《中国科学院海洋研究所在运用人工智能提升长周期气候变异预测能力方面取得突破》

  • 来源专题:中国科学院文献情报系统—海洋科技情报网
  • 编译者: 熊萍
  • 发布时间:2024-11-26
  • 长周期气候变异由于持续时间长、机制复杂,加之对其变化因素的理解仍然不足,至今难以实现有效预测。近日,中国科学院海洋研究所徐永生团队在利用人工智能提升太平洋十年涛动(PDO)预测能力方面取得突破性进展,相关研究成果发表于国际学术期刊Environmental Research Letters。

    PDO是一种类似厄尔尼诺的长期存在的气候变异模式,对气候和生态系统有着广泛而深远的影响。PDO周期较长,约为 20 至 30 年。准确预测PDO能为决策者应对其影响提供重要的科学依据。然而,受限于其较长的周期和复杂的形成机制,PDO的预测仍面临巨大挑战。

    徐永生团队提出了一种基于迁移学习增强的卷积神经网络(CNN)方法,以解决长期而复杂的气候变异预测问题,能够提前一年预测PDO事件。该方法首先使用CMIP6中1850年至1972年的历史模拟数据训练CNN,然后通过1854年至1972年的观测数据进一步训练模型,以确保其在新数据上的稳健表现。此外,团队针对数据量有限的问题,采用了k折交叉验证评估模型在不同数据集上的性能,从而增强了模型的可靠性。在1983年至2022年的测试阶段,采用迁移学习增强的CNN模型在预测年均PDO指数和PDO位相方面始终优于现有的动力学预报系统,同时在降低季节变化带来的不确定性方面表现出色,展示了优秀的预测性能。

    人工智能在预测长周期气候变异时面临的主要挑战之一是历史数据不足,难以有效训练模型。为解决这一问题,徐永生团队创新性地采用了迁移学习增强的CNN方法来预测PDO,通过从预训练模型中提取已有知识并将其应用于新的相关任务,从而有效克服了数据不足的限制。通常,训练深度CNN模型需要大量标注数据以实现良好的泛化能力,但通过利用预训练网络,即便数据样本非常有限,仍能达到较高的准确性。本研究提出的方法创新性地利用模式数据中的动力学信息来弥补观测数据的不足,成功实现了对PDO的预测,为长周期气候变异的预测提供了一种新途径。

    本文第一作者为徐永生研究员指导的博士生Nutta Skanupong,徐永生研究员为通讯作者。

    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

  • 原文来源:https://qdio.cas.cn/2019Ver/News/kyjz/202411/t20241112_7438017.html
相关报告
  • 《中国科学院海洋研究所在利用人工智能技术改进ENSO预测研究方面获新进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2022-03-08
    • 近日,中国科学院海洋研究所张荣华研究团队在人工智能与主振荡型物理分析方法相结合的混合建模及其对ENSO预测研究方面取得新进展,研究结果发表在学术期刊Advances in Atmospheric Sciences上。 发生在热带太平洋的厄尔尼诺-南方涛动(ENSO)是气候系统中最强的年际变率信号,ENSO发生、发展对世界各地天气和气候都有重要影响,对其机制与预测研究有重大的科学意义和经济价值。半个多世纪的 ENSO研究已取得了重大成果,特别是对其提前月-季节尺度的实时预测成为可能,如当前的线性统计模式或基于数理方程的动力模式已能提前至少6个月对ENSO进行较好的实时预测,但预测技巧仍存在较大的误差和不确定性。另一方面,已有研究表明,基于大数据的神经网络模型可以极大地提高我们对ENSO的预测能力,但神经网络模型存在着可解释性差、计算复杂度高等问题。另外,目前关于人工智能改进ENSO预测等这方面的大部分研究主要停留在相关人工智能技术的直接应用上。考虑到地球科学研究中包括像ENSO这些现象具有物理过程清晰的时空结构和演变规律,如何把基于物理分析方法所得到的 ENSO时空演变特征与基于大数据的人工智能方法有机地结合起来进一步提高 ENSO预测技巧是气候变化领域的热点问题。 为此,张荣华研究团队创新性地将主振荡型(POP)物理分析方法与卷积-长短期记忆网络(CNN-LSTM)相结合,构建了一个混合型神经网络模型(简称为POP-Net),并用于Nino 3.4区海表温度(SST)异常的预测。其中混合建模中所使用的POP方法是由德国科学家Hans von Storch和2021年诺贝尔物理学奖得主Klaus Hasselmann于1988年所提出,是一种用于从高维时空场中提取特定周期模态的方法。当采用POP方法分析 ENSO时空演变特征时,所得到的特征模态的实部与虚部空间型正负依次交替构成循环,表现出与 ENSO 相关的时空演变和准周期振荡特性。 由此,可利用POP方法提取的特征周期性振荡模态来构建POP线性统计模式开展 ENSO 预测。同时,单独利用卷积-长短期记忆网络(CNN-LSTM)技术也能构建 ENSO 预测模式。进一步,把主振荡型(POP)物理分析与神经网络技术相结合开展混合建模而得到 POP-Net,进行 ENSO 预测。将POP方法提取到的多尺度物理信号与卷积神经网络(CNN)提取的空间特征图进行混合编码并输入到长短期记忆(LSTM)网络中进行时序分析,最后通过一个全连接层后即得到Nino 3.4预测值。通过这种方法所构建的POP-Net模型结构简单、训练速度快、预测精度高,拥有比单独的POP模式和CNN-LSTM模型更好的ENSO预测性能。 三种预测模式试验结果表明,POP-Net模型可以提前17个月提供有效的ENSO预测(相关系数>0.5)且大幅改善春季预报障碍问题。这种结合物理过程分析与基于大数据的人工智能技术的混合建模方法可通过强化有效信息提取并削减无关噪音影响来有效提升ENSO的预测水平,特别该研究将POP方法提取的多尺度物理信息融合于神经网络模型中,以增强模型对ENSO可预测信息的捕捉能力,进而提高了模型的ENSO预测水平,并显著改善了春季预报障碍(SPB)问题。这些初步研究为基于物理过程分析方法与神经网络相结合的混合建模研究提供了新思路。 该研究由中国科学院海洋研究所博士研究生周路、张荣华研究员(通讯作者)共同完成。研究得到中国科学院战略性先导科技专项和国家自然科学基金等项目的联合资助。  相关文章: Zhou, L. and R.-H. Zhang.: 2022: A hybrid neural network model for ENSO prediction in combination with principal oscillation pattern analyses. Adv. Atmos. Sci., https://doi.org/10.1007/s00376-021-1368-4. 文章链接: http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-021-1368-4
  • 《中国科学院海洋研究所在动力地形及长周期海平面变化研究中取得新进展》

