马登-朱利安振荡(MJO)是一种影响热带地区天气的降雨和风力的波动气候模式。其在夏季的行为比在冬季更难以预测，从而给农业和气候防备带来了至关重要的预测难题。
上月发表于《npj气候与大气科学》的一项研究应用机器学习(ML)和可解释的人工智能(XAI)来确定夏季MJO可预测性的关键控制因素，重点关注了从印度洋向东北传播的独特模式如何受到可降水量和地表温度的影响。
通过基于XAI的敏感度实验研究印度洋东部可降水量和地表温度对夏季MJO传播的影响。（Shin et al.《npj气候与大气科学》2024）
作者们旨在对北半球夏季MJO可预测性的来源进行基于机器学习（ML）的系统评估。为此，他们采用了https://doi.org/10.1038/s41612-023-00561-6建立的框架，该框架开发了一个冬季MJO预测模型，并且基于ML和XAI方法研究了冬季MJO可预测性的来源。他们采用了一种预训练方法，利用出自通用地球系统模型版本2(CESM2)的长期模拟，其比之前版本1(CESM1)提高了模拟夏季MJO的能力。
随后，他们使用观测数据对ML模型进行微调，通过迁移学习纠正CESM2模拟中的模型偏差。因此，他们基于ML的夏季MJO预测模型可以利用丰富的CEMS2模拟并利用观测数据进行微调，从而有效地捕捉夏季MJO的属性。在完成基于ML的模型之后，他们不仅想要仔细研究夏季MJO可预测性的来源，并且意在使用基于XAI的简单直观的实验来研究主要来源对于夏季MJO传播特征的作用。
该研究使用观测数据进行迁移学习后得出的夏季MJO卷积神经网络（CNN）的性能和基于XAI方法的夏季MJO来源调查。（Shin et al.《npj气候与大气科学》2024）
作者们基于ML的夏季MJO预测模型在24天左右的预测前置时间显示出0.5的相关性技能。通过利用可解释的人工智能，他们发现可降水量和地表温度是夏季MJO可预测性的最具影响力的来源。通过基于XAI的敏感度实验，他们特别确定了印度洋东部和北部区域的可降水量和地表温度对夏季MJO传播特征的作用。“这些结果表明，基于机器学习的方法对于确定可预测性的来源及其在气候现象中的作用是有用的，”作者们写道。
作者们指出，如果他们使用长期数据，则还有进一步改进的空间，因为长期数据比CESM2更好地模拟了观测到的夏季MJO特征。此外，进一步优化夏季MJO的输入变量和模型结构的组合可能会增强其预测技能。
作者们补充指出，为了增强模型学习随时间变化的能力，可以采用长短期记忆和变换器模型等深度学习技术。这些方法利用以前的信息来促进学习，从而提高了捕捉复杂演化的准确性。
（文/牛静美）
【参考来源：】
Shin et al.《对北半球夏季MJO可预测性的数据驱动的调查》《npj气候与大气科学》2024（开放获取）
https://doi.org/10.1038/s41612-024-00799-8
https://www.researchgate.net/publication/384995197_Data-driven_investigation_on_the_boreal_summer_MJO_predictability
