在气候预测中，简单模型可以优于深度学习

麻省理工学院的研究表明，在某些气候情境下，简单的物理模型比复杂的深度学习模型更为准确。

常用的评估技术可能因自然变异而失真，导致对深度学习模型的误解。

研究者开发了更稳健的评估方法，简单模型在估计区域表面温度时更准确，而深度学习模型在估计局部降雨时表现最佳。

气候模拟工具被用来快速模拟人类活动对未来气候的影响。

研究强调在气候科学中结合物理法则的重要性，以支持气候政策的制定。

研究比较了传统的线性模式缩放技术与深度学习模型，结果显示线性模式缩放在预测温度和降水方面表现更好。

研究者发现气候模型运行中的自然变异会影响深度学习模型的表现，导致评估结果偏向线性模式缩放。

研究者构建了新的评估方法，考虑了自然气候变异，结果显示深度学习模型在局部降水预测上稍优，但线性模式缩放在温度预测上更准确。

研究者希望强调开发更好的基准技术的重要性，以便更好地选择气候模拟技术。

研究获得了部分资助，属于麻省理工学院气候重大挑战团队的一部分。