Source: AGU Advances
This is an authorized translation of an Eos article. 本文是Eos文章的授权翻译。
近年来，科学家们发现，基于机器学习的天气模型可以比传统模型更快地做出天气预测，且使用更少的能耗。然而，许多这些模型无法准确预测未来15天以上的天气，并且到第 60 天时就会开始模拟出不切实际的天气。
深度学习地球系统模型（Deep Learning Earth System Model，简称DLESyM）建立在两个并行运行的神经网络上：一个模拟海洋，另一个模拟大气。在模式运行期间，对海洋状况的预测每四个模式日更新一次。由于大气条件演变得更快，对大气的预测每12个模式小时更新一次。
该模型的创建者Cresswell-Clay 等人发现，DLESyM 与过去观测到的气候非常吻合，并能做出准确的短期预测。以地球当前的气候为基准，它还可以在不到 12 小时的计算时间内，准确模拟 1000 年周期内的气候和年际变化。它的性能通常与基于耦合模式比对计划第六阶段（CMIP6）的模型相当，甚至优于后者，CMIP6目前在计算气候研究中被广泛使用。
DLESyM 模型在模拟热带气旋和印度夏季季风方面优于 CMIP6 模型。它至少与 CMIP6 模型一样准确地捕捉了北半球大气“阻塞”事件的频率和空间分布，而这些事件可能导致极端天气。此外，该模型预测的风暴也非常真实。例如，在 1000 年模拟结束时（3016 年）生成的东北风暴的结构与 2018 年观测到的东北风暴非常相似。
然而，新模型和CMIP6 模型都无法很好地描述大西洋飓风 的气候特征。此外，对于中期预报（即未来 15 天左右的预报），DLESyM 的准确性低于其他机器学习模型。尤其重要的是，DLESyM 模型仅对当前气候进行模拟，这意味着它没有考虑人类活动引起的气候变化。
作者认为，DLESyM模型的主要优势在于，它比运行CMIP6 模型所需的计算成本要低得多，这使得它比传统模型更容易使用。(AGU Advances, https://doi.org/10.1029/2025AV001706, 2025)
—科学撰稿人Madeline Reinsel
This translation was made by Wiley. 本文翻译由Wiley提供。
Read this article on WeChat. 在微信上阅读本文。
