导    读

中国科学院海洋研究所与美国Duke大学科研人员基于人工智能技术构建了可解释时空神经网络模型，并将其应用于厄尔尼诺-南方涛动（ENSO）预测研究，此模型对Niño3.4指数的有效预报长度可达22个月，并利用可解释性方法从人工智能的角度观察到了全球海洋中与厄尔尼诺现象相关的热信号的长期时空变化过程。相关成果近日发表在Science 合作期刊Ocean-Land-Atmosphere Research 上。

图1  图形摘要

近年来，人工智能技术在地球科学领域得到了广泛的应用。数据驱动的人工智能模型已经在很多任务中展现出卓越的性能，并超越了目前先进的动力模式和传统统计学方法，推动了地球科学的发展。目前，许多人工智能模型可以达到优秀的ENSO预测精度。但在此领域中仍存在两个突出的问题：如何克服春季预报障碍，以及如何解决人工智能模型的“黑箱”问题。

针对春季预报障碍的问题，研究团队基于卷积神经网络构建了时空特征提取模块与时空特征融合模块，并在充分考虑输入信息时空特征的基础上，极大地减少了春季预报障碍的影响。针对人工智能模型的“黑箱”问题，团队基于神经网络的反向传播梯度，构建了一个通用的人工智能模型可解释性方法，利用此方法成功观察到了全球海洋中与厄尔尼诺现象相关的热信号的长期时空变化过程。这一成果证明了海洋盆地间和对流层间的相互作用对于ENSO的预测至关重要。

图2  从该模型中提取的ENSO预测能力的来源：(A, C, E) 预报提前期为3，6，9个月时，SST的ENSO可预报性来源的分布；(B, D, F) 预报提前期为3，6，9个月时，T300的ENSO可预报性来源的分布；(G, I) Hovmoller图显示10°S~10°N之间平均SST, T300的ENSO预测源的区域传播；(H, J) Hovmoller图显示SST, T300的ENSO预测源在所有经度上的经向传播。

总结与展望

该研究创新性地提出了一个可解释的深度学习模型，用于ENSO预报。它极大地减少了春季预报障碍的影响，可以有效地对ENSO进行22个月的长周期预测，明显优于典型的动态模型和其他最近开发的基于深度学习的模型。利用模型的可解释性，成功跟踪了ENSO预测性的来源。研究结果表明，海洋盆地间和对流层间的相互作用对ENSO的预报至关重要。这一点已被我们的敏感性预报实验所证实。该模型具有广泛的适用性，对输入输出数据进行修改便可方便地应用于其他海洋现象的预报。这对研究可解释的通用的人工智能海洋学模型有着重要意义。

原文链接：

https://doi.org/10.34133/olar.0012

文章标题：

An Interpretable Deep Learning ENSO Forecasting Model

文章作者：

Haoyu Wang, Shineng Hu and Xiaofeng Li

文章摘要：

The El Niño-Southern Oscillation (ENSO) dominates Earth’s year-to-year climate variability and can often cause severe environmental and socioeconomic impacts globally. However, despite continuous ENSO theory and modeling advances, the global heat signature variations preceding ENSO events have not been fully understood, especially for long-lead ENSO forecasts more than 12 months in advance. Here, we develop an interpretable, deep learning (DL)-based ENSO forecast model that uses artificial intelligence to discover the long-term spatial and temporal processes of heat signatures associated with ENSO in the global ocean. More specifically, our results highlight the critical roles of ocean interbasin interactions and tropic–extratropic interactions in ENSO forecasts and are confirmed by our sensitivity forecasting experiments. The model has good forecast performance, with an effective ENSO forecast length of 22 months on the test set (1982 to 2020) and minimal influence from the spring predictability barrier (SPB). Moreover, our experimentally validated model performance does not degrade much even with using sea surface temperature (SST) alone, which has direct implications for operational forecasts since globally complete ocean subsurface measurements are not always available.

文章引用：

Wang H, Hu S, Li X. An Interpretable Deep Learning ENSO Forecasting Model. Ocean-Land-Atmos. Res. 2023;2:Article 0012. DOI:10.34133/olar.0012

OLAR 期刊简介

Ocean-Land-Atmosphere Research (OLAR) 由南方海洋实验室和美国科学促进会合作出版，入选2022年度中国科技期刊卓越行动计划高起点新刊项目。期刊以“服务科学研究，推动技术创新”为办刊宗旨，坚持发表高质量、高水平论文，力争成为具有较大影响力的国际一流学术期刊。本刊以海洋相关学科为重点，刊稿主题包括但不限于：海陆气相互作用、海洋碳中和、物理海洋学、海洋生物与生态、海洋地质与地球物理、化学海洋学、海洋气象学、大气物理与大气环境、冰冻圈科学、河口海岸学、海洋工程与海洋技术、海洋资源开发与利用。OLAR 投稿系统目前已正式开放，热烈欢迎相关研究领域科学家踊跃投稿。分享卓见，探索前沿，OLAR 诚邀您一起荟萃科学发现，共享学术盛筵！

期刊官网：https://spj.science.org/journals/olar/

投稿系统：https://www.editorialmanager.com/olar/

扫码关注OLAR官方公众号