AI 與世界的難題 ─ 地球與氣候科學
由 AI 推進的科學與學術，依學門分類
RSS 訂閱源 · 5 項
以 AI 預測臨界點
原標題: Forecasting Tipping Points with AI
臨界點一旦越過,系統便無法回到原本的狀態,因此比短期天氣變化更難預測。一支由加州理工學院領導的團隊證明,遞迴神經算子 (RNO) 這種神經網路,能在簡單模型中預測臨界點何時出現,這些模型包括氣候變遷系統模型,以及飛機機翼上方紊流氣流的模擬。該論文發表於 PNAS。
以機器學習推進次季節預報
原標題: Advancing subseasonal forecasting with machine learning
預報技巧在未來 2 至 6 週的次季節時間尺度上會大幅下降。作者提出機率偏差校正，這是一種學習修正歷史機率預報的機器學習框架，並將其應用於 ECMWF 領先的動力模式與 AI 模型。它使 AI 預報系統原本有限的次季節預報技巧提升一倍，並改善了動力模式在多數氣壓、溫度與降水目標上的表現；在 ECMWF 2025 年的即時競賽中，其全球預報表現最佳。
預測電網面臨的太空天氣風險
原標題: Forecasting space weather risks on power grids
極端太空天氣事件可能在輸電網路中感應出電流而損壞設備，電網營運商需要提前得知影響最嚴重的時間與地點，且預警時間要足夠。Microsoft Research 建立了一套機器學習流程，結合太陽風資料、AE 與 Dst 預報、當地緯度、地質和地面導電率，為美國本土 66,935 座變電所產出風險估計。在評估期間，它偵測到近 80% 的重大太空天氣事件，並能在特定風險出現前 30 至 60 分鐘向營運商發出警告。
用於繪製小農作物分布圖的 AI 工具在塞內加爾證明其成效
原標題: AI tool for mapping smallholder crops proves itself in Senegal
塞內加爾的小型雨養農場使許多人口暴露於氣候衝擊之下,然而衛星作物測繪工具卻大多遙不可及。劍橋大學的研究人員使用 Tessera(一個以衛星影像訓練的開源 AI 模型),繪製塞內加爾花生盆地的作物分布。在測試中,它有 84% 的時候給出正確結果,比現有方法更準確,同時只用到一小部分的運算資源與標註資料。在某個情境中,它的表現比次佳模型好 28%。
運用機率式機器學習從氣候模型進行區域氣候風險評估
原標題: Regional climate risk assessment from climate models using probabilistic machine learning
氣候模型的解析度太粗，不足以支援區域風險決策，而現有的降尺度方法對大型系集而言成本過高、無法捕捉多變量相依性，或需要自由運行的推估所缺乏的時間對齊訓練配對。GenFocal 是一種生成式 AI 框架，無需配對訓練資料，即可從粗略推估產生統計上準確的精細尺度天氣。它能合成熱浪與熱帶氣旋等長時間持續的災害，比領先的方法更準確地取樣罕見的高衝擊事件，並改善複合極端事件的區域估計。