转发于 气象学家

在危地马拉东部奎拉帕的热带风暴阿曼达期间，洛斯埃斯克拉沃斯河在一座桥下猛烈流淌。全球变暖正在改变极端天气事件的强度和频率，如厄尔尼诺和拉尼娜，这是太平洋部分地区温度的自然变化。照片/莫伊塞斯·卡斯蒂略

几个世纪以来，秘鲁的渔民已经注意到比平常温暖的海水（现在被称为厄尔尼诺现象）与陆地上的干旱和洪水之间存在联系。

但是，对厄尔尼诺现象对区域天气模式的影响进行准确的水文预测 - 甚至了解复杂的厄尔尼诺现象本身 - 几十年来一直困扰着气候科学家。

人们认为，建立这种联系需要开发一个极其复杂的物理模型，一个涉及海洋和大气之间以及大气和陆地之间难以测量的流动，东北大学全球复原力研究所联合主任Auroop Ganguly说。

在最近发表在Nature Communications上的一篇论文中，Ganguly和三位合著者表明，使用机器学习来处理现有数据可以产生关于厄尔尼诺现象对世界大河流系统（恒河，刚果河和亚马逊河）的影响的可解释见解，以及如何最终形成了局地天气模态。

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

数据宝库

Ganguly说，气候科学家根据观测和模型收集了大量数据，这些数据涉及天气模式、全球海洋温度、洪水水平、干旱和其他气候现象。

他说，到目前为止，数据的宝库还没有得到充分利用，并补充说，它有时被存储在单独的气候科学孤岛中。

但是，机器学习或深度学习的新发展使得使用具有高计算能力的服务器来利用庞大的数据存储来开发预测算法成为可能，Ganguly说。

“这种可解释的深度学习是新的，”他说。“我们可以说，这就是海面温度如何与自身相关并影响河流流量。我们从过去学到了这一点。这在以前是不可行的。

Ganguly说，深度学习可以发现东太平洋海面温度之间的长距离联系，厄尔尼诺或拉尼娜现象间歇性地发生，以及这对世界各地的河流流动意味着什么。他也是体验人工智能研究所气候人工智能的负责人。

深度学习应对社会重大挑战

“这些方法的力量在于能够从浩瀚的海洋中提取这些信息 - 双关语！- 数据，而不是通过这种复杂现象的过度简化索引”他说。

想想能够通过将海洋温度与云的发展与影响世界不同地区河流的降水联系起来来评估正在发生的事情，亚马逊的共同作者Yumin Liu说，他是东北大学的博士生。

“现在人们意识到，通过连接机器学习社区和气候社区，他们可以互惠互利，”他说。

即将发布的信息将能够帮助利益相关者更好地为影响生命、家庭、工业、交通和粮食生产的洪水、干旱和其他气候事件做好准备。

“开发和调整机器学习方法以应对社会重大挑战是我们这个时代的迫切需要，”共同作者，东北电气和计算机工程教授Jennifer Dy说。

“这篇论文是一个有趣的演示，展示了数据科学，特别是深度学习和复杂的网络结构，如何填补我们对水文气候的预测性理解的空白，”共同作者Kate Duffy说，他是东北大学可持续发展和数据科学实验室的博士生。

开发预测模型

温度相对容易测量，尽管需要大量数据来跟踪地球上广阔海洋的温度。

根据NASA的说法，降水更难测量，因为降水系统“可能有些随机并且演变得非常快”。科学家们说，深度学习模型允许科学家利用这两种类型的信息来开发潜在的预测模型。

Duffy说，这篇论文还表明，地球系统模型的改进也可以改进称为耦合器的软件系统，这些系统连接海洋，大气和陆地模型等大型模型组件，并促进更好的反馈和信息流。这种耦合器的一个例子是能源百万兆级地球系统模型。

“这篇论文建议的是，在未来，研究通过开发所谓的混合物理 - 人工智能方法来解决耦合科学差距的可能性可能很重要，例如，数值模型和基于偏微分方程的系统可以通过机器学习至少部分进行连接，”Ganguly说。

改善信息流

Dy是体验式人工智能博士后教育主任，他说，东北大学的经验式人工智能研究所计划开发“可推广和值得信赖的解决方案”，将全球气候模型与定制的机器学习相结合。

能够从海面温度图中预测有关河流流量的信息似乎是一个利基解决方案，东北工程学院杰出教授Ganguly说。

“然而，它提供了难以置信的机会，”他说。

达菲说，这项研究主要由美国国家科学基金会资助，展示了数据驱动的方法如何能够改善气候知情的水资源预测，她最近辞去了美国宇航局科学家的职务，在NASA SBIR的资助下推出了自己的基于人工智能的卫星遥感创业公司。

根据Ganguly和Dy的说法，有趣的可能性是，这开辟了混合AI系统的开发，以便更有效地耦合地球系统内的模型组件和全球气候模型。

翻译：Google translator

参考：

1.https://news.northeastern.edu/2023/02/17/el-nino-weather/

2.https://www.nature.com/articles/s41467-023-35968-5#citeas