Inilah ng Tsinghua ang UniCM para sa isang统一建模 ng maraming klimatikong modalidad, upang mapabuti ang antas ng paghuhula ng klima

May-akda ng artikulo, pinagkukunan: 36Kr

[Paunawa] Ipinakilala ng team ng Tsinghua ang UniCM model, na gumagamit ng isang magkakaisang framework upang matutunan ang interaksyon ng iba’t ibang klimatikong mode, upang tulungan ang AI na mas maunawaan ang kumplikadong ugnayan ng global na klima. Ang pagbubukas na ito ay hindi lamang pinabuti ang akurasyon at kahusayan ng pagbubuod ng klima, kundi ginawa ring kasangkapan ng AI ang pag-aaral ng mga mekanismo ng klima, na may mahalagang halaga sa pagpigil sa sakuna, agrikultura, at iba pang larangan.

Kapag tinutukoy ang pagbibilang ng klima, ang pinakakilala sa mga tao ay ang El Niño (ENSO).

Gayunpaman, ang pandaigdigang klima ay hindi matukoy ng isang panlabas na klimatiko. Bukod sa ENSO, maraming iba pang klimatiko na mode tulad ng Indian Ocean Dipole (IOD), Tropical North Atlantic Mode (TNA), at North Pacific Meridional Mode (NPMM) na nagkakaroon nang sabay at bumubuo ng isang dinamikong kouplad na pandaigdigang sistema sa pamamagitan ng interbasin teleconnection at ocean-atmosphere interaction.

Ang matagal nang pangunahing mga paraan ng paghuhula ay nakatuon sa isang solong klimatikong mode, o nag-aaral lamang ng ugnayan sa pagitan ng ilang mode, at mahirap ilarawan ang mga kumplikadong nonlinear na interaksyon sa loob ng pandaigdigang klimatikong sistema. Ang UniCM ay kinabibilangan ng maraming mahahalagang klimatikong mode sa isang iisang magkakaugnay na framework, at itinuturing ang pandaigdigang oseano-atmospera bilang isang magkakaugnay na kabuuan.

Kamakalawian, ang pangkat ni Propesor Li Yong mula sa Kagawaran ng Elektronikong Inhinyeriya ng Tsinghua University ay nagpahayag ng pananaliksik na may pamagat na “Learning the coupled dynamics of global climate modes” sa Nature Machine Intelligence, kung saan itinataguyod nila ang isang isangpamantayang modelo para sa pagbibilang ng mga global climate mode na tinatawag na UniCM (Unified Climate Model).

Link ng papel: https://www.nature.com/articles/s42256-026-01245-5

Nakakita ang pananaliksik na ang pagkakakilanlan ng klima ay hindi lamang nagmumula sa sariling mga klimatikong pangyayari, kundi higit sa lahat sa matagal nang pagkakakabit sa pagitan ng maraming klimatikong mode. Sa pamamagitan ng pag-aaral ng mga kouplad na dinamika na ito, inilabas ng UniCM ang "emergent predictability" na mahirap gamitin ng tradisyonal na paraan.

Nagtagumpay ang pag-aaral na lumabas sa tradisyonal na pananaw ng pagbibilang ng panahon na “isang modalidad, hiwalay na pagbibilang” sa pamamagitan ng pag-aaral mula sa pananaw ng global na coupled system, kung saan pinag-aaralan nang isang buo ang mga kumplikadong dinamikong ugnayan sa pagitan ng mga maraming ocean-atmospheric climate modes, na nagbibigay ng bagong paraan sa pagbibilang ng matagalang panahon, pagbabala sa mga ekstremong klimatikong pangyayari, at paghahanap ng mga natuklasan sa klimatolohiya na dinudulot ng AI.

Background ng pag-aaral

Sa mga nakaraang taon, ang artificial intelligence ay nakamit ang mabilis na pag-unlad sa larangan ng pagbubuod ng panahon. Maraming AI models ay nakakapagbigay na ng mataas na akurasye sa pagbubuod ng panahon sa loob ng ilang araw hanggang sa ilang linggo.

