Tsinghua mengusulkan UniCM untuk pemodelan seragam berbagai modus iklim, meningkatkan tingkat prediksi iklim

Penulis artikel, sumber: 36Kr

[Perkenalan] Tim Tsinghua mengusulkan model UniCM, yang mempelajari interaksi antar beberapa modus iklim melalui kerangka terpadu, membantu AI memahami hubungan kompleks dalam sistem iklim global. Terobosan ini tidak hanya meningkatkan akurasi dan ketepatan waktu prediksi iklim, tetapi juga menjadikan AI sebagai alat untuk mengeksplorasi mekanisme iklim, dengan nilai penting bagi bidang-bidang seperti pencegahan bencana dan pertanian.

Dalam konteks prediksi iklim, yang paling dikenal umum adalah El Niño (ENSO).

Namun, iklim global tidak ditentukan oleh satu fenomena iklim saja. Selain ENSO, beberapa mode iklim lainnya seperti Dipole Mode Indo-Pasifik (IOD), Mode Atlantik Utara Tropis (TNA), dan Mode Meridional Pasifik Utara (NPMM) secara bersamaan ada dan membentuk sistem global yang saling terkait dinamis melalui korelasi jarak jauh antar cekungan laut dan interaksi laut-atmosfer.

Dalam jangka panjang, sebagian besar metode prediksi berfokus pada satu mode iklim saja, atau hanya mempelajari hubungan antara beberapa mode, sehingga sulit menggambarkan proses interaksi nonlinier yang kompleks dalam sistem iklim global. UniCM, sebaliknya, memasukkan beberapa mode iklim kunci ke dalam kerangka terpadu yang sama untuk pemodelan, serta memandang sistem laut-atmosfer global sebagai keseluruhan yang saling berinteraksi.

Baru-baru ini, tim profesor Li Yong dari Departemen Teknik Elektronik, Universitas Tsinghua, menerbitkan makalah penelitian berjudul "Learning the coupled dynamics of global climate modes" di jurnal Nature Machine Intelligence, yang mengusulkan model prediksi terpadu untuk mode iklim global, UniCM (Unified Climate Model).

Tautan makalah: https://www.nature.com/articles/s42256-026-01245-5

Tim peneliti menemukan bahwa prediktabilitas sistem iklim tidak hanya berasal dari fenomena iklim tunggal, tetapi lebih dari hubungan koppel jangka panjang antara berbagai mode iklim. Dengan mempelajari dinamika koppel ini, UniCM melepaskan "prediktabilitas muncul" (Emergent Predictability) yang sulit dimanfaatkan oleh metode tradisional.

Penelitian ini melampaui pendekatan tradisional dalam prediksi iklim yang bersifat "moda tunggal dan prediksi terpisah", dan untuk pertama kalinya, dari perspektif sistem terkait global, mempelajari secara seragam hubungan dinamis kompleks antara berbagai moda iklim laut-atmosfer, memberikan paradigma penelitian baru untuk prediksi iklim jangka panjang, peringatan dini peristiwa iklim ekstrem, serta penemuan ilmu iklim yang didorong oleh AI.

Latar belakang penelitian

Dalam beberapa tahun terakhir, kecerdasan buatan mengalami perkembangan pesat di bidang prakiraan cuaca. Berbagai model AI telah mampu melakukan prediksi cuaca akurat dalam skala beberapa hari hingga beberapa minggu.

Namun, prediksi iklim berfokus pada masalah dalam skala waktu yang lebih panjang: bagaimana sistem iklim global akan berkembang dalam beberapa bulan, tahun, atau bahkan lebih lama ke depan? Wilayah mana yang berpotensi mengalami kekeringan, banjir, gelombang panas, dan peristiwa ekstrem lainnya? Pertanyaan-pertanyaan ini melibatkan interaksi lintas skala yang kompleks antara berbagai sistem laut dan atmosfer.

Metode saat ini sering memperlakukan mode iklim sebagai objek yang saling terpisah, sedangkan sistem iklim di dunia nyata merupakan jaringan kompleks yang sangat terkait. Bagaimana membuat AI tidak hanya "mampu memprediksi", tetapi juga membantu ilmuwan memahami hubungan keterkaitan jangka panjang antar mode tersebut, menjadi tantangan penting dalam bidang AI for Science.

Model Iklim Serba Satu dengan "Dua Perspektif"

Untuk menyelesaikan masalah ini, tim peneliti merancang arsitektur UniCM dua cabang.

Model mencakup dua modul inti:

1. Globalformer: Belajar evolusi medan fisik lokal

Globalformer menangani variabel fisik kunci seperti suhu permukaan laut (SST), stres angin, kedalaman termoklin, dan suhu lautan atas, serta mempelajari pola evolusi spasial-temporal sistem iklim dari medan iklim halus.

2. Modeformer: Belajar hubungan antara mode iklim

Modeformer berfokus pada tujuh mode iklim penting, yaitu ENSO, IOD, TNA, NPMM, SPMM, IOB, dan SIOD, serta mempelajari interaksi nonlinier dan proses evolusi bersama di antara mereka.

