所需要的某項評估，就像可能的某步棋的評估值，或者一張圖片是吉娃娃犬照片而非藍莓瑪芬蛋糕照片的概率。訓練深度神經網絡通常牽涉調節所有可獲取的刻度盤，也就是調節模型的參數，直至它對于一組訓練數據表現良好，接著再測試它對于另一組樣本以外的數據集的表現。對于這類系統，一種抱怨是說，一旦它們的訓練完成，它們就成為黑盒；算法到底是如何處理所給予的信息的，為什么要那么處理？這常常是個于謎團。（當這僅僅牽涉一次象棋棋局時，事情并不要緊，但是當同樣的技術用于判定民眾的信譽度或者實施犯罪的可能性時，對問責的要求就提高了，這是可以理解的。）節點的層次越多，在學習環節中要調整的參數也就越多，這個“盒子”變得更不透明。

然而，除了在棋盤上立于不敗之地，深度學習算法已經在金融、廣告、醫藥領域取得成功。有點讓人吃驚的是，下一塊倒下的多米諾骨牌也許是天氣預報。這是機器學習要承擔的令人驚訝的挑戰，部分原因是傳統的人類學習（由計算機增強，但僅僅用于數值計算）早已經很好完成天氣預報的任務。如上所述，當深度學習方法闖入有所建樹的學科時，所發生的情況是有趣的案例研究。人類與機器之間的這次新競賽能為科學的未來預示什么？

氣象學與象棋不同，背后有許多成熟的理論。流體動力學的方程或者陸地與大氣之間的能量轉移這類基本物理關系為天氣系統形成和演變的方式設定界限。基于氣溫、風速、濕度等的當前測量值，并且將測量誤差引起的不確定性考慮在內，可以建立一套方程；當前最先進的天氣預報實際上相當于那套方程的模擬解。神經網絡無論有多么“深度”，都是從完全一無所知的位置起步，要一下子惡補所有理論知識，都會度過一段艱難時期。因此，機器學習和氣候科學的前沿研究者最近開始使用不同的方法：結合我們對于氣象學已經了解的知識與深度學習的能力，來揭開我們并不知曉的氣象模式。

在2019年9月的《自然》雜志上，韓國全南國立大學海洋學系的咸佑根（Yoo-Geun Ham）、金貞煥（Jeong-Hwan Kim）與中國南京信息工程大學氣候與應用前沿研究院的羅京佳共同宣布，他們成功地用一種全新的深度學習算法，最多可以提前18個月預測厄爾尼諾事件的發生。厄爾尼諾是指東太平洋地區海面溫度的冷暖振蕩中的升溫階段。它對全球天氣中期預報造成長期難題。在厄爾尼諾出現的年份里，正常的天氣模式被完全顛覆，世界部分地區會目睹更濕潤的氣候狀況和更嚴重的風暴，而其他地區經歷更久的干旱。最大的影響發生在南美洲的西海岸，那兒的大量降雨能引發災難性的洪水，而海洋溫度的改變威脅到該地區所依賴的漁業；而在南太平洋的另一邊，干旱、強風的情況比往年嚴重三倍，氣溫高過歷年平均氣溫，所有這些因素都加劇了爆發叢林大火的風險，就像目前正在澳大利亞新南威爾士州熊熊燃燒的野火一樣。

厄爾尼諾現象的社會成本極其龐大；它已經關系到水短缺、饑荒、傳染病傳播和民眾動亂。（1789年至1793年間歐洲農作物產量的下降甚至可能引發了法國大革命。）因此，更好預報厄爾尼諾、為它做好準備的潛在益處同樣巨大。問題在于，厄爾尼諾事件僅僅在有些時候是有規律的。厄爾尼諾的記錄可追溯到19世紀后期，那時厄爾尼諾被首次描述為全球性現象，兩次事件之間通常間隔2~7年，但在此之外，并沒有找到真正的模式。而且，每次厄爾尼諾的嚴重程度和類型各有不同，具體要看海洋溫度的最大異常到底出現在哪里，而每個類型都產生一套獨特的天氣現象。取決于你生活在哪里，你也許不會注意到一場厄爾尼諾現象剛剛結束。2019年的厄爾尼諾在秋天結束，屬于輕微的類型。

在咸佑根與他的共同作者之前，最出色的預報者能提前一年預測到厄爾尼諾事件，但有理由相信，尚有改進的空間。首先，海洋溫度的變化不是那么迅速，波動不像個別天氣系統那么混亂。海溫異常也存在某種周期性；厄爾尼諾的升溫階段之后，一般緊隨名叫拉尼娜的降溫階段，就像一波巨大的熱浪在太平洋中來回行進。于是，雖然具體的緣由與時機仍然不清楚，但變暖的信號也許提前很久就存在了。

他們決定使用卷積神經網絡，同樣的網絡架構用于圖像識別之類的機器視覺問題。他們想看一下，它是否能在洋溫數據中識別出能預測厄爾尼諾事件的特征。然而，為了訓練模型，他們不能僅僅依賴于歷史數據，因為可以分配的數據量并不足夠。洋溫的月度記錄僅能追溯至1871年，而且有部分數據需要保留，用于確證模型在用于訓練的樣本數據以外的預測能力。神經網絡技術最適合應用于大數據的問題，而厄爾尼諾數據的規模小得令人失望。

