深度学习揭示过去和未来的大气阻塞事件
作者：by Marcie Grabowski, University of Hawaii at Manoa
大气阻塞事件是持久且具有高影响的天气模式，当大规模高压系统停滞不动时，会改变急流和风暴路径数天至数周，并可能导致创纪录的洪水或热浪，例如2023年在欧洲的情况。
近期的学习发表于通信地球与环境夏威夷大学马诺阿分校的大气科学家克里斯蒂娜·卡兰佩里多使用深度学习模型推断了过去1000年间阻塞事件的频率，并揭示了未来气候变化可能如何影响这些重要现象。
“本研究旨在利用深度学习模型从古气候记录中提取古天气信号，该模型通过地表温度推断大气阻塞频率，”Karamperidou说。“这是一项独特的研究，也是首次尝试根据地表温度与大气阻塞频率之间的关系重建长时间的大气阻塞频率记录，这种关系复杂且未知。对于此类任务而言，机器学习方法可以非常强大。”
训练深度学习模型
卡拉姆佩里多乌开发了一个专门的深度学习模型，并用以下数据训练了该模型：历史数据并且通过对气候模型模拟的大规模集合。该模型随后能够从过去千年中季节性温度重建的异常值中推断出阻塞事件的发生频率。这些过去的温度重建相对而言受到广泛的树木年轮记录网络的良好约束，这些年轮记录对温度敏感。温度在生长季节期间。
“这种方法表明，深度学习模型是克服从古气候中提取古天气这一长期存在的问题的强大工具，”卡拉姆佩罗多说道。“此外，这种方法还可以用于自18世纪开始有规律的气象测量以来的气候历史仪器时期，因为我们只能从20世纪40年代或可能仅限于卫星时代（1979年后）可靠的数据中识别出阻塞情况。”
未来阻塞事件的频率
还没有科学共识关于气候变化将如何改变阻塞事件的频率。这些强烈的、持久的中纬度高压系统可以对夏威夷产生重大影响，在那里持续的北太平洋阻塞伴随着洪水，而且在全球范围内也有影响，例如在太平洋西北部和欧洲，夏季的阻塞可能会带来极端热浪。
所以理解变化在频率这些事件，特别是与气候相关的其他主要因素如厄尔尼诺现象以及热带太平洋长期的海表温度变化模式的关系，对夏威夷非常重要。这项研究使Karamperidou能够将中高纬度地区的阻塞频率与热带太平洋在过去一千年中的气候变化联系起来，这对于气候模型验证和缩小未来气候预测中关于阻塞不确定性范围至关重要。
开放研究和透明度
卡拉姆佩里多乌与两位夏威夷马诺阿大学的学生合作创建了一个独特的项目Web界面探索深度学习模型及其生成的重建结果。她强调以这种方式分享成果和方法对于开放研究来说非常重要。最佳实践透明性，特别是在机器学习和人工智能迅速应用于日常生活各个方面的情况下。
未来，Karamperidou计划探索一系列功能和架构改进的范围。深度学习模型以扩大其在与高经济社会影响直接相关的气候现象和变量方面的应用。
更多信息：克里斯蒂娜·卡兰佩里多娃，《通过深度学习重建过去千年大气阻塞来提取古天气》通信地球与环境 (2024). DOI: 10.1038/s43247-024-01687-y
引用深度学习揭示过去和未来的大气阻塞事件（2024年10月16日） 检索于2024年10月17日 从 https://phys.org/news/2024-10-deep-illuminates-future-atmospheric-blocking.html
本文件受版权保护。除个人研究或学习目的的合理使用外，未经书面许可不得以任何方式复制。内容仅用于提供信息之目的。
关于《深度学习揭示过去和未来的大气阻塞事件》的评论
暂无评论