海洋所利用Transformer深度學習模型成功預測2021年二次變冷(多重拉尼娜)
近日,中國科學院海洋研究所海洋數(shù)值模擬和氣候預測課題組與南京信息工程大學張榮華教授合作,在國際地學自然指數(shù)(Nature Index)期刊《Geophysical Research Letters》在線發(fā)表最新研究成果,報道了基于Transformer深度學習模型(3D-Geoformer)對2021年二次變冷(多重拉尼娜)的成功預測。
熱帶太平洋剛剛結束了2020-2022年連續(xù)三年的持續(xù)性拉尼娜現(xiàn)象,這對全球的天氣和氣候產(chǎn)生重要影響。很多模式可以較好地預測出發(fā)生在2020年的拉尼娜事件,這是因為在2019年發(fā)生了厄爾尼諾事件,其從正位相向負位相的轉變作為ENSO自然循環(huán)的一部分,其預測相對直接容易,可預報性比較高。然而,對于緊隨2020年拉尼娜事件之后的2021年二次變冷,利用很多動力耦合模式的預測出現(xiàn)了困難,尤其是對發(fā)生于2021年年中的海表溫度演變的轉向點的預測。對這一持續(xù)性拉尼娜事件的預測困難性對基于物理過程的耦合模式提出了巨大的挑戰(zhàn),亟需增強對多年拉尼娜形成過程和機理的認知,并在模式中合理表征;同時,尋找有效方法以提高ENSO實時預測技巧。
隨著人工智能在氣候科學研究應用的快速發(fā)展,數(shù)據(jù)驅(qū)動的神經(jīng)網(wǎng)絡模型為ENSO預測提供了一個創(chuàng)新的方法。研究團隊利用數(shù)據(jù)驅(qū)動的基于時空注意力機制的Transformer深度學習模型(3D-Geoformer),通過采用滾動預測的方式(類似于動力耦合模式)進行ENSO預測。結果表明,3D-Geoformer能成功預測出2020年拉尼娜事件和2021年二次變冷事件,包括表層風場和上層海洋三維溫度場的協(xié)同演變,特別是2021年年中赤道東太平洋次表層海溫負異常的再次出現(xiàn)和相應的海表溫度演變的轉折點。

基于純數(shù)據(jù)驅(qū)動的3D-Geoformer框架示意圖(該3D-Geoformer用于ENSO相關研究)

利用3D-Geoformer從2021年1月的初條件預測得到的2021年上層海洋溫度異常沿赤道的緯向-深度分布圖
研究團隊還利用基于深度學習的3D-Geoformer進行了一系列敏感性試驗,通過在預測因子中考慮調(diào)節(jié)風場強迫和次表層熱力效應對SST的影響來綜合解釋了其成功預測的原因?;趧恿蚣艿闹袊茖W院海洋研究所中間型海氣耦合模式(IOCAS ICM)與純數(shù)據(jù)驅(qū)動的深度學習的3D-Geofomer是兩類由完全不同方式構建的模式,對二者預測結果進行比較發(fā)現(xiàn),二者均對2021年二次變冷及相關過程演變呈現(xiàn)出良好的性能。這再次表明無論是動力耦合模式還是數(shù)據(jù)驅(qū)動的深度學習模式,都要充分考慮溫躍層反饋在ENSO預測中的重要作用,該工作也進一步展示了3D-Geoformer作為一個ENSO預測創(chuàng)新平臺的普適性和有用性。
該成果由中國科學院海洋研究所高川副研究員和周路博士研究生為共同第一作者、南京信息工程大學張榮華教授為通訊作者合作完成。研究得到了國家自然科學基金和中國科學院戰(zhàn)略性先導科技專項等項目的聯(lián)合資助。
論文信息:
Gao, C., Zhou, L., & Zhang, R.-H. (2023). A transformer-based deep learning model for successful predictions of the 2021 second-year La Ni?a condition. Geophysical Research Letters, 50(12), e2023GL104034. https://doi.org/10.1029/2023GL104034
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 |
