用人工智能解开厄尔尼诺对旱涝影响的奥秘

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

但是，对厄尔尼诺现象对区域天气模式的影响做出准确的水文预测——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。

东北大学全球复原力研究所联席主任 Aurop Ganguly 表示，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，该模型涉及海洋与大气之间以及大气与陆地之间难以测量的流动。

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主要河流系统(恒河、刚果和亚马逊)的影响的可解释见解，并最终, 区域天气模式。

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，这些数据与天气模式、全球海洋温度、洪水位、干旱和其他气候现象有关。

他说，到目前为止，数据宝库尚未得到充分利用，并补充说，这些数据有时被存储在单独的气候科学孤岛中。

但Ganguly 说，机器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海量数据存储来开发预测算法成为可能。

“这种可解释的深度学习是新的，”他说。“我们可以说，这就是海面温度与其自身相关并影响河流流量的方式。我们从过去了解到这一点。这在以前是不可行的。”

Ganguly 说，深度学习可以发现东太平洋(厄尔尼诺或拉尼娜现象间歇性发生的地方)海面温度之间本质上的远距离联系，以及这对世界各地的河流流量意味着什么。他也是体验人工智能研究所气候人工智能的负责人。

深度学习应对社会的重大挑战

“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指数，”他说。

亚马逊的合著者 Yumin Liu 说，考虑能够通过将海洋温度与云的发展联系起来评估正在发生的事情，影响河流的降水，在世界不同地区，他作为东北大学博士参与了这项研究。学生。

“现在人们意识到他们可以通过连接机器学习社区和气候社区来互惠互利，”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活、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，”合著者、东北电气和计算机工程教授 Jennifer Dy 说。

“这篇论文有趣地展示了数据科学，特别是深度学习和复杂网络构造，如何填补我们对水文气候预测理解的空白，”共同作者 Kate Duffy 说，他作为博士参与了这项研究。东北大学可持续发展与数据科学实验室的学生。

开发预测模型

温度相对容易测量，但需要大量数据来跟踪地球广阔海洋的温度。

据国家航空航天局称，降水量更难测量，因为降水系统“可能有些随机并且发展非常迅速”。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。

达菲说，该论文还表明，地球系统模型的改进也可以改进称为耦合器的软件系统，该软件系统连接海洋、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Energy Exascale 地球系统模型。

“这篇论文的建议是，在未来，重要的是要研究通过开发所谓的混合物理-AI 方法来解决耦合科学中的差距的可能性，例如，数值模型和偏微分方程基于系统的系统至少可以通过机器学习部分连接，”Ganguly 说。

改善信息流

作为体验式 AI 博士后教育主任的 Dy 表示，东北大学的体验式 AI 研究所计划致力于开发“可推广且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。

东北工程学院杰出教授 Ganguly 说，能够从海面温度图预测河流流量信息似乎是一个利基解决方案。

“然而，它提供了令人难以置信的机会，”他说。

Duffy 说，这项研究表明数据驱动的方法如何能够改进基于气候的水资源预测，Duffy 最近辞去了 NASA 科学家的职务，并在 NASA SBIR 资助下创办了自己的基于 AI 的卫星遥感初创公司。

根据 Ganguly 和 Dy 的说法，有趣的可能性是，这开启了混合人工智能系统的开发，以便更有效地耦合地球系统和全球气候模型中的模型组件。

更多信息： Yumin Liu 等人，可解释的深度学习对厄尔尼诺现象和河流流量的洞