近日，由海洋试点国家实验室海洋动力过程与气候功能实验室首席科学家张荣华研究员领衔的科研团队在人工智能与主振荡型物理分析方法相结合的混合建模及其对ENSO预测研究方面取得新进展。
发生在热带太平洋的厄尔尼诺-南方涛动（ENSO）是气候系统中最强的年际变率信号，ENSO的发生、发展对全球天气和气候都有重要影响，对其机制与预测研究有重大的科学意义和经济价值。半个多世纪以来，ENSO研究已取得了重大成果，特别是对其进行提前月-季节尺度的实时预测已成为可能，如当前的线性统计模式或基于数理方程的动力模式已能提前至少6个月对ENSO进行较好的实时预测，但预测技巧仍存在较大的误差和不确定性（图1）；另一方面，已有研究表明，基于大数据的神经网络模型可以极大地提高对ENSO的预测能力，然而神经网络模型存在着可解释性差、计算复杂度高等问题。此外，目前关于利用人工智能改进ENSO预测等的大部分研究主要停留在相关人工智能技术的直接应用上。考虑到地球科学研究中诸多现象如ENSO具有物理过程清晰的时空结构和演变规律，如何把基于物理分析方法所得到的ENSO时空演变特征与基于大数据的人工智能方法有机地结合起来以进一步提高ENSO预测技巧，是当前气候变化领域的热点问题。
图1 地球大数据和人工智能技术为ENSO预测提供新的方法
为此，张荣华研究团队创新性地将主振荡型（POP）物理分析方法与卷积-长短期记忆网络（CNN-LSTM）相结合，构建了一个混合型神经网络模型（简称为POP-Net），并用于Niño3.4区海表温度（SST）异常的预测。其中混合建模中所使用的POP方法是由德国科学家Hans von Storch和2021年诺贝尔物理学奖得主之一的Klaus Hasselmann等学者于1988年提出，是一种用于从高维时空场中提取特定周期模态的方法。当采用POP方法分析ENSO时空演变特征时，所得到的特征模态的实部与虚部空间型正负依次交替构成循环，表现出与ENSO相关的时空演变和准周期振荡特性，因此可利用POP方法提取的周期性特征振荡模态来构建POP线性统计模式开展ENSO预测。同时，单独利用卷积-长短期记忆网络（CNN-LSTM）技术也能构建ENSO预测模式。更进一步，研究团队把主振荡型（POP）物理分析与神经网络技术相结合开展混合建模而得到POP-Net，进行ENSO预测。如图2所示，将POP方法提取到的多尺度物理信号与卷积神经网络（CNN）提取的空间特征图进行混合编码并输入到长短期记忆（LSTM）网络中进行时序分析，最后通过一个全连接层后即得到Niño3.4预测值。通过这种方法所构建的POP-Net模型结构简单、训练速度快、预测精度高，拥有比单独的POP模型和CNN-LSTM模型更好的ENSO预测性能。
图2 POP-Net模型结构图
三种预测模式试验结果表明，POP-Net模型可以提前17个月提供有效的ENSO预测（相关系数>0.5），且能大幅改善春季预报障碍问题（图3）。这种结合物理过程分析与基于大数据的人工智能技术的混合建模方法可通过强化有效信息提取并削减无关噪音影响来有效提升ENSO的预测水平，特别是该研究将POP方法提取的多尺度物理信息融合于神经网络模型中，以增强模型对ENSO可预测信息的捕捉能力，进而提高了模型的ENSO预测水平，并显著改善了春季预报障碍（SPB）等问题。这些初步探索为基于物理过程分析方法与神经网络相结合的混合建模研究提供了新思路。
图3 POP-Net模型预测结果。(a) 蓝为相关系数，绿为均方根误差，红为平均绝对误差；(b) 预测结果相关系数分布
上述研究成果近期发表于学术期刊Advances in Atmospheric Sciences（大气科学进展），由海洋动力过程与气候功能实验室在读博士研究生周路为第一作者，张荣华研究员为通讯作者完成。研究成果获得中科院海洋大科学研究中心、青岛海洋科学与技术试点国家实验室、中科院第四纪科学与全球变化卓越创新中心、中科院战略性先导科技专项、国家自然科学基金等的资助。
相关文章链接：https://doi.org/10.1007/s00376-021-1368-4.