近日，中国科学院海洋研究所张荣华研究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，研究结果发表在 Advances in Atmospheric Sciences 上。 

　　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发生、发展对世界各地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。半个多世纪的 ENSO研究已取得了重大成果，特别是对其提前月-季节尺度的实时预测成为可能，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。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我们对ENSO的预测能力，但神经网络模型存在着可解释性差、计算复杂度高等问题。另外，目前关于人工智能改进ENSO预测等这方面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包括像ENSO这些现象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进一步提高 ENSO预测技巧是气候变化领域的热点问题。 

　　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Nino 3.4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Klaus Hasselmann于1988年所提出，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。 

　　由此，可利用POP方法提取的特征周期性振荡模态来构建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。进一步，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。如下图所示，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Nino 3.4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模式和CNN-LSTM模型更好的ENSO预测性能。 

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）且大幅改善春季预报障碍问题。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）问题。这些初步研究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。 

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

　　该研究由中国科学院海洋研究所博士研究生周路、张荣华研究员（通讯作者）共同完成。研究得到中国科学院战略性先导科技专项和国家自然科学基金等项目的联合资助。 

文章链接： 

http://www.iapjournals.ac.cn/aas/en/article/doi/10.1007/s00376-021-1368-4 

本文来源：中国科学院海洋研究所