长周期气候变异由于持续时间长、机制复杂，加之对其变化因素的理解仍然不足，至今难以实现有效预测。近日，中国科学院海洋研究所徐永生团队在利用人工智能提升太平洋十年涛动(PDO)预测能力方面取得突破性进展，相关研究成果发表于国际学术期刊Environmental Research Letters。

PDO是一种类似厄尔尼诺的长期存在的气候变异模式，对气候和生态系统有着广泛而深远的影响。PDO周期较长，约为 20 至 30 年。准确预测PDO能为决策者应对其影响提供重要的科学依据。然而，受限于其较长的周期和复杂的形成机制，PDO的预测仍面临巨大挑战。

徐永生团队提出了一种基于迁移学习增强的卷积神经网络（CNN）方法，以解决长期而复杂的气候变异预测问题，能够提前一年预测PDO事件。该方法首先使用CMIP6中1850年至1972年的历史模拟数据训练CNN，然后通过1854年至1972年的观测数据进一步训练模型，以确保其在新数据上的稳健表现。此外，团队针对数据量有限的问题，采用了k折交叉验证评估模型在不同数据集上的性能，从而增强了模型的可靠性。在1983年至2022年的测试阶段，采用迁移学习增强的CNN模型在预测年均PDO指数和PDO位相方面始终优于现有的动力学预报系统，同时在降低季节变化带来的不确定性方面表现出色，展示了优秀的预测性能。

用于预测 PDO 的 CNN 模型结构

(a) 基于迁移学习增强的 CNN 模式（蓝色）与来自不同动力学模型预报系统（其他颜色）的年均 PDO 指数和均方根误差（RMSE）在不同前导月的相关性和（b）均方根误差

人工智能在预测长周期气候变异时面临的主要挑战之一是历史数据不足，难以有效训练模型。为解决这一问题，徐永生团队创新性地采用了迁移学习增强的CNN方法来预测PDO，通过从预训练模型中提取已有知识并将其应用于新的相关任务，从而有效克服了数据不足的限制。通常，训练深度CNN模型需要大量标注数据以实现良好的泛化能力，但通过利用预训练网络，即便数据样本非常有限，仍能达到较高的准确性。本研究提出的方法创新性地利用模式数据中的动力学信息来弥补观测数据的不足，成功实现了对PDO的预测，为长周期气候变异的预测提供了一种新途径。

本文第一作者为徐永生研究员指导的博士生Nutta Skanupong，徐永生研究员为通讯作者。

文章信息：

Skanupong and Xu et al 2024 Environ. Res. Lett. 19 124022.

https://iopscience.iop.org/article/10.1088/1748-9326/ad8be2