在变幻莫测的气候舞台上，大西洋和本格拉厄尔尼诺事件堪称极具影响力的 “主角”。它们一旦登场，便会在热带大西洋地区掀起 “风暴”，深刻影响当地海洋生态系统，左右非洲气候，甚至还会与太平洋厄尔尼诺南方涛动（El Ni?o Southern Oscillation）产生互动。想象一下，海洋温度的异常变化，如同蝴蝶扇动翅膀，引发一系列连锁反应，使得沿海地区的氧气含量波动，鱼类栖息地改变，海洋资源的分布和数量也随之变化。不仅如此，这些事件还会跨越海洋，对遥远地区的气候产生影响。然而，长期以来，预测这些事件就像在迷雾中摸索。尽管科研人员付出诸多努力，当前最先进的动态预测系统却表现不佳，甚至难以超越简单的持续性预测（即根据历史数据的趋势进行预测），在预测 2021 年的超强事件时更是彻底 “翻车”。这让人们不禁怀疑，这些事件是否真的难以捉摸。实际上，热带大西洋的年际变化信号相对较弱，被更强的季节性循环 “掩盖”，同时，模型中存在的系统偏差以及复杂的海洋 - 大气相互作用，都增加了预测的难度。面对这一困境，研究人员急需找到新的突破口。为了攻克这一难题，研究人员开启了一场深度学习的探索之旅。他们期望借助深度学习强大的数据分析能力，挖掘隐藏在海量气候数据中的规律，从而实现对大西洋和本格拉厄尔尼诺事件的精准预测。研究人员开发了一种基于卷积神经网络（CNN）的模型。该模型以 1900 - 1991 年的 90 年再分析数据为 “学习资料” 进行训练，之后利用 1995 - 2016 年的海洋再分析系统 5（ORAS5）数据集来检验其预测能力，并与哥白尼气候变化服务（C3S）使用的八个最先进的季节性预测系统进行对比。

1. 评估预测能力：CNN 模型在预测大西洋 Ni?o 指数（ANi）和本格拉 Ni?o 指数（BNi）的变化方面成绩斐然。它能提前 4 个月预测 ANi，提前 3 个月预测 BNi，相关系数超过了持续性预测和统计显著性水平。例如，在预测初期，ANi 和 BNi 的相关系数分别高达 0.93 和 0.88，之后才逐渐下降。而且，CNN 模型在预测峰值季节事件时表现更为出色，在预测 ANi 时，6 - 7 月的预测技能在提前 5 个月时仍高于持续性预测且具有统计学意义；预测 BNi 时，3 - 4 月的预测效果最佳，部分月份的预测可提前至 11 个月。相比之下，C3S 的预测系统在预测大西洋 Ni?o 时，4 个月内的相关技能均未超过持续性预测，在预测本格拉变率方面表现更差。
2. 预测事件发生：研究人员进一步聚焦于预测本格拉 Ni?o / Ni?a 事件的实际发生情况。当 BNi 连续两个月超过 1 个标准差时，即判定为发生相应事件。CNN 模型在这方面展现出较高的准确性，其 F₁分数（综合衡量召回率和精确率的指标）在提前 1、2、3 个月预测时分别达到 0.72、0.56 和 0.43，优于持续性预测和 C3S 的动态预测系统。尤其在预测本格拉 Ni?a 事件时，CNN 模型的表现更为突出，这可能与本格拉 Ni?a 的次表层温度异常更易穿透表层、与赤道变率的关系更紧密有关。
3. 探寻事件前兆：深度学习不仅用于预测，还能帮助研究人员剖析气候极端事件的复杂机制。通过计算梯度敏感性（即热图），研究人员发现大西洋 Ni?o 事件的预测能力与 3 - 4 个月前的西风爆发和赤道热含量增加有关，这些信号通过行星赤道波动力学重新分布到赤道外区域。以 1996 年大西洋 Ni?o 事件为例，热图清晰显示了不同提前期关键区域的重要性。本格拉 Ni?o / Ni?a 事件的预测也与赤道波动力学密切相关，如 2021 年事件，热图揭示了不同提前期相关区域的变化，同时凸显了南大西洋高压系统对本格拉事件的重要驱动作用。
4. 预测 2021 年事件：研究人员以 2021 年大西洋和本格拉 Ni?o 事件为案例，利用基于观测的 ARMOR3D 数据集进行预测。CNN 模型成功提前 4 个月准确预测了赤道事件，对 ANi 的预测幅度与观测结果匹配良好；在预测本格拉变暖时，虽然对 6 - 7 月 BNi 的预测存在一定不足，但仍能提前 1 和 4 个月准确预测。而此前的动态预测系统则未能捕捉到 2021 年的这些事件。研究结果表明，CNN 模型在预测大西洋和本格拉 Ni?o 事件方面展现出强大的能力，能够提前 3 - 4 个月进行可靠预测，超越了传统的动态预测系统。这一成果打破了人们对热带大西洋不可预测的认知，为气候预测领域带来了新的希望。然而，研究也存在一些局限性。例如，模型的可解释性有待提高，目前难以完全理解其预测背后的机制；验证期相对较短，可能影响对模型稳健性的评估；模型结构相对简单，训练数据有限。未来研究可通过采用更复杂的神经网络架构、探索迁移学习技术、整合更多气候数据等方式进一步优化模型。总的来说，这项发表在《SCIENCE ADVANCES》上的研究，为大西洋和本格拉 Ni?o 事件的预测开辟了新道路，有望为相关地区的生态系统管理和气候服务提供有力支持，帮助人们更好地应对气候变化带来的挑战，在气候预测的征程中迈出了重要一步。在研究方法上，研究人员主要运用了以下关键技术：一是构建了类似 Ham 等人描述的 CNN 模型，通过设置特定的卷积层、池化层和全连接层，以及相应的超参数进行训练；二是使用多种再分析和观测数据集，如 CMCC 历史海洋再分析数据用于训练，ORAS5 数据用于评估，ARMOR3D 数据用于特定预测；三是采用多种评估指标，包括相关系数、均方根误差（RMSE）、F₁分数等，全面衡量模型的预测性能。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》