對于未來數十年氣候變暖的幅度，全球專家的預測結果并不完全一致。有些專家預測，到2100年氣溫會上升3攝氏度或更多。另一些專家則認為，氣溫的變化幅度為1.5度。造成這種差異的主要原因可能會令人驚訝，即云。

“其中的不確定性因素與我們在預測模型中如何處理‘云’這一變量密切相關。”哥倫比亞大學地球與環境工程系副教授Pierre Gentine表示。

Gentine及其同事開發了一個深度學習模型，以解決這一影響氣候預測準確度的難題。

如何捕捉到云并將其“穩住”？

2015年，氣候專家與世界各國的領導人共同起草了《巴黎協定》，目標是將本世紀全球平均氣溫上升幅度控制在2攝氏度以內（相對于前工業化時期的水平）。一旦超過這一臨界點，干旱、海平面上升等現象就會加劇，且多個動物物種可能會面臨滅絕。

Gentine指出，被屢屢提及的“2攝氏度”指的是全球平均值，包括海洋之上的升溫幅度，而這些地方實際上并沒有人類居住。這也是許多不同氣候模型的平均值。

由于氣候模型必須能夠粗略估算出環境的某些特征，并且每個計算團隊的計算方式又略有不同，所以最終導致各種預測之間出現差異。

氣候模型看起來就像是一個布滿網格的地球。網格上的每一個單元格都代表了一塊約為50到100平方公里的表面積。根據由Gentine合著的一篇論文，這種分辨率對于解釋“云”這樣的小特征影響因素來說還不夠精確（云的跨度通常只有幾百米）。

科學家們依賴于數學近似法或參數化來了解一個地區的平均云量，以及何種云層將會加濕或加熱大氣層。

根據研究人員對云物理特性的不同描述，它們可能在最終的模型中表現得明亮、或陰沉、或暗淡。這會產生很大的不同，因為較為明亮的云會向大氣中反射更多的熱量，從而降低大氣溫度。

與預測全球氣溫會升高1攝氏度的模型相比，一個預測升高3攝氏度的模型呈現出的云量可能會更少，或者云更陰暗。

更為精確的云層解析模型會使用顯示更為細膩的分辨率，但是其帶來的計算量也會十分龐大。所以，此模型的計算能力必須非常強大，才可以讓研究人員將其應用于全球氣候模型當中，用于預測未來更長時間的氣候變化。

深度學習為準確預測帶來一線希望

為了解決這一問題，研究人員選擇了一個分辨率高達一平方英里的云層解析模型，并涵蓋了各種各樣的云層數據。

然后，他們利用這些精細數據對一個神經網絡進行了為期六個月的訓練，并將該深度學習解決方案引入了現有的氣候模型，取代了先前的云層效果近似計算。

Gentine表示，使用神經網絡來表示云層提升了氣候模型的準確度。除氣溫估算外，神經網絡還為降水極值提供了更準確的預測，而大多數現有模型目前還達不到這一點。

另外，還有一個優勢是，該神經網絡比原來的氣候模型便宜8倍之多。

研究人員使用了多種NVIDIA GPU，包括Tesla P100和K80加速器。雖然他們在開始時使用了TensorFlow軟件庫，但后來不得不將代碼轉換為Fortran，這是一種經典大型氣候模型所使用的語言。

Gentine表示，其目標是提高氣候預測的能力，從而在全球范圍內更準確地預測區域氣候影響。這些詳細數據對于減災工作和基礎設施規劃起到至關重要的作用。

“當我們討論全球氣溫升高2攝氏度時，這并不意味著德克薩斯的氣溫不會升高4度，”他說道，“我們極其需要這種準確的局地估算。”