摘要
El Niño/南方涛动(ENSO)的变化与一系列广泛的区域极端气候和生态系统影响有关1.因此,稳健的长期预测对于管理政策反应是有价值的。但是,尽管经过了几十年的努力,在一年以上的提前时间内预测ENSO事件仍然存在问题2.在这里,我们展示了一个采用深度学习方法的统计预测模型,可以产生长达一年半的熟练ENSO预测。为了规避有限的观测数据量,我们使用迁移学习首先在历史模拟上训练卷积神经网络(CNN)3.然后从1871年到1973年进行了重新分析。在1984 - 2017年的验证期内,CNN模型的Nino3.4指数的全季相关技能远高于目前最先进的动态预报系统。CNN模型还能更好地预测海洋表面温度的详细带状分布,克服了动态预测模型的弱点。热图分析表明,CNN模型使用物理上合理的前体预测ENSO事件。因此,CNN模型是预测ENSO事件和分析其相关复杂机制的强大工具。
这是订阅内容的预览,通过你所在的机构访问
相关的文章
引用本文的开放获取文章。
多任务机器学习改进了印度洋偶极子的多季节预测
自然通讯开放获取12月12日
一个实用的阿尔茨海默病分类器,通过基于脑成像的深度学习对85,721个样本进行分类
大数据杂志开放获取10月13日
利用可变形卷积神经网络和全球时空气候数据预测大规模环流体系
科学报告开放获取5月19日
访问选项
订阅《自然》+
立即在线访问《自然》和其他55种《自然》杂志
29.99美元
每月
订阅期刊
获得1年的完整期刊访问权限
199.00美元
每期仅需3.90美元
所有价格均为净价格。
增值税稍后将在结帐时添加。
税务计算将在结账时完成。
买条
在ReadCube上获得时间限制或全文访问。
32.00美元
所有价格均为净价格。
数据可用性
本文相关数据可从以下网站下载:SODA version 2.2.4,https://climatedataguide.ucar.edu/climate-data/soda-simple-ocean-data-assimilation;行政总裁https://www.esrl.noaa.gov/psd/data/gridded/data.godas.html;ERA-Interim,https://apps.ecmwf.int/datasets/data/interim-full-daily;NMME第一阶段,https://iridl.ldeo.columbia.edu/SOURCES/.Models/.NMME/;CMIP5数据库,https://esgf-node.llnl.gov/projects/cmip5/.
代码的可用性
TensorFlow (https://www.tensorflow.org)库,利用CNN建立统计预测模型。CNN模型的代码可从以下网址下载https://doi.org/10.5281/zenodo.3244463.
参考文献
McPhaden, M. J. Zebiak, S. E. & Glantz, M. H. ENSO作为地球科学的整合概念。科学314, 1740-1745(2006)。
Barnston, a.g., Tippett, m.k, L 'Heureux, m.l, Li, S. & DeWitt, d.g. 2002-11年实时季节性ENSO模型预测的技能:我们的能力在提高吗?公牛。点。Meteorol。Soc.93, 631-651(2012)。
泰勒,K. E.斯托弗,R. J. & Meehl, G. A. CMIP5和实验设计的概述。公牛。点。Meteorol。Soc.93, 485-498(2012)。
Cane, m.a., Zebiak, S. E. & Dolan, S. C. El的实验预测Niño。自然321, 827-832(1986)。
罗,j j。,Masson, S., Behera, S. K. & Yamagata, T. Extended ENSO predictions using a fully coupled ocean–atmosphere model.j .爬.21, 84-93(2008)。
Tang Y.等。ENSO预报与可预测性研究进展。国家的科学。牧师.5, 826-839(2018)。
Chen, D., Cane, M. A., Kaplan, A., Zebiak, S. E. & Huang, D. El Niño过去148年的可预测性。自然428, 733-736(2004)。
高春,张仁华。大气风和夹带水温(Te)在2010-12 La事件第二年降温中的作用Niña。爬。直流发电机.48, 597-617(2017)。
Hu, S. & Fedorov, A. V. 2014年异常强烈的东风爆发,导致El Niño停滞。国家科学院学报美国113, 2005-2010(2016)。
Gebbie, G. & tzziperman, E. sst调制西风爆发的可预测性。j .爬.22, 3894-3909(2009)。
Izumo, T.等。T.印度洋偶极子状态对来年厄尔的影响Niño。Nat。Geosci.3., 168-172(2010)。
