Science 子刊報(bào)道海洋所利用人工智能預(yù)測(cè)ENSO多變量三維場(chǎng)最新成果
中科院海洋所海洋數(shù)值模擬和氣候預(yù)測(cè)課題組利用基于時(shí)空注意力機(jī)制的神經(jīng)網(wǎng)絡(luò)模型,構(gòu)建了可用于海氣耦合系統(tǒng)多變量三維(3D)場(chǎng)預(yù)測(cè)任務(wù)的人工智能(AI)模式并將其應(yīng)用于ENSO預(yù)測(cè)研究,首次成功實(shí)現(xiàn)了對(duì)ENSO相關(guān)的三維海溫場(chǎng)和風(fēng)應(yīng)力場(chǎng)的跨年度準(zhǔn)確預(yù)測(cè),相關(guān)成果近日發(fā)表在國(guó)際綜合類TOP期刊Science Advances (IF=14.957)。

近幾年來(lái),基于大數(shù)據(jù)的 AI 模型已成功應(yīng)用于天氣預(yù)報(bào)和氣候預(yù)測(cè)等領(lǐng)域。這些數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)模型在特定任務(wù)中的性能已達(dá)到甚至超越當(dāng)前先進(jìn)的動(dòng)力模式,成為促進(jìn)地球系統(tǒng)建模發(fā)展的重要工具。但目前多數(shù)神經(jīng)網(wǎng)絡(luò)模型是針對(duì)特定變量、特定任務(wù)來(lái)構(gòu)建的,受限于算法與建模等難度,多數(shù)模型僅能對(duì)單點(diǎn)時(shí)間序列或單變量場(chǎng)進(jìn)行預(yù)測(cè), 而對(duì)多變量三維場(chǎng)時(shí)空演變的長(zhǎng)時(shí)間預(yù)測(cè)仍存在很大的挑戰(zhàn)。
針對(duì)上述問(wèn)題,研究團(tuán)隊(duì)基于改進(jìn)型的 Transformer 模型,在充分考慮海氣變量場(chǎng)間的強(qiáng)時(shí)間依賴性和空間非局地相關(guān)性等耦合特征的基礎(chǔ)上,率先成功構(gòu)建了由數(shù)據(jù)驅(qū)動(dòng)的多變量3D場(chǎng)的海氣耦合系統(tǒng)預(yù)測(cè)模型(簡(jiǎn)稱為3D-Geoformer),并將其成功應(yīng)用于厄爾尼諾與南方濤動(dòng)(ENSO)相關(guān)的3D上層海洋溫度場(chǎng)及海表風(fēng)應(yīng)力場(chǎng)的跨年度預(yù)測(cè)試驗(yàn)。該模型克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法(如循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN))中串行計(jì)算效率低和梯度易消失等劣勢(shì),通過(guò)特別設(shè)計(jì)的時(shí)空多頭注意力機(jī)制模塊,能有效提取格點(diǎn)序列時(shí)間依賴特征和多變量場(chǎng)空間非局地相關(guān)性,更合理表征了多變量數(shù)據(jù)的3D時(shí)空演變特征及其內(nèi)在的動(dòng)力學(xué)關(guān)系,最終成功實(shí)現(xiàn)了對(duì)熱帶太平洋海氣多變量三維場(chǎng)的長(zhǎng)時(shí)間準(zhǔn)確預(yù)測(cè)(如Nino3.4區(qū)海溫異常的有效預(yù)測(cè)時(shí)長(zhǎng)超過(guò)18個(gè)月);對(duì)2015-2016年超強(qiáng)厄爾尼諾事件的預(yù)測(cè)表明,該模型能合理表征3D溫度場(chǎng)時(shí)空演變及與風(fēng)場(chǎng)間的耦合。

利用該模型預(yù)測(cè)2015-16年超強(qiáng)厄爾尼諾事件的例子
(a)不同月份開(kāi)始預(yù)測(cè)得到的Nino3.4區(qū)海溫異常及再分析結(jié)果(其中虛線為熱帶太平洋風(fēng)應(yīng)力影響去除后的試驗(yàn)結(jié)果);(b-m)為從2015年4月起開(kāi)始預(yù)測(cè)得到的風(fēng)應(yīng)力及上層海洋三維溫度異常場(chǎng)的時(shí)空演變
該研究創(chuàng)新性地將基于時(shí)空注意力機(jī)制的 Transformer 模型應(yīng)用于 ENSO預(yù)測(cè)和其海氣耦合動(dòng)力過(guò)程的表征,首次實(shí)現(xiàn)了從單一變量、單點(diǎn)(或區(qū)域平均)的時(shí)間序列預(yù)測(cè)到多變量、三維立體場(chǎng)時(shí)空預(yù)測(cè)的重要跨越,為 ENSO預(yù)測(cè)提供了一個(gè)新的有效工具。另外,該3D-Geoformer模型良好的可拓展性允許其稍加修改即可方便地應(yīng)用于更大區(qū)域、更多變量的預(yù)測(cè)任務(wù),對(duì)促進(jìn)人工智能技術(shù)在氣候變化研究中的應(yīng)用有重要意義。
本研究由中科院海洋所博士研究生周路、南京信息工程大學(xué)張榮華教授共同完成,研究得到了國(guó)家自然科學(xué)基金、中國(guó)科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)和南京信息工程大學(xué)人才啟動(dòng)經(jīng)費(fèi)項(xiàng)目聯(lián)合資助。
文章信息及鏈接:
Zhou, L., and R.-H. Zhang, 2023: A self-attention based neural network for three-dimensional multivariate modeling and its skillful ENSO predictions. Science Advances, 9, eadf2827, https://doi.org/10.1126/sciadv.adf2827.
附件下載:
魯公網(wǎng)安備37020202001323號(hào) | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號(hào) 南海路園區(qū)地址:青島市市南區(qū)南海路7號(hào) 科考船碼頭基地:青島市西海岸新區(qū)長(zhǎng)江東路8號(hào) |
郵編:266000 郵件:iocas@qdio.ac.cn 電話:0532-82898611 傳真:0532-82898612 |