Gayunpaman, ang pagtataya ng klima ay nakatuon sa mas mahabang panahon: paano magiging evolusyon ng global na klima system sa mga susunod na buwan, taon, o higit pa? Saan mga rehiyon maaaring makaranas ng tagtuyot, baha, heatwave, at iba pang ekstremong pangyayari? Ang mga tanong na ito ay nagsasangkot ng mga komplikadong interaksyon sa pagitan ng maraming ocean at atmospheric systems.

Ang mga umiiral na paraan ay kadalasang tumitingin sa mga klimatikong mode bilang magkakahiwalay na mga bagay, habang ang tunay na mundo ay isang mataas na kouplad na kumplikadong network. Paano papahintulutan ng AI ang mga siyentipiko na maunawaan ang mga matagalang kouplad na ugnayan sa pagitan ng mga mode, hindi lang ang pagpapahalaga nito—isang mahalagang hamon sa larangan ng AI for Science.

"Double Perspective" Unified Climate Model

Upang lutasin ang problema na ito, nilikha ng team ng mga siyentipiko ang UniCM dual-branch architecture.

Ang modelo ay naglalaman ng dalawang pangunahing module:

1. Globalformer: Matututo ng pag-unlad ng lokal na field ng pisika

Ang Globalformer ay nagdedeal sa mga mahahalagang pisikal na baryable tulad ng temperatura sa ibabaw ng dagat (SST), stress ng hangin, lalim ng thermocline, at temperatura sa upper ocean, at natututo ng mga panahon at espasyal na evolusyon ng klima mula sa mga detalyadong climate field.

2. Modeformer: Matututo ng ugnayan sa pagitan ng mga klimatikong mode

Ang Modeformer ay nakatuon sa pitong mahahalagang klimatikong mode—ENSO, IOD, TNA, NPMM, SPMM, IOB, at SIOD—at natututo sa kanilang nonlinear na interaksyon at kasabay na evolusyon.

Mas mahalaga pa, ang UniCM ay nagtatag ng mekanismo ng bidirectional coupling: sa isang aspeto, ang lokal na pisikal na field ay nagpapalikas ng malawak na klimatikong mode; sa kabilang panig, ang nabuo na klimatikong mode ay bumabalik na nakakaapekto sa hinaharap na pag-unlad ng lokal na pisikal na field. Ang pananaliksik na team ay tinawag ang mekanismong ito bilang “mode-to-patch guidance”, o ang paggamit ng malawak na klimatikong estado upang gabayan ang lokal na pagbibilang, upang maisagawa ang isang saradong pagmomodelo mula sa lokal patungo sa kabuuan, at mula sa kabuuan patungo sa lokal.

Ang ENSO ay itinuturing na isa sa pinakamahalagang klimatikong mode sa buong mundo, at isa rin sa pinakamahirap na gawain sa larangan ng mahabang panahong pagbibilang ng klima.

Ang mga resulta ng pag-aaral ay nagpapakita na, sa pagsusuri ng mga datos mula 1980 hanggang 2023, patuloy na mas mahusay ang UniCM kaysa sa iba’t ibang representatibong base model sa 24-buwan na window ng paghuhula. Ang modelong ito ay nakakapagpalawig ng epektibong panahon ng paghuhula ng ENSO hanggang 19 buwan, habang ang mga dating advanced na model ay karaniwang nakakamit lamang ng 15 hanggang 16 buwan.

Sambil ito, ipinakikita rin ng UniCM ang malaking kahusayan sa problema ng “Spring Predictability Barrier” na matagal nang nagpapahirap sa larangan ng pagbibilang ng klima. Ang modelo ay patuloy na nagpananatili ng mataas na kahusayan sa pagbibilang habang dumadaan sa tag-init sa Hilagang Hemisperyo, at pinapalawig ang epektibong kakayahan sa pagbibilang hanggang sa halos 14 buwan.

Bukod dito, nakapagreplica ang UniCM ng super El Niño event noong 1997–1998 at ang patuloy na tatlong taong “triple La Niña” event noong 2020–2023, at tama itong nakuha ang pagkakaganap, pag-unlad, at pagkabagsak ng mga historical extreme event na ito.