Park, J. H, Kug, J. S, Li, T. & Behera, S. K.预测El Niño超过1年的领先:西半球暖池的影响。科学。代表.8, 14957(2018)。
LeCun, Y., Bengio, Y. & Hinton, G.深度学习。自然521, 436-444(2015)。
Krizhevsky, A., Sutskever, I. & Hinton, g.e. Imagenet分类与深度卷积神经网络。神经导过程。系统.25, 1097-1105(2012)。
Oquab, M., Bottou, L., Laptev, I. & Sivic, J.使用卷积神经网络学习和转移中层图像表示。在IEEE计算机视觉与模式识别会议1717-1724 (ieee, 2014)。
Giese, B. S. & Ray . El Niño简单海洋数据同化(SODA)的变化,1871-2008。j .地球物理学。海洋》116,https://doi.org/10.1029/2010JC006695(2011)。
贝伦格,H., Guilyardi, É。,Leloup, J., Lengaigne, M. & Vialard, J. ENSO representation in climate models: from CMIP3 to CMIP5.爬。直流发电机.42, 1999-2018(2014)。
Yosinski, J., Clune, J., Bengio, Y. & Lipson, H.深度神经网络中的特征是如何可转移的?神经导过程。系统.27, 3320-3328(2014)。
韦伯斯特,P. J. & Yang, S. Monsoon和ENSO:选择性交互系统。Q. J. R. meteol。Soc.118, 877-926(1992)。
Zhou, B., Khosla, A., Lapedriza, A., Oliva, A. & Torralba, A.学习用于判别定位的深度特征。在IEEE计算机视觉与模式识别会议2921-2929 (ieee, 2016)。
副热带大气变率和赤道地下热含量异常在引发ENSO事件发生中的联合作用。j .爬.20., 1593-1599(2007)。
Kug, J. S. & Kang, I. S. ENSO与印度洋的交互反馈。j .爬.19, 1784-1801(2006)。
是的,s.w.等人。El Niño在气候变化中。自然461, 511(2009)。
张震,任波,郑杰。一种同时表征两类ENSO的统一复指数。科学。代表.9, 8373(2019)。
皮莱,p.a.等。在气候预报系统版本2 (CFSv2)的回顾性预报中,两种El Niño的不同程度如何?爬。直流发电机.48, 3829-3854(2017)。
我们能分辨出多少种ENSO的味道?j .爬.26, 4816-4827(2013)。
韦伯斯特,摩尔,罗施尼格,j.p.,莱本,r.r.。1997 - 1998年印度洋海洋-大气耦合动力学。自然401, 356-360(1999)。
哈姆,杨,Kug, J. S. & Park, J. Y.大西洋海温在ENSO变化中的两个不同作用:北大热带大西洋海温和大西洋Niño。地球物理学。卷.40, 4012-4017(2013)。
Zeiler, m.d. & Fergus, R.可视化和理解卷积网络。在欧元。计算机视觉会议818-833(施普林格,2014)
Reichstein等人。数据驱动的地球系统科学的深度学习和过程理解。自然566, 195-204(2019)。
亨特,J. D. Matplotlib:一个2D图形环境。第一版。科学。英格.9, 90-95(2007)。
古德费罗,我,本吉奥,Y,考维尔,A. &本吉奥,Y。深度学习(麻省理工学院出版社,2016)。
刘,J. H.和Kang, i.s.理论检验的多模型复合季节预测。地球物理学。卷.32, l18707(2005)。
Kalchbrenner, N, Grefenstette, E. & Blunsom, P.用于建模句子的卷积神经网络。在第52节。见面。计算语言学协会655-665(计算语言学协会,2014)。
吴安,谢文伟,唐博。热带太平洋海面温度的神经网络预报。神经.19, 145-154(2006)。
薛勇。NCEP全球海洋数据同化系统的评价:太平洋。在第八章。大气、海洋和陆地表面的综合观测和同化系统(医疗辅助队第84届年会)(医疗辅助队,2004)。
Dee, D. P.等。era -中期再分析:数据同化系统的配置和性能。Q. J. R. meteol。Soc.137, 553-597(2011)。
克尔特曼,b.p.等。北美多模式集合:第一阶段季节-年际预测第二阶段,开发季节内预测。公牛。点。Meteorol。Soc.95, 585-601(2014)。
罗,j j。,Liu, G., Hendon, H., Alves, O. & Yamagata, T. Inter-basin sources for two-year predictability of the multi-year La Niña event in 2010–2012.科学。代表.7, 2276(2017)。
