海洋所在運用人工智能提升長周期氣候變異預測能力方面取得突破
長周期氣候變異由于持續(xù)時間長、機制復雜,加之對其變化因素的理解仍然不足,至今難以實現(xiàn)有效預測。近日,中國科學院海洋研究所徐永生團隊在利用人工智能提升太平洋十年濤動(PDO)預測能力方面取得突破性進展,相關研究成果發(fā)表于國際學術期刊Environmental Research Letters。
PDO是一種類似厄爾尼諾的長期存在的氣候變異模式,對氣候和生態(tài)系統(tǒng)有著廣泛而深遠的影響。PDO周期較長,約為 20 至 30 年。準確預測PDO能為決策者應對其影響提供重要的科學依據(jù)。然而,受限于其較長的周期和復雜的形成機制,PDO的預測仍面臨巨大挑戰(zhàn)。
徐永生團隊提出了一種基于遷移學習增強的卷積神經(jīng)網(wǎng)絡(CNN)方法,以解決長期而復雜的氣候變異預測問題,能夠提前一年預測PDO事件。該方法首先使用CMIP6中1850年至1972年的歷史模擬數(shù)據(jù)訓練CNN,然后通過1854年至1972年的觀測數(shù)據(jù)進一步訓練模型,以確保其在新數(shù)據(jù)上的穩(wěn)健表現(xiàn)。此外,團隊針對數(shù)據(jù)量有限的問題,采用了k折交叉驗證評估模型在不同數(shù)據(jù)集上的性能,從而增強了模型的可靠性。在1983年至2022年的測試階段,采用遷移學習增強的CNN模型在預測年均PDO指數(shù)和PDO位相方面始終優(yōu)于現(xiàn)有的動力學預報系統(tǒng),同時在降低季節(jié)變化帶來的不確定性方面表現(xiàn)出色,展示了優(yōu)秀的預測性能。

用于預測 PDO 的 CNN 模型結(jié)構(gòu)

(a) 基于遷移學習增強的 CNN 模式(藍色)與來自不同動力學模型預報系統(tǒng)(其他顏色)的年均 PDO 指數(shù)和均方根誤差(RMSE)在不同前導月的相關性和(b)均方根誤差
人工智能在預測長周期氣候變異時面臨的主要挑戰(zhàn)之一是歷史數(shù)據(jù)不足,難以有效訓練模型。為解決這一問題,徐永生團隊創(chuàng)新性地采用了遷移學習增強的CNN方法來預測PDO,通過從預訓練模型中提取已有知識并將其應用于新的相關任務,從而有效克服了數(shù)據(jù)不足的限制。通常,訓練深度CNN模型需要大量標注數(shù)據(jù)以實現(xiàn)良好的泛化能力,但通過利用預訓練網(wǎng)絡,即便數(shù)據(jù)樣本非常有限,仍能達到較高的準確性。本研究提出的方法創(chuàng)新性地利用模式數(shù)據(jù)中的動力學信息來彌補觀測數(shù)據(jù)的不足,成功實現(xiàn)了對PDO的預測,為長周期氣候變異的預測提供了一種新途徑。
本文第一作者為徐永生研究員指導的博士生Nutta Skanupong,徐永生研究員為通訊作者。
文章信息:
Skanupong?and Xu et al?2024?Environ. Res. Lett.?19?124022.
https://iopscience.iop.org/article/10.1088/1748-9326/ad8be2
附件下載:
魯公網(wǎng)安備37020202001323號 | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號 南海路園區(qū)地址:青島市市南區(qū)南海路7號 科考船碼頭基地:青島市西海岸新區(qū)長江東路8號 |
郵編:266000 郵件:iocas@qdio.ac.cn 電話:0532-82898611 傳真:0532-82898612 |
