机器学习助力气候数据分析与预测

热浪、暴雨、沿海洪水、干旱、灾难性火灾——科学界普遍认为，这些异常天气模式及自然灾害可归因于地球气候的根本变化。然而，确定气候变化与特定天气事件之间的具体联系仍具挑战性，但这一任务日益重要。

传统上，研究人员主要依赖耗时且昂贵的计算机模拟来理解气候变化的整体图景。但随着大规模气候数据的增长和云计算能力的提升，科学界现在有了新的强大方法：利用机器学习和因果推断改进天气预报并预测极端事件。这有助于更深入地区分正常天气变异和由更大变化引起的现象。

为推动相关研究，某机构在2019年NeurIPS（神经信息处理系统）会议上赞助了“气候因果（C4C）”竞赛。该竞赛是2019年NeurIPS接受的12个竞赛之一，专注于因果发现和开发理解气候数据的新方法。Jakob Runge与德国航空航天中心和巴伦西亚大学的合作者共同组织了会议。

“机器学习和深度学习是气候科学中的新兴领域，”Runge表示，“它们是基于现有数据理解气候系统的非常有用的工具。”机器学习使科学家能够灵活分析气候数据，根据过去事件调整数据分析，以更准确地模拟未来。这种方法帮助研究人员应对气候系统的巨大复杂性，并更好地理解影响天气的多种微妙相互作用之间的联系。

竞赛目标是开发新基准并找到可应用于实际气候挑战的方法。参赛者获得了包含气候数据（如降水、湿度和温度）的时间序列数据集和某机构云服务积分，旨在探索研究气候的新方法并推动气候数据应用的新途径。

竞赛一等奖由哥本哈根大学数学科学系哥本哈根因果实验室的博士和博士后团队获得。该团队使用34个不同数据集，目标是理解这些数据集之间的因果关系。他们从简单的基线方法开始，然后引入变体以确定在竞赛中表现最佳的方法。更多信息可见其GitHub仓库。

另一个团队来自根特大学（比利时）、巴勒莫大学（意大利）、巴里大学（意大利）和罗马大学（意大利），由教授和博士组成，专注于气候相互作用的非线性本质。他们的方法受混沌系统理论启发。天气是一个混沌系统，因此难以准确预测超过三到四天。该团队采用了一种在混沌中识别秩序的方法，从而在具有混沌非线性数据集的类别中取得成功。该团队也在GitHub仓库中发布了信息。

获奖者于2019年12月14日在NeurIPS上宣布。参赛团队使用某机构云服务积分进行迭代、实验和学习最佳方法，共提交了146种不同方法和超过6,500条结果。他们的实验将有助于缩小对气候相互作用和因果关系的理解差距，并提高从物理学、机器学习到统计学等多个领域的意识，以推动创新，改善对全球气候的理解。

“我很高兴有这么多参与者，”Runge说，“两位获奖者的方法截然不同，一个解决混沌天气系统，另一个专注于气候相互作用的更线性部分。他们的工作将对预测极端天气事件和改进气候模型非常有用。”他补充道：“这次竞赛真正帮助更广泛的机器学习社区参与理解气候变化的挑战，仅此一点就将促进天气和气候因果关系的新方法。”

研究领域
云计算与系统、机器学习、可持续性

标签
人工智能（AI）、某机构云服务、NeurIPS、数据科学、气候变化、挑战

关于作者
Douglas Gantenbein是某机构科学的撰稿人。