全球气候模型基于物理、化学、流体运动规律及观测数据，已能刻画影响地球天气与气候的多种关键过程。多套模型在结论上普遍一致：大气中二氧化碳浓度上升将推高全球平均气温，并增加极端天气发生的可能性。不过，季节性天气型态以及喷射气流等大气系统对全球变暖的响应仍存在不确定性。研究人员指出，其中一部分不确定性与模型对大气重力波等短暂、小尺度现象的近似处理有关。

与扭曲时空结构的引力波不同，大气重力波通常出现在强对流风暴周边，或当气团遭遇山脉等障碍被迫抬升时形成：气团上升后在密度变化作用下回落，进而产生向外传播的波动。相关波动被认为会影响大气环流，并通过改变高空喷射气流的状态，影响中纬度风暴路径，甚至可能改变纽约至伦敦等航线的飞行时间。低纬度激发的重力波也会作用于极地涡旋，即环绕地球极地附近、位于平流层的强风系统。

研究称，在南极，重力波在冬季极地涡旋解体及春季过渡过程中发挥关键作用；在北极，极地涡旋受到扰动可能与近期影响美国东南部和东部的大范围极端冬季天气有关。

斯坦福大学多尔可持续发展学院地球系统科学助理教授阿迪蒂·谢沙德里（Aditi Sheshadri）在论文中表示，研究目标是让大气重力波“以其真实传播方式呈现”。该团队在《地球系统建模进展杂志》（Journal of Advances in Modeling Earth Systems）发表的研究展示了将用于预测大气波动效应的机器学习算法纳入全球气候模型的做法。

模型分辨率与“冷极偏差”

研究指出，现有气候模型对重力波的刻画不足，与模型分辨率和计算约束有关。许多全球气候模型采用约100公里×100公里的网格柱，在每个网格柱内用物理方程描述空气与水的运动。大量重力波尺度过小，难以在该分辨率下被直接解析；另一些重力波虽可跨越10个或更多网格，但受限于计算资源，模型往往难以充分模拟其水平传播。

论文以南极极地涡旋为例称，观测上该涡旋通常在11月中旬解体，但部分气候模型会将其衰减时间模拟到12月，导致对南半球冬季持续时间的高估。这一偏差在研究中被称为“冷极偏差”。

为改进重力波的观测与建模，谢沙德里与合作者发起了DataWave项目，作为国际合作框架推进相关工作。

用全球观测数据训练算法并接入气候模型

在最新研究中，斯坦福团队利用2010年至2014年期间由卫星、气象气球、雷达等多种仪器记录的大气条件估计数据，训练机器学习算法以预测重力波。完成训练后，研究人员用模型对2015年的重力波进行预测，并与当年实际数据对比；随后又引入数个月的高分辨率数据继续训练，以提升算法表现。研究称，随着数据量增加，预测精度随之提高。

两项研究的第一作者、谢沙德里实验室物理科学研究科学家阿曼·古普塔（Aman Gupta）在论文中表示，该模型在方法上类似“填空”，便于对预测结果进行检验，并称其覆盖了“几乎整个重力波频谱”。谢沙德里则表示，这是首个基于全球数据训练、用于预测重力波效应的机器学习算法；由于不受网格分辨率限制，该方法可更好刻画大气波动的影响，并为改进云、海洋涡旋等其他小尺度过程的模拟提供思路。

研究团队还将该机器学习模型与美国国家大气研究中心（NCAR）运行的一套主要气候模型进行连接。论文称，由于两者采用不同编程语言，整合过程耗时数月，目前新模型已可与既有气候模型协同运行。谢沙德里在文中表示，这一进展有助于突破传统“单柱”处理方式带来的限制。

相关研究：基于NASA大模型的进一步改进

除上述工作外，谢沙德里与古普塔在同一期刊发表的另一项相关研究中，开发了第二个模型以进一步提升全球气候模型对重力波的表现。该模型在论文中被描述为对美国国家航空航天局（NASA）为天气与气候研究构建的一款大型人工智能基础模型进行改造；该基础模型本身基于40年的大气数据训练。

研究团队表示，希望相关方法能提升气候模型对关键过程的刻画并改善整体准确性。论文同时指出，当前气候模型仍存在显著不确定性，其中部分原因在于基础方程对较小尺度的大气过程反映不足。谢沙德里在文中称，研究目标是“以正确的理由得出正确的答案”，并认为更准确地在模型方程中体现重力波等过程的物理特性，有助于提升预测稳健性并减少如“冷极偏差”等不一致现象。