Lebih penting lagi, UniCM membangun mekanisme kopling dua arah: di satu sisi, medan fisik lokal menghasilkan mode iklim skala besar; di sisi lain, mode iklim yang terbentuk kembali memengaruhi evolusi masa depan medan fisik lokal. Tim peneliti menyebut mekanisme ini sebagai "mode-to-patch guidance", yaitu memanfaatkan keadaan iklim skala besar untuk membimbing prediksi lokal, menciptakan pemodelan tertutup yang bergerak dari lokal ke global, lalu kembali lagi dari global ke lokal.

ENSO dianggap sebagai salah satu mode iklim paling penting di dunia, sekaligus tugas paling menantang dalam bidang prediksi iklim jangka panjang.

Hasil penelitian menunjukkan bahwa dalam pengujian data observasi dari tahun 1980 hingga 2023, UniCM secara konsisten unggul dibandingkan berbagai model baseline representatif dalam jendela prediksi 24 bulan. Model ini mampu memperpanjang periode prediksi efektif ENSO hingga 19 bulan, sedangkan model canggih sebelumnya biasanya hanya mampu mencapai sekitar 15 hingga 16 bulan.

Sementara itu, UniCM juga menunjukkan keunggulan nyata dalam mengatasi masalah "hambatan prediktabilitas musim semi" yang telah lama mengganggu bidang prediksi iklim. Model ini tetap mempertahankan tingkat akurasi prediksi yang tinggi saat melewati musim semi di belahan bumi utara, memperpanjang kemampuan prediksi efektif hingga sekitar 14 bulan.

Selain itu, UniCM berhasil mereproduksi peristiwa El Niño super tahun 1997–1998 serta peristiwa "triple La Niña" berturut-turut selama tiga tahun dari 2020–2023, dengan akurat menangkap proses terjadinya, perkembangan, dan peluruhan peristiwa ekstrem historis ini.

UniCM tidak hanya ahli dalam memprediksi ENSO, tetapi juga dapat memprediksi tujuh jenis mode iklim penting secara bersamaan dalam kerangka yang sama, termasuk ENSO, IOD, IOB, SIOD, SPMM, NPMM, dan TNA.

Hasil menunjukkan bahwa model ini memiliki kemampuan prediksi yang lebih unggul dibandingkan metode representatif saat ini pada berbagai mode iklim. Secara khusus, untuk sebagian mode non-ENSO yang sulit diprediksi, peningkatan rata-rata teknik prediksi melebihi 22%; periode prediksi efektif untuk IOD mencapai sekitar 7 bulan.

Lebih penting lagi, UniCM mampu merekonstruksi dengan akurat hubungan keterlambatan yang benar-benar ada antara berbagai mode iklim. Sebagai contoh, ia berhasil mereproduksi hubungan fisik di mana NPMM memimpin ENSO sekitar 4 bulan, serta struktur kopling antara beberapa mode iklim lintas cekungan samudra.

Ini menunjukkan bahwa model yang dipelajari bukan sekadar korelasi statistik sederhana, tetapi mekanisme koppel fisik yang benar-benar ada dalam sistem iklim global.

Selain kemampuan prediksi, UniCM juga memiliki interpretabilitas yang kuat.

Tim peneliti menemukan melalui analisis mekanisme perhatian internal model bahwa sebelum peristiwa ENSO besar terjadi, model secara otomatis fokus pada wilayah dan hubungan mode kunci yang memiliki makna fisik.

Sebagai contoh, sebelum peristiwa El Niño super tahun 1997, model mengidentifikasi peran penting NPMM sebagai indikator awal; dalam sebagian peristiwa iklim kompleks, TNA ditemukan mungkin memainkan peran kunci sebagai pusat. Temuan terkait sangat konsisten dengan hasil penelitian fisika iklim yang sudah ada.

Ini berarti UniCM tidak hanya dapat memprediksi keadaan iklim masa depan, tetapi juga membantu para ilmuwan menemukan mekanisme potensial dan mengajukan hipotesis ilmiah baru, sehingga menjadi alat bantu penting dalam penelitian ilmu iklim.

Aplikasi dan prospek pengembangan masa depan

Dalam konteks perubahan iklim global, pentingnya prediksi iklim jangka panjang semakin menonjol. Prediksi iklim yang lebih akurat dan berjangka waktu lebih panjang akan secara langsung mendukung bidang-bidang seperti pertanian, manajemen sumber daya air, pengaturan energi, pengembangan perikanan, serta pencegahan dan pengurangan bencana.

Tim peneliti percaya bahwa UniCM tidak hanya mewujudkan model prediksi iklim baru, tetapi juga pemikiran pemodelan terpadu untuk sistem kompleks. Di masa depan, kerangka ini berpotensi diperluas ke penelitian osilasi intra-musim, perubahan iklim dekadal, dan evolusi mode iklim dalam konteks pemanasan global, serta lebih lanjut diterapkan pada sistem kompleks lain yang memiliki karakteristik keterkaitan timbal balik antara proses lokal dan struktur keseluruhan.

Dari "memprediksi cuaca" hingga "memahami iklim", lalu "menemukan pola", UniCM menunjukkan kemungkinan baru kecerdasan buatan dalam ilmu sistem Bumi: informasi prediksi yang benar-benar penting mungkin tidak tersembunyi dalam satu indikator iklim, tetapi ada dalam hubungan koppel yang terus berkembang dari seluruh sistem iklim.

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