Ang UniCM ay hindi lamang mahusay sa paghuhula ng ENSO, kundi maaari rin itong maghula nang sabay-sabay sa pitong uri ng mahalagang klimatikong mode, kabilang ang ENSO, IOD, IOB, SIOD, SPMM, NPMM, at TNA.

Ang mga resulta ay nagpapakita na ang modelo ay may mas magandang kakayahang mag-predict sa maraming klimatikong mode kumpara sa mga umiiral na representatibong paraan. Sa partikular, ang pagtaas ng average prediction skill ay higit sa 22% para sa ilang mahirap ipredict na non-ENSO modes; ang epektibong panahon ng pagpapahayag para sa IOD ay umabot sa halos 7 buwan.

Mas mahalaga pa, ang UniCM ay makakapag-rekonstruksyon nang tama ng mga totoong lagging na korelasyon sa pagitan ng iba't ibang klimatikong mode. Halimbawa, nakamit nito ang pagpapakita muli ng pisikal na ugnayan kung saan ang NPMM ay nangunguna sa ENSO ng humigit-kumulang 4 buwan, pati na rin ang mga coupled structure sa pagitan ng maraming klimatikong mode sa iba't ibang ocean basin.

Ito ay nagpapakita na ang natutunan ng modelo ay hindi simpleng statistikal na korelasyon, kundi tunay na physical coupling mechanisms na umiiral sa global climate system.

Bukod sa kakayahan sa paghuhula, mayroon din ang UniCM na malakas na interpretabilidad.

Nakakita ang panel ng pag-aaral na sa pamamagitan ng pagsusuri sa mekanismo ng atensyon sa loob ng modelo, ito ay awtomatikong nakafokus sa mga mahalagang rehiyon at mahalagang relasyon ng mode na may pisikal na kahulugan bago magaganap ang malalaking ENSO event.

Halimbawa, bago ang super El Niño event noong 1997, nakikilala ng modelo ang mahalagang papel ng NPMM; sa ilang mga kumplikadong klimatikong pangyayari, natuklasan na maaaring magpanatili ang TNA ng mahalagang papel bilang hub. Ang mga natuklasang ito ay mataas na sumasalamin sa mga umiiral na pag-aaral sa pisika ng klima.

Ibig sabihin ng UniCM na hindi lamang ito ay makapagpapahula ng hinaharap na kalagayan ng klima, kundi makakatulong din sa mga siyentipiko na makahanap ng potensyal na mekanismo at magpropone ng mga bagong siyentipikong hipotesis, gawing mahalagang kasangkapan sa pag-aaral ng klima.

Mga hinaharap na aplikasyon at pag-unlad

Sa ilalim ng global climate change, ang kahalagahan ng mahabang panahon na paghuhula ng klima ay patuloy na lumalala. Ang mas tumpak at mas mahabang panahon na paghuhula ng klima ay direktang maglilingkod sa agrikultura, pamamahala ng tubig, pagpaplano ng enerhiya, pag-unlad ng pangingisda, at pagpapababa ng panganib mula sa kalamidad.

Sa palagay ng panel ng mga siyentipiko, ang UniCM ay hindi lamang isang bagong modelo para sa paghuhula ng klima, kundi isang isangpamantayang pagmomodelo para sa mga komplikadong sistema. Sa hinaharap, inaasahan na maipapalawak ang framework na ito sa pag-aaral ng intraseasonal oscillations, interdecadal climate variability, at evolusyon ng climate modes sa ilalim ng global warming, at mas lalo pang maipapakilala sa iba pang mga komplikadong sistema na may karakteristikong bidirectional coupling ng "local processes—global structure".

Mula sa “paghuhula ng panahon” patungo sa “pag-unawa sa klima,” at pagkatapos ay “paghahanap ng mga pattern,” ipinakita ng UniCM ang mga bagong posibilidad ng artificial intelligence sa agham ng sistemang pahinga: ang tunay na mahalagang impormasyon sa paghuhula ay maaaring hindi nakatago sa isang tiyak na indikador ng klima, kundi nasa mga koupled na ugnayan ng buong sistema ng klima na patuloy na umuunlad.

Mga sanggunian: https://www.nature.com/articles/s42256-026-01245-5