近日，我院气候与应用前沿研究院院长、国家特聘专家罗京佳教授与韩国全南国立大学Yoo-Geun Ham教授团队合作，在厄尔尼诺-南方涛动（ENSO）预测研究领域取得重要进展。研究成果以“Deep Learning for multi-year ENSO forecasts”为题于2019年9月19日发表在《Nature》期刊。Yoo-Gem Ham教授为文章第一作者，Jeong-Hwan Kim博士生、罗京佳教授分别为第二、第三作者。
ENSO这一强热带年际气候信号不仅经常引起全球范围气候的显著异常变化，还深刻影响我国气候，因此在短期气候预测中被视为重要的影响因素。尽管经过几十年的努力，提前一年以上进行ENSO事件预测仍是一个很大的挑战。Yoo-Geun Ham团队和罗京佳教授利用人工智能机器深度学习方法构建了卷积神经网络模型（CNN），该模型可以将ENSO预测时效提前到一年半，并达到80%左右的预测准确率。研究结果显示，在预测时效超过6个月时，CNN模型对Nino3.4指数的预测能力显著高于目前国际上最优秀的动力预测系统（包括现有的南信大预测系统），并且在预测时效为17个月时，对ENSO的相关系数预测技巧仍在0.5以上。同时CNN模型还能预测海表温度异常的不同空间分布，对不同厄尔尼诺类型（东太平洋型、中太平洋型、混合型）预测也有较高的正确率，弥补了目前动力预测系统的不足。
该研究利用人工智能机器深度学习的方法，不仅提高了ENSO的预测技巧，同时还充分证明了深度学习等方法在地球科学大数据上应用的可行性，为地球科学研究提供了新的思路与方法。
论文链接：https://doi.org/10.1038/s41586-019-1559-7
ENSO相关系数预测技巧各预测系统比较
厄尔尼诺类型在各预测系统中预测准确率比较直方图