气候变化领域集成服务门户

2023年12月14日，美国问责局（GAO）发布题为《自然灾害建模中的人工智能：暴风、飓风、洪水和野火》（Artificial Intelligence in Natural Hazard Modeling: Severe Storms, Hurricanes, Floods, and Wildfires）的报告指出，暴风、飓风、洪水和野火等自然灾害每年都会造成全美数百人死亡，利用机器学习等人工智能改进预测模型可以更好地预测风险、降低损失。然而，当前机器学习仍在开发和应用方面面临挑战，针对这些挑战，GAO提出可以从改进数据收集、扩大教育培训等方面改善。报告的具体内容如下：

1 面临挑战

（1）数据。模型预测依赖于数据，但观测数据之间或自身总是存在差距、缺口、偏差和不兼容等问题，例如观测基础设施可用性以及突发天气状况可能使得当天数据缺失，同时数据访问权限也影响研究数据的完整性。

（2）信任。研究人员可能会对人工智能模型的结果产生怀疑，不确定最终结果是否准确，从而在采用人工智能模型时十分犹豫，例如暴风、飓风、洪水或野火等研究人员可能无法获悉人工智能模型的算法原理和预测过程。

（3）协作。目前应用人工智能进行模型预测的研究还不是很普及，有限的正式合作、伙伴关系渠道以及某些领域相互竞争的优先事项，为开发和采用机器学习等人工智能进行自然灾害建模带来挑战，例如期刊关注方面，统计学家开发了基于机器学习的暴风、飓风、洪水或野火预测模型，并将其发表于统计类期刊，但研究暴风或飓风的学者可能不太关注这类期刊。

（4）人员。人工智能领域专家和地球科学领域专家之间存在的知识差距、思维差异，阻碍了机器学习等技术在改善自然灾害预测方面的发展和应用，例如模型开发人员创建模型时，可能没有考虑影响野火行为的一些关键要素，导致预测结果出现偏差。

2 政策建议

（1）促进和改善数据收集、共享和使用。政府、学术界和私营部门的决策者可以尝试通过扩大数据收集工作、改进现有数据集和促进可用数据共享来减少数据限制。政府可以适当扩大研究人员对卫星数据的访问权限和观测基础设施的使用范围；政府、学术界和私营部门可以制定数据集制定指导方针，专门设计一个人工智能方面的清单。

（2）扩大教育和培训。政府决策者可以更新教育要求，纳入机器学习等人工智能相关的课程，学术决策者可以调整学科课程，教授更多的机器学习等课程。完备的教育体系可以让气象学和气候学等领域的研究人员以及最终用户为开发和使用机器学习等人工智能技术做好准备。

（3）解决雇用和留用员工的阻碍问题以及某些资源的短缺问题。政府决策者可以通过提供劳动力激励和公私伙伴关系投资来解决人工智能人员配备不均和资源短缺问题，促进招聘、发展和保留在人工智能系统领域设计、开发、部署、评估和监控等方面有经验的人员。

（4）采取措施以减轻对人工智能的偏见、培养对人工智能的信任。解决对数据的偏见问题、提高人工智能模型透明度可以显著减少模型产生负面影响的可能性，同时在人工智能模型设计的生命周期内征询不同利益攸关者的意见也能帮助减小预测结果的不确定性。