深度學習挑戰長期天氣預報難題，最早提前一年半預測厄爾尼諾

中韓研究人員在最新一期《自然》雜誌撰文稱，他們利用深度學習方法，搭建了一個針對厄爾尼諾的統計預測模型，最早可在一年半前對該現象做出預測，突破了以往長時期預測的難題。

厄爾尼諾主要指太平洋東部和中部熱帶海洋的海水溫度異常持續變暖的現象。其可能造成極端氣候和生態系統破壞，例如發生暴雨洪澇、山洪地質災害、颱風、高溫熱浪、乾旱、強對流天氣以及城市內澇等等。

由於傳統天氣預報很難對一年後的情況做出準確預測，厄爾尼諾的長期預測一直是個難題。

上述研究中，Yoo-Geun Ham等三位研究人員開發了一個深度學習模型用以預測厄爾尼諾事件。通常，深度學習模型需要大量訓練資料，而預測所需的全球海洋溫度分佈情況觀測資料最早只能追溯到1871年。這意味著，以一個日曆月為樣本單元，研究人員可用的樣本數量少於150個，難以滿足模型訓練要求。

為了規避有限觀測資料的影響，研究人員使用了遷移學習的方法。

他們首先在歷史模擬資料上訓練卷積神經網路，再遷移至1871年至1973年的氣候資料上訓練，最終在1984年至2017年的氣候資料中進行測試。

研究人員在論文中表示，與當前所使用的預測方法相比，他們演算法模型能更準確且更早地預測厄爾尼諾事件，最早可提前一年半。

與此同時，研究人員稱該模型可以預測厄爾尼諾事件是否起源於太平洋中部或東部，並識別厄爾尼諾發生前海面溫度的變化。

根據國家標準《厄爾尼諾/拉尼娜事件判別方法》（GB/T33666-2017），1950年以來總共發生了19次厄爾尼諾事件，其中8次弱厄爾尼諾事件，11次中等強度及以上厄爾尼諾事件。

厄爾尼諾成因主要來自兩方面，一是自然因素，赤道信風、地球自轉、地熱運動等都可能與其有關；二是人為因素，例如，人類活動加劇氣候變暖，也是形成厄爾尼諾的可能原因之一。