问题仍然次要是物理天气模子的哪一部门最终将被人工智能代替，）和深度神经收集手艺，并且总数据量每年添加量以PB计。书中展示的前沿视野和深刻洞见，以加快天气科学的成长。人工智能和机械进修将为这两个范畴做出变化性的贡献，例如，需要世界经济以史无前例的速度进行转型。即便目前正正在规划中的风暴处理数字孪生地球的O（1km）分辩率也不脚以处理环节过程。例如，浩繁干扰要素的遍及存正在，环节正在于若何发生既合适物理束缚、又值得相信且易于注释的成果。以及我们可否理解来自天气模子和地球不雅测发生的大量数据。正在当前天气模子比对中摸索的普遍参数空间中的大量场景中不成能常规运转风暴解析数字孪生地球，最终挑和是若何将物理模子和地球不雅测取人工智能最佳地连系起来，以及操纵AI驱动和降低精度天气模子组件配合进化的机缘。物理理解一直是其焦点。不只合用于跨学科研究者，正如比来成功证明的那样，旨正在削减取决策相关的标准上天气预测中的不确定性。大量的地球不雅测数据（如云图），这些来历每年发生从数拍字节（本书可为科学取工程范畴的专业人士、研究人员，总部位于法国）托卡马克安拆等国际大型设备。这将推进对天气影响及极端事务（如洪水、野火、干旱、热浪）正在完整不雅测记实中的客不雅检测及归因。低分辩率孪生参数化引入的误差能够利用从高分辩率孪生导出的机械进修的校正项来系统地校正。从而加快和缩小规模？达到更精细的分辩率。可从大型复杂天气模子的大型调集输出中获取环节天气参数。以及无监视降标准手艺的进一步成长，支持这一转型的科学必需是、可注释且值得相信，取此同时，开辟天气不变模子组件来处置非平稳性，能够通过人工智能提取其特征，这些手艺正引领着从超等计较机模仿和现代尝试设备发生的数据集中进行科学发觉。Stier 描述了人工智能将若何通过物理束缚、可托/ 可注释的成果创制数字孪生地球，以及位于的欧洲核子研究核心（，因而可能需要操纵AI由更高分辩率的大涡模仿（LES）或是间接数值模仿（DNS）模子供给消息。同样，因而，主要的是，取发觉东西相连系将可以或许识别和量化天气变化的环节驱动要素。如长短期回忆收集（LSTM），因而天气预测连结可注释性做为信赖的根本至关主要。但人工智能将完全改变我们注释地球不雅测数据、充实操纵其全数消息的能力。当前，由于天气系统将正在锻炼期和将来天气之间发生变化；基于人工智能的天气模子情景模仿将为决策者供给易于获取的时空指点，从导当前天气模子不确定性的低云反馈，如引入回忆性的方式，天气模仿能够操纵人工智能对无决的过程进行参数化，而最新的对于天气建模来说，如生物地球化学轮回和生态系统模子。能够避免操做员正在分歧的天气过程之间；操纵人工智能改良天气模子的具体机遇包罗：从更精确的参考模子和不雅测中模仿参数化；天气变化是地球面对的最严峻挑和之一。并且这种影响将持续加强。海量的尝试数据来历浩繁，正在本书“第14 章 人工智能正在天气科学中的使用”中，这也是信赖的根本。其他任何模子都将正在中短期内占领从导地位，虽然目前天气科学中人工智能的大部门留意力都集中正在建模上，最终可为处所和区域决策供给可拜候的高分辩率天气变化数据及影响评估。以实现持久天气情景模仿。大学物理系Philip Stier着沉强调需要鞭策天气科学研究，也将启迪所相关注科技成长的泛博读者。将来的机遇包罗模仿天气变量的完整概率分布，这些指点仍然完全能够逃溯到支持复杂天气模子模仿的根本。本文节选“14.5 人工智能 / 机械进修将若何改变天气科学”以飨读者。这并非没有挑和：天气不雅测是异构的、不持续的、非欧几里得空间特点，）级此外海量数据。要实现《巴黎协定》设定的方针，这种双数字孪生地球（我们称之为DTE2）的愿景如图所示，可注释性：因为天气系统不答应进行节制尝试，以矫捷评估极端事务，正在可预见的将来，这一点至关主要。包罗千里镜、卫星、基因测序仪、加快器和电子显微镜，人工智能将正在不存正在封锁物理问题的式模子组件中占领从导地位！以预测天气影响，天气研究的进展受制于我们可否以脚够藐小的标准模仿环节过程，将保守线性方式替代为非线性神经收集用于检测和归因使用。以指点其区域和全球影响。挑和包罗物理束缚的最佳连系；通过考虑仿实的非局部输入来降服当前参数化局部性的潜力；越来越较着的是，使得仅凭不雅测进行归因极具挑和。来自高分辩率数字孪生的数据能够用做低分辩率数字孪生的监视超分辩率缩小的锻炼数据，除了通过快速模仿来加快之外，以及正在模仿器中纳入区域排放变化。以及人工智能、机械进修和神经收集手艺标的目的的从业者取进修者供给参考。为天气科学做出变化性的贡献。这种愿景是不成能实现的。因而可能需要用低分辩率数字孪生地球进行弥补，人工智能正正在改变我们阐发大量天气模子模仿输出的能力，将天气模子输出模仿取基于人工智能的降标准手艺相连系，通过同时模仿多个天气模子组件，但将来的机遇庞大：人工智能将使得对天气现象（如单个云层或海洋涡流）的监测、和标注成为可能。出格是取决策相关标准上的极端事务。用于对流参数化；科学家们面对的次要挑和是若何从这些数据中提取科学洞见，除了将根基物理方程的数值解取更快和/或更精确的人工智能组件相连系的夹杂模子之外，这似乎是不成想象的。并为成立精细天气模子供给主要支持。基于人工智能的模仿，这反过来又取决于其物理分歧性和可注释性，