Alle paar Jahre bestimmen Veränderungen im Zusammenspiel von Ozean und Atmosphäre entlang der Westküste – die sich von Südkalifornien bis Peru erstreckt und über den Pazifik fast bis nach Fidschi und den Salomonen reicht – die Klimavariabilität rund um den Globus. Um diese El Niño-Southern Oscillation (ENSO) besser vorhersagen zu können, hat ein internationales Forschungsteam mithilfe künstlicher Intelligenz (KI) ein Modell entwickelt, mit dem dieses Phänomen bis zu 22 Monate vorhergesagt werden kann.
Sie veröffentlichten ihren Ansatz am 17. Mai in Ozean-Land-Atmosphärenforschung.
„ENSO dominiert die jährliche Klimavariabilität der Erde und kann weltweit häufig schwerwiegende ökologische und sozioökonomische Auswirkungen haben“, sagte Erstautor Haoyu Wang, Doktorand am Key Laboratory of Ocean Circulation and Waves des Instituts für Ozeanologie der Chinesischen Akademie der Wissenschaften. „Trotz kontinuierlicher Fortschritte in der ENSO-Theorie und bei der Modellierung sind die Schwankungen der globalen Wärmesignaturen vor ENSO-Ereignissen jedoch nicht vollständig verstanden, insbesondere bei ENSO-Vorhersagen mit langer Vorlaufzeit, die mehr als 12 Monate im Voraus erfolgen.“
Diese äußere Vorhersage eines Jahres wird teilweise durch das begrenzt, was die Forscher als Frühlingspersistenzbarriere bezeichnen. Dabei beziehen sie sich auf die Variabilität der Frühlingssaison beim Übergang vom Frost des Winters zum Dampf des Sommers. Wenn sich die Temperaturen sowohl an der Meeresoberfläche als auch in der Atmosphäre ändern, werden die Daten unscharf und liefern einen verstümmelten Hinweis darauf, was von der ENSO zu erwarten ist.
„In diesem Artikel haben wir KI-Methoden verwendet, um das ENSO-Phänomen vorherzusagen. Dabei haben wir eine effektive Vorhersagedauer von 22 Monaten für Niño 3,4 und einen minimalen Einfluss von Frühjahrsvorhersagebarrieren erreicht“, sagte der korrespondierende Autor Xiaofeng Li, Professor am Key Laboratory of Ocean Circulation and Wellen. Niño 3.4 bezieht sich auf die Mitte des südlichen Pazifiks, auf halbem Weg zwischen den Außengrenzen des ENSO. Es ist einer von vier Niño-Indizes.
„Zusätzlich haben wir mit ENSO eine interpretierbare Methode entwickelt, um den Zusammenhang zwischen der globalen Meeresoberflächentemperatur und dem Wärmegehalt der Ozeane aus einer KI-Perspektive zu beobachten.“
Sie nannten ihren Ansatz das Spatio-Temporal Information Extraction and Fusion (STIEF)-Modell und trainierten ihn auf historischen Beobachtungen der Meeresoberflächentemperaturen und simulierten Daten zum Wärmeinhalt der Ozeane. Laut Li enthält es zwei Schlüsselkomponenten: die Fähigkeit, Raum- und Zeitmerkmale zu extrahieren und die Fähigkeit, diese Merkmale miteinander zu verschmelzen.
Das Deep-Learning-Modell extrahiert parallel die zeitlichen und räumlichen Meeresdateneigenschaften. Anschließend nutzt es das, was es aus diesen separaten Datenpunkten lernt, um zu verstehen, wie diese korrelieren, und zwar ausschließlich auf der Grundlage der Datenpunkte der unmittelbaren Vergangenheit. Dadurch kann das Modell die Gefahr vermeiden, anzunehmen, dass ein zukünftiger Datenpunkt das Ergebnis eines allmählichen Vorlaufs ist, der die sich schnell ändernden Änderungen der Federpersistenzbarrieren ausgleicht.
Laut Wang hat das Team das Modell auch so konzipiert, dass es rückwirkend versteht, wie es verschiedene Datenpunkte verarbeitet, um Vorhersagen zu treffen. Normalerweise ist die Verarbeitung zu kompliziert, um bestimmte Daten zu extrahieren und zu verfolgen, wie das Modell sie in seiner Prognose verwendet hat. Forscher werden als „Black-Box“-Problem bezeichnet und können die Eingabevariablen und die Ausgabeprognose sehen, aber der Prozess bleibt ein Rätsel.
„Wir haben einen interpretierbaren Ansatz entwickelt, um das ‚Black-Box‘-Problem in unserem KI-basierten ENSO-Vorhersagemodell zu lösen“, sagte Wang. „Dadurch können wir die Korrelationen zwischen verschiedenen Variablen aus der Perspektive der KI beobachten und so neue Erkenntnisse für unsere theoretische Forschung zu Ozeanvorhersagephänomenen gewinnen.“
Die Forscher sagten, sie planen, ihr Modell weiter zu verbessern und es schließlich auf alle vier Niño-Indizes anzuwenden, um die ENSO-Vielfalt zu untersuchen. Das letztendliche Ziel besteht darin, ein interpretierbares KI-Modell zu etablieren, das auf die Vorhersage verschiedener Meeresphänomene anwendbar ist.
Mehr Informationen:
Haoyu Wang et al., Ein interpretierbares Deep-Learning-Modell für die ENSO-Prognose, Ozean-Land-Atmosphärenforschung (2023). DOI: 10.34133/olar.0012
Bereitgestellt von Ocean-Land-Atmosphere Research (OLAR)