近日，我校气候与应用前沿研究院（ICAR）罗京佳教授团队在国际著名期刊《Nature Communications》上发表题为“Multi-task Machine Learning Improves Multi-Seasonal Prediction of the Indian Ocean Dipole”的研究论文。
印度洋偶极子（IOD）是一种重要的气候信号，其特征是热带印度洋东西部海温和降水异常具有明显的东西向差异。IOD事件可以通过大气遥相关对世界许多地区的气候和环境产生重大影响，特别是在亚洲、非洲和澳大利亚。虽然在过去的几十年里人们不断改进气候预测系统和统计方法来提高IOD预测水平，但目前有效的预测技巧大多在3-5个月。
随着人工智能在大气-海洋领域应用研究的不断发展，大量的人工智能模型被提出用于气候预测，大多数模型仅关注某个现象的预测，属于单任务模型。然而，气候是一个整体系统，需要考虑不同现象之间的相互作用。因此罗京佳教授团队提出基于深度学习方法的多任务学习模型（MTL-NET），利用多任务框架来考虑ENSO与IOD之间的相互作用，提升IOD的预测能力。
1983年-2019年IOD事件的回报结果（图1）表明，MTL-NET与14个世界一流的气候预测系统（包括7个国家的实时业务预测系统）相比，无论是相关系数还是均方根误差技巧都具有较大的优势，在提前7个月甚至更长时间内优于绝大多数动力预测模式，提前12个月的预测技巧接近0.5，实现了对IOD的多季节预测。同时，MTL-NET中的注意力机制可以挖掘出正负偶极子在各个预测时效上的不同关键前兆信号区域（图2），帮助加深对IOD可预测性及其机理的认识。此外， 根据MTL-NET 给出的2022年11月1日起报的未来12个月的实时预测结果（图3），预计明年夏季印度洋正偶极子现象会发生。
深度学习方法不仅可以提升我国的气候预测能力，还可以与地球大数据相结合，加深对地球系统中复杂气候变化的理解。同时，人工智能方法在天气-气候预测中的广泛应用将有助于防灾减灾，为实现碳中和目标提供有力的技术支持。
该研究得到了国家重点研发计划（2020YFA0608000）和国家自然科学基金（42030605）的支持。南京信息工程大学博士研究生零丰华为该论文共同第一作者，南京信息工程大学气候与应用前沿研究院罗京佳教授为共同一作及通讯作者，合作作者包括李悦博士、唐韬博士、上海浦江实验室白磊博士、悉尼大学欧阳万里教授及日本海洋研究开发机构Toshio Yamagata教授。
图1多任务AI模型与14个动力模式预测系统对秋季印度洋偶极子指数的预测技巧对比。AI模型预测技巧超过了绝大多数目前最先进的气候预测系统，并可实现多季节尺度的预测。
图2 根据通道注意力机制，多任务AI模型挖掘出来的提前12个月预测印度洋正、负偶极子事件的不同前兆信号关键区。
图3 多任务AI模型给出的未来12个月印度洋偶极子指数的实时预测结果。
文章信息：
Ling, F., Luo, J-J., Li, Y. et al. Multi-task machine learning improves multi-seasonal prediction of the Indian Ocean Dipole. Nature Communications13, 7681 (2022). https://doi.org/10.1038/s41467-022-35412-0.
