Искусственный интеллект для наук об атмосфере и океане: достижения, проблемы и дальнейшие направления

AI for atmosphere–ocean sciences: advancements, challenges and ways forward
Jing-Jia Luo, Jiangjiang Xia, Baoxiang Pan, Yoo-Geun Ham, Xiaofeng Li, Wei Shangguan, Wei Xue, Yaqiang Wang, Yaqiang Wang, Bin Mu, Youngjoon Hong, Hao Li, Xiaohui Zhong, Kan Dai, Lei Bai, Fenghua Ling, Niklas Boers, Christopher Bretherton, Bin Chen, Dongjin Cho, Pierre Gentine, Zijie Guo, Xiaomeng Huang, Daehyun Kang, Jeong-Hwan Kim, Jeong-Hwan Kim, Lili Lei, Fan Meng, Seol-Hee Oh, Bo Qin, Zixiong Shen, Qiming Sun, Xuan Tong, Xuan Tong, Lina Wang, Ya Wang, Yiming Wang, Ya Wang, Yiming Wang, Jiye Wu, Yi Xiao, Lina Yao, Song Yang, Chaoxia Yuan, Shijin Yuan, Tingzhao Yu, Mengchu Zhao
2026-01-28

глубокое обучениеобъяснимый искусственный интеллектгибридное физико-ИИ-моделированиемногоопасные системы раннего предупрежденияпрогнозирование погоды и климата
Искусственный интеллект (ИИ) стремительно преобразует науки о Земле, предоставляя беспрецедентные возможности для решения наиболее актуальных задач этой области. В работе рассматриваются существенные достижения и возникающие проблемы применения ИИ в науках об атмосфере и океане, а также намечаются ключевые направления дальнейшего развития. Обзор охватывает методы глубокого обучения и их применение для прогнозирования погоды и климата, где они превосходят динамические модели по точности и вычислительной эффективности. Также анализируется роль ИИ в обнаружении сложных явлений, совершенствовании усвоения и восстановления данных, коррекции систематических смещений и понижении пространственного разрешения грубых выходных данных моделей. Однако «непрозрачный» характер сложных моделей ИИ обусловливает необходимость сосредоточиться на объяснимом искусственном интеллекте, чтобы повысить доверие к таким моделям и извлечь из них механистическое понимание. Наиболее перспективным направлением считается разработка гибридного физико-ИИ-моделирования, объединяющего основанные на данных возможности ИИ с фундаментальными ограничениями, заданными физическими законами, для обеспечения обобщаемости и причинной согласованности. Для строгого сопоставительного оценивания эффективности моделей необходима новая структура межмодельного сравнения на основе ИИ. Наконец, технические разработки рассматриваются в более широком общественном контексте — с обсуждением полезности и применимости ИИ для общества, включая совершенствование систем раннего предупреждения о множественных опасных явлениях и производства экологически чистой энергии. В заключение формулируется видение будущего ИИ-агентов для наук о Земле — автономных систем, ориентированных на достижение целей и способных проектировать и проводить эксперименты, выдвигать и проверять гипотезы, а также изучать динамику по данным из множества источников. Этот синтез подчёркивает, что ИИ — не просто инструмент, а смена научной парадигмы, которая существенно улучшит наше понимание изменяющегося климата и способность адаптироваться к нему.
1
ИИ позволяет выявлять сложные атмосферно-океанические явления, улучшать усвоение и реконструкцию данных, корректировать систематические ошибки и детализировать грубые выходы моделей.
2
Методы глубокого обучения для прогнозирования погоды и климата могут превосходить динамические модели по точности и вычислительной эффективности.
3
Гибридные физико-ИИ-модели рассматриваются как наиболее перспективное направление, поскольку объединяют возможности анализа данных с физическими ограничениями, повышая обобщаемость и причинную согласованность.
4
Необходимы строгие системы межмодельного сравнения ИИ для оценки качества; будущие ИИ-агенты смогут автономно проектировать эксперименты, проверять гипотезы и изучать динамику Земли по разнородным данным.
5
«Чёрный ящик» сложных моделей ИИ делает объяснимый ИИ необходимым для повышения доверия и извлечения механистического понимания.

Применения и модели искусственного интеллекта для наук об атмосфере и океане

Достижения, проблемы и перспективные направления применения ИИ для прогнозирования погоды и климата, моделирования системы Земли и научного понимания

Publication Details
Publication Date
2026-01-28
Journal
Publisher
ISSN
Cited by
4
Access Type
Author Information
Authors
Jing-Jia Luo
Jiangjiang Xia
Baoxiang Pan
Yoo-Geun Ham
Xiaofeng Li
Wei Shangguan
Wei Xue
Yaqiang Wang
Yaqiang Wang
Bin Mu
Youngjoon Hong
Hao Li
Xiaohui Zhong
Kan Dai
Lei Bai
Fenghua Ling
Niklas Boers
Christopher Bretherton
Bin Chen
Dongjin Cho
Pierre Gentine
Zijie Guo
Xiaomeng Huang
Daehyun Kang
Jeong-Hwan Kim
Jeong-Hwan Kim
Lili Lei
Fan Meng
Seol-Hee Oh
Bo Qin
Zixiong Shen
Qiming Sun
Xuan Tong
Xuan Tong
Lina Wang
Ya Wang
Yiming Wang
Ya Wang
Yiming Wang
Jiye Wu
Yi Xiao
Lina Yao
Song Yang
Chaoxia Yuan
Shijin Yuan
Tingzhao Yu
Mengchu Zhao
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%