    • 来源专题:中国科学院文献情报系统—海洋科技情报网
    • 编译者:liguiju
    • 发布时间:2023-03-01
    • 近日,国际学术期刊《Deep-Sea Research Part I: Oceanographic Research Papers》发表了题为“Long-term global sea-level change due to dynamic topography since 410 Ma”的文章,报道了中国科学院海洋研究所关于地幔对流引起的地球表面动力地形及其对全球平均海平面变化的影响方面的最新研究成果。 海平面是地球表面的一个基本的边界,其将气候、水文、板块构造以及地幔对流等地球上的系统联系起来。长周期的全球平均海平面变化主要由海底年龄变化、动力地形、海洋面积、海底沉积和海水体积等的变化引起,其中海底年龄和动力地形的影响被认为对海平面的变化起主要作用。本研究通过建立随时间演化的地幔对流模型,构建了410个百万年以来的全球动力地形的演化,并计算了其对全球平均海平面变化的影响,结合板块重建模型推演的海底年龄演化,研究了动力地形和海底年龄在最近的Pangea超级大陆周期中引起的全球海平面变化。 动力地形是地幔对流引起的地球表面的垂向地形起伏,其长波长的幅值为1千米左右。Yang和Yang (2021) 研究了地幔对流的模型参数对计算的现今动力地形的影响,模型计算的结果与现今地球上的一些观测基本一致,包括残余地形、下地幔结构、板块俯冲速率和地表热流等。这里计算的动力地形的模型参数选用该文章中首选模型的参数,并且计算动力地形的时候需要考虑上地幔粘度的横向不均匀的影响,表面边界条件选用前人板块重建研究得到的410个百万年以来的全球表面板块运动历史。Williams等, (2021) 基于该板块重建模型和一个新的海底年龄重构模型,构建了410个百万年以来的全球海底年龄的演化。本研究基于其全球海底年龄模型以及海洋岩石圈的板块冷却模型,计算得到了全球海底地形的演化,进而研究了动力地形和海底年龄在410个百万年以来对全球平均海平面变化的影响。 研究结果显示现今的动力地形作用导致了大约120米的全球平均海平面高度,这在410个百万年以来是最大的。全球的海平面变化主要是由海底年龄变化引起,动力地形的影响相对较小。本研究给出的动力地形和海底年龄变化共同作用导致的全球海平面变化与前人相关研究给出的410个百万年以来的全球海平面变化基本一致。动力地形和海底年龄对全球海平面变化的影响与最近的Pangea超级大陆周期相关,它们导致在Pangea大陆分离和汇聚时海平面上升,在Pangea大陆稳定和转换阶段海平面降低。 论文的第一作者兼通讯作者为中国科学院海洋研究所杨安助理研究员。研究得到了国家自然科学基金和崂山实验室科技创新项目的共同资助。  相关论文:  An Yang*, Long-term global sea-level change due to dynamic topography since 410 Ma, Deep Sea Research Part I: Oceanographic Research Papers, Volume 191, 2023, 103944,(https://doi.org/10.1016/j.dsr.2022.103944) An Yang*, Ting Yang, Controls on the present-day Earth’s dynamic topography predicted from mantle flow models since 410 Ma. Geophysical Journal International, 225(3):1637-1652, 2021(https://doi.org/10.1093/gji/ggab052)