轉發于 氣象學家

在危地馬拉東部奎拉帕的熱帶風暴阿曼達期間，洛斯埃斯克拉沃斯河在一座橋下猛烈流淌。全球變暖正在改變極端天氣事件的強度和頻率，如厄爾尼諾和拉尼娜，這是太平洋部分地區溫度的自然變化。照片/莫伊塞斯·卡斯蒂略

幾個世紀以來，秘魯的漁民已經注意到比平常溫暖的海水（現在被稱為厄爾尼諾現象）與陸地上的干旱和洪水之間存在聯系。

但是，對厄爾尼諾現象對區域天氣模式的影響進行準確的水文預測 - 甚至了解復雜的厄爾尼諾現象本身 - 幾十年來一直困擾著氣候科學家。

人們認為，建立這種聯系需要開發一個極其復雜的物理模型，一個涉及海洋和大氣之間以及大氣和陸地之間難以測量的流動，東北大學全球復原力研究所聯合主任Auroop Ganguly說。

在最近發表在Nature Communications上的一篇論文中，Ganguly和三位合著者表明，使用機器學習來處理現有數據可以產生關于厄爾尼諾現象對世界大河流系統（恒河，剛果河和亞馬遜河）的影響的可解釋見解，以及如何最終形成了局地天氣模態。

Cite this article

Liu, Y., Duffy, K., Dy, J.G. et al. Explainable deep learning for insights in El Niño and river flows. Nat Commun 14, 339 (2023). https://doi.org/10.1038/s41467-023-35968-5

數據寶庫

Ganguly說，氣候科學家根據觀測和模型收集了大量數據，這些數據涉及天氣模式、全球海洋溫度、洪水水平、干旱和其他氣候現象。

他說，到目前為止，數據的寶庫還沒有得到充分利用，并補充說，它有時被存儲在單獨的氣候科學孤島中。

但是，機器學習或深度學習的新發展使得使用具有高計算能力的服務器來利用龐大的數據存儲來開發預測算法成為可能，Ganguly說。

“這種可解釋的深度學習是新的，”他說�！拔覀兛梢哉f，這就是海面溫度如何與自身相關并影響河流流量。我們從過去學到了這一點。這在以前是不可行的。

Ganguly說，深度學習可以發現東太平洋海面溫度之間的長距離聯系，厄爾尼諾或拉尼娜現象間歇性地發生，以及這對世界各地的河流流動意味著什么。他也是體驗人工智能研究所氣候人工智能的負責人。

深度學習應對社會重大挑戰

“這些方法的力量在于能夠從浩瀚的海洋中提取這些信息 - 雙關語！- 數據，而不是通過這種復雜現象的過度簡化索引”他說。

想想能夠通過將海洋溫度與云的發展與影響世界不同地區河流的降水聯系起來來評估正在發生的事情，亞馬遜的共同作者Yumin Liu說，他是東北大學的博士生。

“現在人們意識到，通過連接機器學習社區和氣候社區，他們可以互惠互利，”他說。

即將發布的信息將能夠幫助利益相關者更好地為影響生命、家庭、工業、交通和糧食生產的洪水、干旱和其他氣候事件做好準備。

“開發和調整機器學習方法以應對社會重大挑戰是我們這個時代的迫切需要，”共同作者，東北電氣和計算機工程教授Jennifer Dy說。

“這篇論文是一個有趣的演示，展示了數據科學，特別是深度學習和復雜的網絡結構，如何填補我們對水文氣候的預測性理解的空白，”共同作者Kate Duffy說，他是東北大學可持續發展和數據科學實驗室的博士生。

開發預測模型

溫度相對容易測量，盡管需要大量數據來跟蹤地球上廣闊海洋的溫度。

根據NASA的說法，降水更難測量，因為降水系統“可能有些隨機并且演變得非�？臁��？茖W家們說，深度學習模型允許科學家利用這兩種類型的信息來開發潛在的預測模型。

Duffy說，這篇論文還表明，地球系統模型的改進也可以改進稱為耦合器的軟件系統，這些系統連接海洋，大氣和陸地模型等大型模型組件，并促進更好的反饋和信息流。這種耦合器的一個例子是能源百萬兆級地球系統模型。

“這篇論文建議的是，在未來，研究通過開發所謂的混合物理 - 人工智能方法來解決耦合科學差距的可能性可能很重要，例如，數值模型和基于偏微分方程的系統可以通過機器學習至少部分進行連接，”Ganguly說。

改善信息流

Dy是體驗式人工智能博士后教育主任，他說，東北大學的經驗式人工智能研究所計劃開發“可推廣和值得信賴的解決方案”，將全球氣候模型與定制的機器學習相結合。

能夠從海面溫度圖中預測有關河流流量的信息似乎是一個利基解決方案，東北工程學院杰出教授Ganguly說。

“然而，它提供了難以置信的機會，”他說。

達菲說，這項研究主要由美國國家科學基金會資助，展示了數據驅動的方法如何能夠改善氣候知情的水資源預測，她最近辭去了美國宇航局科學家的職務，在NASA SBIR的資助下推出了自己的基于人工智能的衛星遙感創業公司。

根據Ganguly和Dy的說法，有趣的可能性是，這開辟了混合AI系統的開發，以便更有效地耦合地球系統內的模型組件和全球氣候模型。

翻譯：Google translator