Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability

想象一下试图预测下个月的天气。这就像是在尝试猜测一场掷骰子游戏的结局，而这些骰子本身略微摇晃，桌子在震动，而且规则还会随着季节而改变。这就是气候科学的世界，特别是预测干旱这一棘手的业务。干旱不仅仅是“不下雨”；它是降水量、空气蒸发量以及土地持水能力之间一场复杂的舞蹈。科学家们早就知道，即使我们知道了游戏的精确规则，天气中也存在一部分本质上的混沌性——就像球的随机弹跳一样。这被称为“内部变率”（internal variability）。这是气候系统自身的随机抖动，它可能让一个地区变得湿润或干燥，仅仅是因为纯粹的运气使然。

这为什么重要？因为如果你是一名正在规划农作物的农民、一位正在为水资源短缺做准备的城市管理者，或者是一位担心野火的房主，你需要的不仅是“平均”的未来，而是最坏的情况。如果预测说“可能会有点干”，这还不够。你需要知道：“如果气候的骰子掷得真的很糟糕，情况究竟可能变得多干？”长期以来，用于预测这些风险的计算机模型一直将这种随机抖动视为可以忽略的简单噪声，或者试图仅通过观察过去来猜测最坏情况。但对于一个正在变化的未来，过去可能无法提供答案。

这篇论文就像是一群决定停止猜测，转而开始使用一种超级聪明的技巧来更清晰地观察未来的侦探。他们利用一种叫做深度学习的人工智能技术，为欧洲干旱构建了一种新型的“水晶球”。但转折在于：他们并没有让人工智能去瞎猜；他们向人工智能喂入了一个由大型气候模拟器生成的、包含海量“假设如果”场景的图书馆。这就像是请了50位不同的气候专家来想象接下来的几年，所有人都遵循相同的规则开始，但各自掷出了自己的骰子。通过对比这50个虚构的未来，该团队终于能够看清这种“随机抖动”本身的形状。他们发现，通过使用这50次模拟，他们可以画出一条更安全、更现实的“危险线”。这条线告诉我们，如果气候的自然随机性与我们作对，情况会变得多么糟糕。其结果是：一个预警系统，它不仅会说“可能会干旱”，还会说：“这就是情况可能变得最糟的程度，而我们已经为此做好了准备。”

“摇晃骰子”与“50个水晶球”的故事

这项研究的作者，来自德国慕尼黑的 Henri Funk 及其团队，致力于解决一个令人沮丧的问题：预测干旱很难，因为气候充满了惊喜。即使我们了解大局（如全球变暖），气候系统也有其自身的内部“摇晃”（内部变率），这可能导致某个地区以难以预测的方式变得干旱或湿润。如果仅观察历史记录（过去），你可能会错过这些剧烈的波动，尤其是在气候发生变化的情况下。

旧方法 vs. 新技巧
传统上，科学家们试图通过观察过去来预测干旱。他们提取长期的天气数据，并训练计算机识别模式。这就像是通过只看你以前开过的地图来学习驾驶。问题在于，如果道路发生了变化或者汽车的表现不同了，旧地图就没用了。在这项研究中，团队展示了仅依赖过去（具体来说是一个名为 ERA5-Land 的数据集）会导致一种虚假的安全感。当他们将这种旧式预测与 2020-2024 年的实际干旱年份进行对比测试时，他们绘制的“危险线”过高了。他们错过了很大一部分真正的干旱事件。这就像是在暴风雨即将来临时，却在向人们预警一场毛毛雨。

为了解决这个问题，团队引入了一个新成分：“大集合”（Large Ensemble）。想象你有一个超级计算机气候模拟器。他们不是运行一次来得到一个未来，而是运行了50次。每一次运行都从完全相同的规则和物理定律开始，但他们微调了起始条件——就像掷了50次骰子一样。因为规则是相同的，所以这50个结果之间的任何差异都必须是由气候系统的自然“摇晃”引起的。

人工智能与集合
团队使用了一种高级人工智能模型，称为“时间融合变换器”（Temporal Fusion Transformer, TFT）。把这个 AI 想象成一名学习了欧洲50年天气历史的聪明学生。它学会了根据海温、气压和季节等因素来预测下一个月的水平衡（降水减去蒸发量）。

但仅靠 AI 本身无法看到“摇晃”的全貌。因此，团队做了一件聪明的事。他们利用训练好的 AI，要求它对所有 50 个“假设如果”的气候模拟进行预测。

1. 中心点： AI 根据真实的观测数据给出了一个“最佳猜测”预测。
2. 离散度： 通过观察 50 个不同模拟之间的差异，团队可以精确测量气候自身“摇晃”的程度。

然后他们将这两者结合起来。他们采用了 AI 的最佳猜测，并添加了一个基于 50 次模拟离散度的“安全缓冲”。这创造了一个新的“下限”——图表上的一条线，它表示：“即便气候的骰子掷得真的很糟糕，情况也不太可能比这更糟。”

他们的发现
结果令人眼前一亮。当他们用这种新方法测试 2020-2024 年的真实干旱年份时，旧方法（仅观察过去）表现得很糟糕。在一些地区，如阿尔卑斯山脉和法国，旧方法漏掉了近一半的干旱事件。这就像是一个天气应用显示“晴天”，而实际上正下着大雨。

使用 50 次模拟的新方法则要好得多。

• 更好的覆盖范围： 在欧洲大部分地区，新的“危险线”更准确地捕捉到了干旱事件。例如，在地中海和伊比利亚半岛，它捕捉到了几乎所有的干旱和极端干旱。
• “摇晃”的现实： 研究表明，气候的自然随机性是真实存在的、可测量的东西，它可以被预测。通过将这种随机性视为一种特征而非缺陷，他们可以创建一个“具备风险意识”的预测。
• 挣扎之处： 新方法并非在所有地方都完美。在阿尔卑斯山脉，计算机模型的解析度（地图的精细程度）过于粗糙，无法捕捉到微小的、复杂的高山天气模式。在这些特定地点，新方法仍然错过了一些极端干旱，尽管它仍然比旧方法更好。

为什么这很重要
论文指出，我们需要停止将气候的自然随机性仅仅视为应被忽略的“噪声”。相反，我们应该将其视为一种独立的预测量。通过使用大型模拟组（集合），我们可以将气候变率的物理特性转移到我们的机器学习模型中。这给了我们一个“保守型”的预测——一个更加谨慎且为最坏情况做好准备的预测。

作者们谨慎地表示，这是一个“概念验证”。他们展示了这种方法如何利用 2020 年至 2024 年的数据在欧洲发挥作用。他们并未声称已经永久解决了干旱预测问题，但他们证明了观察 50 个“假设如果”的未来，比仅仅观察一个过去能让我们看得更清楚。这是一种从“猜测未来”向“理解全方位可能性”的转变，确保当气候的骰子与我们作对时，我们不会措手不及。