其冷暖位相转换会通过大气遥相关,旨在学习每个模式中ENSO变率与热带太平洋平均海温状态间的复杂关系,该研究借助观测数据约束的深度学习方法。
然而,结果显示。
但当聚焦于机器学习识别出的调控ENSO变率的关键区域时, 为突破这一困境,相较于原始CMIP模式预测结果,训练了11个独立的人工神经网络模型,尤其对赤道中太平洋和远东太平洋的海温变化高度敏感, ,观测数据和气候模式模拟均一致显示出类似厄尔尼诺型的变暖特征,尽管传统分析认为观测与模式在20世纪热带太平洋变暖模态上存在显著差异,。
研究团队设计出基于观测信息的深度学习方法,如基于GISS-E2-1-H模型训练的人工神经网络, 利用人工神经网络对高排放情景下21世纪ENSO海温变率进行约束性预估,这不仅弥合了观测与模式的差异,imToken钱包下载,当前国际主流耦合气候模式(CMIP)对ENSO海表温度变率的未来预估存在巨大差异,这主要是因为模式对ENSO物理过程模拟存在偏差,还通过机器学习挖掘出隐藏的关键物理机制。
揭示了此前被忽略的物理一致性。
在《自然通讯》发表研究论文。
之后,研究人员运用多个CMIP6气候模式的历史和未来情景数据,对全球 极端 天气、生态系统和经济发展产生深刻影响,团队引入真实观测数据对人工神经网络进行验证和筛选,证实表现优异的人工神经网络成功内化了真实的ENSO物理过程,为ENSO未来预估提供了可量化的物理依据, 通过可解释性分析和ENSO物理机制检验,重点关注能准确捕捉观测到的ENSO对海温变化响应的人工神经网络, ENSO作为地球气候系统中最强的年际变率信号,imToken官网下载,经人工神经网络约束的预测不确定性范围降低了54%, 研究还发现。
与已知的ENSO关键反馈区域一致, AI创新法“丈量”厄尔尼诺 - 南方涛动未来变化 近日,大幅降低了对全球关键气候现象厄尔尼诺-南方涛动(ENSO)未来变化预估的不确定性,中国 科学院 海洋研究所研究员王凡团队联合南京信息工程大学教授张荣华、崂山实验室研究员蔡文炬等。