确认
本研究由韩国气象局研究与发展计划(KMI2018-03214)资助。y - g.h.由教育部资助的韩国国家研究基金(NRF)基础科学研究计划(NRF- 2016r1a6a1a03012647)支持。J.-J.L.由NUIST的“人才引进创业基金会”资助。我们非常感谢W. Merryfield提供的评论,以及T. Doi提供的部分用于验证的SINTEX-F后验数据。
作者信息
作者及隶属关系
贡献
y.g.h.和j.h.k.设计了实验并进行了分析。y.g.h.写了大部分手稿。j.h.k.和y.g.h.进行CNN后抛实验。J.-J.L.进行了SINTEX-F后置实验并报告了结果。所有作者对研究结果进行了讨论,并进行了审稿。
相应的作者
道德声明
相互竞争的利益
作者声明没有利益竞争。
额外的信息
出版商的注意:施普林格自然对出版的地图和机构从属关系中的管辖权主张保持中立。
扩展的数据图形和表格
图1 CNN模型与前馈神经网络模型ENSO相关技能比较
一个,在CNN模型(红色)和前馈神经网络模型(蓝色)中,三个月移动平均Nino3.4指数的全季节相关技能是预测的前几个月的函数。验证期为1984年至2017年。b,c, CNN模型中Nino3.4指数针对每个日历月的相关技能(b)和前馈神经网络模型(c).孵化突出了相关技能超过0.5的预测。
扩展数据图2 CMIP5数据集和迁移学习对CNN模型技能的提升。
一个不同CMIP5样本数量下,Nino3.4指数全季相关技能领先18个月。红色区域表示可用观测样本的数量。我们注意到,迁移学习没有应用于一系列敏感性测试(即训练期间的观察没有用于建立CNN模型)。b,在有和没有迁移学习的情况下,Nino3.4全季节相关技能作为预报前几个月的函数。不带迁移学习的CNN模型是将所有的CMIP5和训练期间(即1871 - 1973年)的观测样本放在一个训练周期内建立的。因此,没有迁移学习的CNN模型的样本数量与有迁移学习的CNN模型的样本数量完全相同。
图3气候指数时间序列。
一个- - - - - -d, SON季节IOD指数(50-70°E, 10°S - 10°N区域平均海表温度与90-110°E, 15°-0°S区域平均海表温度之差)的时间序列(一个)、JFM季节印度洋全海盆变暖指数(区域平均海温在40-110°E, 15°S-10°N) (b)、MJJ季节西半球暖池指数(东经60-105°,北纬10-35°区域平均海温)(c),以及太平洋经向模态(PMM)指数(在西纬175°E-95°,北纬21°S-32°(使用海温和10米风)的首个最大协方差分析(MCA)主成分)(d).1997/98 El Niño事件之前的值在数值为正值时用红色星号表示,在数值为负值时用蓝色星号表示。
扩展数据图4 1997/98年厄尔Niño事件的时间演变。
海温(底纹)和850 hpa风矢量(矢量)在:一个, MJJ 1996;b,麻生1996;c, NDJ 1996;而且d, fma 1997。全局地图在Matplotlib中生成31.
扩展数据图5 El Niño事件的区域平均热图值。
一个,b, ep型El Niño事件的区域平均热图(一个)和cp型El Niño事件(b)在五个大洋域(即南太平洋、赤道太平洋、北太平洋、印度洋和赤道大西洋)的所有El Niño事件中。这些区域被定义为:南太平洋,[160°E-60°W, 57.5°-17.5°S];赤道太平洋,[120°E-80°W, 17.5°S-22.5°N];北太平洋[120°E-100°W, 22.5-62.5°N];印度洋[40°-120°E, 37.5°S-22.5°N];赤道大西洋[60°-0°W, 17.5°S-22.5°N]。水平虚线表示五个海洋盆地所显示的El Niño事件热图值的一个标准偏差。我们注意到,只有在CNN中正确预测类型的El Niño事件的热图被分析。
补充信息
补充数据
该文件包含补充图1-4。
权利和权限
关于本文
引用本文
火腿,YG。,Kim, JH. & Luo, JJ. Deep learning for multi-year ENSO forecasts.自然573, 568-572(2019)。https://doi.org/10.1038/s41586-019-1559-7
收到了:
接受:
发表:
发行日期:
DOI:https://doi.org/10.1038/s41586-019-1559-7
这篇文章被引用
一个实用的阿尔茨海默病分类器,通过基于脑成像的深度学习对85,721个样本进行分类
大数据杂志(2022)
多任务机器学习改进了印度洋偶极子的多季节预测
自然通讯(2022)
利用可变形卷积神经网络和全球时空气候数据预测大规模环流体系
科学报告(2022)
El Niño-Southern涛动和太平洋年代际涛动的季节-年代际预测
气候与大气科学(2022)
具有注意机制的El Niño预测的时空神经网络
科学报告(2022)