Using deep learning to predict the East Asian summer monsoon
有人说科研很苦，有人却说科研很酷，希望在这里能让你感受到不一样的科研
ps:以下内容为个人观点，如有雷同，不胜荣幸，如有错误，欢迎指出
东亚夏季风作为亚洲季风的重要组成部分对东亚地区人民的生产生活有重要影响。关于东亚夏季风的预测一直是个难题，前人研究指出东亚夏季风的前期预测因子主要为海温、积雪、感热以及如南半球环状模、北极涛动等大气内部变率，并且不同因子之间还可能存在耦合作用。传统的预测模型主要为统计模型或是基于动力模式的预测模型；统计模型一般只能同时考虑少数几个预测因子，并且预测结果存在一定资料局限性；动力模型优点在于可以同时输出多个物理量，但其计算成本高，预测技巧相对于基于动力模型结果的统计预测模型来说较低。深度学习在天气气候中的逐渐应用为预测带来了新思路，因其为数据驱动的统计模型，因此只要在有充足样本的前提下，就可以取得极佳的预测结果，得益于CMIP等数据的公开，我们可以使用多模式数据弥补数据量不足这一缺陷，本文主要用CMIP6和再分析数据驱动深度学习模型以对东亚夏季风进行预测
热力图分析。为了提高深度学习方法的可解释性，热力图（类激活图）方法可以提供高预测技巧区域的位置，以识别哪一位置的何种模态或是热量异常对东亚夏季风的预测技巧最高。利用春季感热（HFSS）和表面温度（TS）作为预测因子进行预测并输出热力图。可以看到其主要信号位于热带太平洋和大西洋区域，主要体现该处海温对随后东亚夏季风的高预测技巧，在中高纬也不乏显著信号，主要体现的是如PDO、AMO等年代际信号的影响，在极地地区的显著信号与理论研究中的AO和AAO关键区也是重合的，侧面说明热力图分析结果的确与理论研究结果相吻合。
图1 东亚夏季风指数合成热力图；春季HFSS和TS预测随夏季风；填色表示通过90%显著性检验
多模式结果比较。通过利用现有的八个动力预测模型的结果与深度学习预测的结果进行比较，可以体现出深度学习的高预测技巧，并且由于深度学习算法的训练一次只需要几小时，相对于有多个集合成员的动力预测模型来说，计算成本更加低。
更长时间的预测。若提前一年预测东亚夏季风，深度学习的预测技巧（相关系数）也可以通过95%的显著性检验，根据现有季节到年际预测动力模型的结果，深度学习预测也是要好于其他动力模型的预测（利用JFM初始场预测随后夏季风，预测技巧略低于CanSIPv2）。进一步解释这种高预测技巧的来源，我们选定1998年东亚夏季风作为范例，分析发现提前一年的高预测技巧主要来自赤道中东太平洋的信号，这可能是因为深度学习捕捉到了ENSO循环，因而可以提供超前一年的高预测技巧。
Tang Y, Duan A. Using deep learning to predict the East Asian summer monsoon[J]. Environmental Research Letters, 2021.
点击阅读原文查看更多
