iNature
厄爾尼諾/南方濤動（ENSO）的變化與各種各樣的區域極端氣候和生態系統影響有關。因此，可靠，長期的預測對于管理政策響應非常有價值。但是，盡管付出了數十年的努力，但在提前一年以上的時間預測ENSO事件仍然存在問題。
2019年9月18日，南京信息工程大學大氣院氣候與應用前沿研究院羅京佳教授與韓國全南國立大學Yoo-Geun Ham教授團隊合作在Nature 在線發表題為“Deep learning for multi-year ENSO forecasts”的研究論文，該研究用深度學習方法構建了卷積神經網絡模型（CNN），該模型可以將ENSO預測時效提前到一年半，并達到80%左右的預測準確率。
總而言之，該研究利用機器深度學習的方法，不僅提高了ENSO的預測技巧，同時還充分證明了機器深度學習等方法在地球科學大數據上應用的可行性，為地球科學研究提供了更多的思路與方法。
預測大規模氣候變化的能力，及其對全球社會和環境系統的影響，在很大程度上取決于ENSO預測的質量。盡管ENSO使用大氣-海洋耦合模型進行的預測通常要優于當前的統計模型，但最新的動態預測系統仍無法提供對ENSO的超過一年的提前期的熟練預測。因此，對ENSO事件的多年預測仍然是一項重大挑戰。
但是，ENSO中存在振蕩元素，與緩慢的海洋變化及其與大氣的耦合有關，這表明可能進行多年預報。有趣的是，在幾次拉尼娜事件中，赤道太平洋異常持續了數年。高頻赤道風的可預測性較差，但赤道風的緩慢變化的成分與海面底層溫度（SST）可以一定程度地預測。赤道太平洋以外的海表溫度異常會導致ENSO事件，其時滯超過一年。這些研究表明，盡管當前的方法可能不適用于ENSO預測，但ENSO預測仍有改進的空間。
隨著大數據時代的到來，深度學習通過在大型數據集中發現復雜的結構，對許多領域產生了巨大的影響。特別是，卷積神經網絡模型（CNN）在處理具有空間結構的多維數組的數據（例如，用于識別彩色圖像中的對象）方面取得了出色的結果。因此，卷積神經網絡模型（CNN）將適合揭示三維預測變量與預測索引之間的聯系。
該研究利用深度學習方法構建了卷積神經網絡模型（CNN），該模型可以將ENSO預測時效提前到一年半，并達到80%左右的預測準確率。研究結果顯示，在預測時效超過6個月時，CNN模型對Nino3.4指數的預測能力顯著高于目前國際上最優秀的動力預測系統，并且在預測時效為17個月時，相關系數預測技巧仍在0.5以上。同時CNN模型還能預測海表溫度異常的不同空間分布，對不同厄爾尼諾類型（東太平洋型、中太平洋型、混合型）預測也有較高的正確率，彌補了目前動力預測系統的不足。
本研究利用機器深度學習的方法，不僅提高了ENSO的預測技巧，同時還充分證明了機器深度學習等方法在地球科學大數據上應用的可行性，為地球科學研究提供了更多的思路與方法。
注：部分解析參考自南京信息工程大學官網介紹。
參考消息：
https://www.nature.com/articles/s41586-019-1559-7