海洋所在運(yùn)用人工智能提升長(zhǎng)周期氣候變異預(yù)測(cè)能力方面取得突破
長(zhǎng)周期氣候變異由于持續(xù)時(shí)間長(zhǎng)、機(jī)制復(fù)雜,加之對(duì)其變化因素的理解仍然不足,至今難以實(shí)現(xiàn)有效預(yù)測(cè)。近日,中國(guó)科學(xué)院海洋研究所徐永生團(tuán)隊(duì)在利用人工智能提升太平洋十年濤動(dòng)(PDO)預(yù)測(cè)能力方面取得突破性進(jìn)展,相關(guān)研究成果發(fā)表于國(guó)際學(xué)術(shù)期刊Environmental Research Letters。
PDO是一種類(lèi)似厄爾尼諾的長(zhǎng)期存在的氣候變異模式,對(duì)氣候和生態(tài)系統(tǒng)有著廣泛而深遠(yuǎn)的影響。PDO周期較長(zhǎng),約為 20 至 30 年。準(zhǔn)確預(yù)測(cè)PDO能為決策者應(yīng)對(duì)其影響提供重要的科學(xué)依據(jù)。然而,受限于其較長(zhǎng)的周期和復(fù)雜的形成機(jī)制,PDO的預(yù)測(cè)仍面臨巨大挑戰(zhàn)。
徐永生團(tuán)隊(duì)提出了一種基于遷移學(xué)習(xí)增強(qiáng)的卷積神經(jīng)網(wǎng)絡(luò)(CNN)方法,以解決長(zhǎng)期而復(fù)雜的氣候變異預(yù)測(cè)問(wèn)題,能夠提前一年預(yù)測(cè)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(xùn)練CNN,然后通過(guò)1854年至1972年的觀測(cè)數(shù)據(jù)進(jìn)一步訓(xùn)練模型,以確保其在新數(shù)據(jù)上的穩(wěn)健表現(xiàn)。此外,團(tuán)隊(duì)針對(duì)數(shù)據(jù)量有限的問(wèn)題,采用了k折交叉驗(yàn)證評(píng)估模型在不同數(shù)據(jù)集上的性能,從而增強(qiáng)了模型的可靠性。在1983年至2022年的測(cè)試階段,采用遷移學(xué)習(xí)增強(qiáng)的CNN模型在預(yù)測(cè)年均PDO指數(shù)和PDO位相方面始終優(yōu)于現(xiàn)有的動(dòng)力學(xué)預(yù)報(bào)系統(tǒng),同時(shí)在降低季節(jié)變化帶來(lái)的不確定性方面表現(xiàn)出色,展示了優(yōu)秀的預(yù)測(cè)性能。

用于預(yù)測(cè) PDO 的 CNN 模型結(jié)構(gòu)

(a) 基于遷移學(xué)習(xí)增強(qiáng)的 CNN 模式(藍(lán)色)與來(lái)自不同動(dòng)力學(xué)模型預(yù)報(bào)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(dǎo)月的相關(guān)性和(b)均方根誤差
人工智能在預(yù)測(cè)長(zhǎng)周期氣候變異時(shí)面臨的主要挑戰(zhàn)之一是歷史數(shù)據(jù)不足,難以有效訓(xùn)練模型。為解決這一問(wèn)題,徐永生團(tuán)隊(duì)創(chuàng)新性地采用了遷移學(xué)習(xí)增強(qiáng)的CNN方法來(lái)預(yù)測(cè)PDO,通過(guò)從預(yù)訓(xùn)練模型中提取已有知識(shí)并將其應(yīng)用于新的相關(guān)任務(wù),從而有效克服了數(shù)據(jù)不足的限制。通常,訓(xùn)練深度CNN模型需要大量標(biāo)注數(shù)據(jù)以實(shí)現(xiàn)良好的泛化能力,但通過(guò)利用預(yù)訓(xùn)練網(wǎng)絡(luò),即便數(shù)據(jù)樣本非常有限,仍能達(dá)到較高的準(zhǔn)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(dòng)力學(xué)信息來(lái)彌補(bǔ)觀測(cè)數(shù)據(jù)的不足,成功實(shí)現(xiàn)了對(duì)PDO的預(yù)測(cè),為長(zhǎng)周期氣候變異的預(yù)測(cè)提供了一種新途徑。
本文第一作者為徐永生研究員指導(dǎo)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(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 |
