南京信息工程大学罗京佳等使用新方法，更准确预测厄尔尼诺/南方涛动现象

来源：iNature

原标题：Nature：南京信息工程大学罗京佳等使用新方法，更准确预测厄尔尼诺/南方涛动现象

厄尔尼诺/南方涛动（ENSO）的变化与各种各样的区域极端气候和生态系统影响有关。因此，可靠，长期的预测对于管理政策响应非常有价值。但是，尽管付出了数十年的努力，但在提前一年以上的时间预测ENSO事件仍然存在问题。

2019年9月18日，南京信息工程大学大气院气候与应用前沿研究院罗京佳教授与韩国全南国立大学Yoo-Geun Ham教授团队合作在Nature 在线发表题为“Deep learning for multi-year ENSO forecasts”的研究论文，该研究用深度学习方法构建了卷积神经网络模型（CNN），该模型可以将ENSO预测时效提前到一年半，并达到80%左右的预测准确率。

总而言之，该研究利用机器深度学习的方法，不仅提高了ENSO的预测技巧，同时还充分证明了机器深度学习等方法在地球科学大数据上应用的可行性，为地球科学研究提供了更多的思路与方法。

预测大规模气候变化的能力，及其对全球社会和环境系统的影响，在很大程度上取决于ENSO预测的质量。尽管ENSO使用大气-海洋耦合模型进行的预测通常要优于当前的统计模型，但最新的动态预测系统仍无法提供对ENSO的超过一年的提前期的熟练预测。因此，对ENSO事件的多年预测仍然是一项重大挑战。

但是，ENSO中存在振荡元素，与缓慢的海洋变化及其与大气的耦合有关，这表明可能进行多年预报。有趣的是，在几次拉尼娜事件中，赤道太平洋异常持续了数年。高频赤道风的可预测性较差，但赤道风的缓慢变化的成分与海面底层温度（SST）可以一定程度地预测。赤道太平洋以外的海表温度异常会导致ENSO事件，其时滞超过一年。这些研究表明，尽管当前的方法可能不适用于ENSO预测，但ENSO预测仍有改进的空间。

随着大数据时代的到来，深度学习通过在大型数据集中发现复杂的结构，对许多领域产生了巨大的影响。特别是，卷积神经网络模型（CNN）在处理具有空间结构的多维数组的数据（例如，用于识别彩色图像中的对象）方面取得了出色的结果。因此，卷积神经网络模型（CNN）将适合揭示三维预测变量与预测索引之间的联系。

该研究利用深度学习方法构建了卷积神经网络模型（CNN），该模型可以将ENSO预测时效提前到一年半，并达到80%左右的预测准确率。研究结果显示，在预测时效超过6个月时，CNN模型对Nino3.4指数的预测能力显著高于目前国际上最优秀的动力预测系统，并且在预测时效为17个月时，相关系数预测技巧仍在0.5以上。同时CNN模型还能预测海表温度异常的不同空间分布，对不同厄尔尼诺类型（东太平洋型、中太平洋型、混合型）预测也有较高的正确率，弥补了目前动力预测系统的不足。

本研究利用机器深度学习的方法，不仅提高了ENSO的预测技巧，同时还充分证明了机器深度学习等方法在地球科学大数据上应用的可行性，为地球科学研究提供了更多的思路与方法。

参考消息：

https://www.nature.com/articles/s41586-019-1559-7