深度学习挑战长期天气预报难题，最早提前一年半预测厄尔尼诺

中韩研究人员在最新一期《自然》杂志撰文称，他们利用深度学习方法，搭建了一个针对厄尔尼诺的统计预测模型，最早可在一年半前对该现象做出预测，突破了以往长时期预测的难题。

厄尔尼诺主要指太平洋东部和中部热带海洋的海水温度异常持续变暖的现象。其可能造成极端气候和生态系统破坏，例如发生暴雨洪涝、山洪地质灾害、台风、高温热浪、干旱、强对流天气以及城市内涝等等。

由于传统天气预报很难对一年后的情况做出准确预测，厄尔尼诺的长期预测一直是个难题。

上述研究中，Yoo-Geun Ham等三位研究人员开发了一个深度学习模型用以预测厄尔尼诺事件。通常，深度学习模型需要大量训练数据，而预测所需的全球海洋温度分布情况观测数据最早只能追溯到1871年。这意味着，以一个日历月为样本单元，研究人员可用的样本数量少于150个，难以满足模型训练要求。

为了规避有限观测数据的影响，研究人员使用了迁移学习的方法。

他们首先在历史模拟数据上训练卷积神经网络，再迁移至1871年至1973年的气候数据上训练，最终在1984年至2017年的气候数据中进行测试。

研究人员在论文中表示，与当前所使用的预测方法相比，他们算法模型能更准确且更早地预测厄尔尼诺事件，最早可提前一年半。

与此同时，研究人员称该模型可以预测厄尔尼诺事件是否起源于太平洋中部或东部，并识别厄尔尼诺发生前海面温度的变化。

根据国家标准《厄尔尼诺/拉尼娜事件判别方法》（GB/T33666-2017），1950年以来总共发生了19次厄尔尼诺事件，其中8次弱厄尔尼诺事件，11次中等强度及以上厄尔尼诺事件。

厄尔尼诺成因主要来自两方面，一是自然因素，赤道信风、地球自转、地热运动等都可能与其有关；二是人为因素，例如，人类活动加剧气候变暖，也是形成厄尔尼诺的可能原因之一。