這是新穎的數據科學與老式的氣候學相融合的領域。

他們最先沒有用歷史數據來訓練神經網絡，而是在一批“模擬”中進行訓練。這些“模擬”由全球各地的研究團隊制作，作為“耦合模式比較項目”（ Coupled Model Intercomparison Project ，CMIP）的一部分收集而來。CMIP是一個大規模科研倡議，分享氣候模型，比較萬兆字節容量的預測，旨在了解不同的未來情況下會發生什么。一些模擬情景代表另一個過去，就像氣候歷史小說，而這些故事要足夠詳細，包括厄爾尼諾事件之類的特征。于是，這些“模擬”代表貌似真實的數據，由已知的氣候模型來提供約束邊界。它們也許與真實數據尚有距離，但它們的真實性足以充當真實數據的替身。咸佑根等人使用替代數據，能在相當于2 961年的觀測結果的數據集上訓練神經網絡。然后，他們使用這些訓練的結果作為從實際歷史數據中學習的起點。他們將實際歷史數據分為兩部分，1871到1973年的數據用于訓練，1984到2017年的數據用于樣本以外的驗證。

研究結果讓人嘆為觀止。神經網絡的表現勝過以前的最出色預報，做出預報的時間越早，兩者的差距越大。即便相隔18個月，神經網絡也能預見厄爾尼諾事件的出現，很好估計厄爾尼諾現象的程度，甚至能根據溫度峰值出現在太平洋中部或東太平洋而將它們分類。它在預報北方春夏時節的厄爾尼諾現象時，表現尤其出色；而因為厄爾尼諾現象與南亞地區季風之間復雜的相互影響，以前的模型都會在此陷入“預測障礙”。

訓練一個系統，讓它在一個任務上表現良好（在這里，就是在一組模擬數據基礎上預報厄爾尼諾現象），再將那些知識應用到另一個任務上，這項技術稱為遷移學習。咸佑根在預報厄爾尼諾上獲得的成功表明：這個方法結合了氣候學與深度學習的優點。氣候模型生成的模擬為神經網絡提供充足的數據，讓它從中學習，實質上是訓練神經網絡，讓它像氣候模型一樣思考，但那些模型必然承受某種系統性差錯。用真實的歷史數據來微調神經網絡，消除差錯，讓神經網絡尋找到科學家也許未曾想到去尋找的特征，最終成果就是更為準確的預報。

作為最后一次合理性檢查，以證明他們的模型實際上將氣候理論的一些教訓吸收了，建模者利用神經網絡對1997年到1998年間的厄爾尼諾進行了事后分析，那是有記錄以來最嚴重的一次厄爾尼諾現象。他們輸入了1996年5月、6月和7月的洋溫數據，看見特定區域的神經元亮了，這表明厄爾尼諾事件的有利情況正在形成。1996年，熱帶西太平洋海洋變暖開始形成趨勢，如同上膛的槍，接著，印度洋西南區域的較冷情況將趨勢推向東部，導致大約1年后出現極強的厄爾尼諾現象。在副熱帶大西洋出現比往年平均洋溫更低的情況，這反而加重了事態。不像某種神秘的神諭黑盒，模型識別出這些意義深遠的特征，而它們全都符合氣候學家對于世界不同地區洋溫與氣候描述方式之間關系的認知。神經網絡比任何人都更早看見厄爾尼諾的到來，假如預警系統布置到位的話，這或許足夠讓受影響區域的民眾更好防備厄爾尼諾的破壞沖擊。

追蹤厄爾尼諾現象所展示的混合方法也許提供了新模式，即將成功的機器學習技術應用到如氣候科學之類的重視理論的領域。這些新的突破顯示出，科研的未來不是爭奪地盤，而可能是合作，結合傳統科學與數據科學的優勢。在2019年的《自然》雜志的另一篇論文中，來自德國馬克斯?普朗克生物化學研究所生物地球化學整合系的第一作者馬庫斯?賴希施泰因（Markus Reichstein）主張“語境線索”（即已知理論預測的數據的關系）的重要性。他將這視為增強地球科學中深度學習方法的途徑。我們沒有理由預期這種途徑會止步于此。

與此同時，機器學習也許在恰當時候給予氣候科學推動力，這多虧了我們發現所面臨的接連不斷的氣候災難。尤其是，盡管厄爾尼諾所影響的天氣系統預計在未來會更極端，但氣候變化是否會提高厄爾尼諾事件的頻率或嚴重性呢？對此仍然沒有形成科學共識。政府間氣候變化專門委員會2013年的報告僅僅聲稱，它預計厄爾尼諾會持續出現，但對于它可能的變化方式沒有多少把握。厄爾尼諾事件依賴于海洋冷暖水體、大氣、信風等等之間的復雜反饋回路。擾亂這些循環的部分，可能會關閉整個回路，使厄爾尼諾的情況更頻發，甚至可能永久存在，或者沒有明顯結果。

想明白如何為未來的極端天氣定好計劃，就像在棋子不斷變化的棋局中尋找最佳策略。這會耗費一臺超級電腦的所有學習能力以及一位象棋特級大師的所有經驗。