Tsinghua mengusulkan UniCM untuk pemodelan seragam pelbagai mod cuaca, meningkatkan tahap ramalan cuaca

Penulis artikel, sumber: 36Kr

[Pengenalan] Pasukan Tsinghua mengusulkan model UniCM, yang mempelajari interaksi antara beberapa modus iklim melalui kerangka kerja seragam, membantu AI memahami hubungan kompleks dalam sistem iklim global. Terobosan ini tidak hanya meningkatkan ketepatan dan kecekapan ramalan iklim, tetapi juga menjadikan AI sebagai alat untuk menyelidiki mekanisme iklim, dengan nilai penting dalam bidang-bidang seperti pencegahan bencana dan pertanian.

Apabila disebut tentang ramalan iklim, orang biasanya paling mengenali El Niño (ENSO).

Namun, iklim global bukan ditentukan oleh satu fenomena iklim sahaja. Selain ENSO, beberapa modus iklim lain seperti Dipole Mode Indi (IOD), Modus Atlantik Utara Tropika (TNA), dan Modus Meridional Pasifik Utara (NPMM) wujud secara serentak dan membentuk sistem global yang dinamik dan terkait melalui hubungan jauh antar laut dan interaksi laut-atmosfer.

Dalam jangka panjang, kebanyakan kaedah ramalan berfokus pada satu mod cuaca sahaja, atau hanya mengkaji hubungan antara beberapa mod, sukar untuk menggambarkan proses interaksi bukan linear yang kompleks dalam sistem cuaca global. UniCM pula memasukkan pelbagai mod cuaca utama ke dalam satu kerangka seragam untuk pemodelan, serta menganggap sistem laut-udara global sebagai satu keseluruhan yang saling berinteraksi.

Baru-baru ini, pasukan Profesor Li Yong dari Jabatan Kejuruteraan Elektronik, Universiti Tsinghua, menerbitkan kertas penyelidikan berjudul “Learning the coupled dynamics of global climate modes” di《Nature Machine Intelligence》，mengusulkan model ramalan seragam mod iklim global, UniCM (Unified Climate Model).

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

Kumpulan penyelidik mendapati bahawa keterbolehjangkaan sistem iklim tidak hanya datang daripada fenomena iklim tunggal, tetapi lebih daripada hubungan keterkaitan jangka panjang antara berbagai mod iklim. Dengan mempelajari dinamik keterkaitan ini, UniCM melepaskan "keterbolehjangkaan timbul" (Emergent Predictability) yang sukar dimanfaatkan oleh kaedah tradisional.

Penyelidikan ini melanggar pendekatan tradisional ramalan iklim "satu modus, ramalan berasingan", dan untuk pertama kalinya, dari perspektif sistem terkait global, ia mempelajari secara seragam hubungan dinamik kompleks antara berbagai modus iklim laut-atmosfer, memberikan paradigma penyelidikan baharu untuk ramalan iklim jangka panjang, amaran peristiwa iklim ekstrem, dan penemuan sains iklim yang digerakkan oleh AI.

Latar belakang penyelidikan

Dalam beberapa tahun terakhir, kecerdasan buatan telah mencapai perkembangan pesat dalam bidang ramalan cuaca. Pelbagai model AI telah berjaya memberikan ramalan cuaca yang tepat dalam skala beberapa hari hingga beberapa minggu.

Namun, ramalan iklim berfokus pada isu-isu dalam skala masa yang lebih panjang: bagaimana sistem iklim global akan berkembang dalam beberapa bulan, tahun, atau lebih lama lagi? Wilayah-wilayah mana yang mungkin mengalami kekeringan, banjir, gelombang panas, dan peristiwa ekstrem lainnya? Masalah-masalah ini melibatkan interaksi lintas skala yang kompleks antara pelbagai sistem lautan dan atmosfer.

Kaedah semasa sering menganggap mod cuaca sebagai objek yang saling berasingan, manakala sistem cuaca dunia sebenar adalah rangkaian kompleks yang sangat terkait. Bagaimana AI tidak hanya «mampu meramal», tetapi juga membantu para saintis memahami hubungan terkait jangka panjang antara mod-mod ini, menjadi cabaran penting dalam bidang AI for Science.

Model Iklim Pandangan Ganda

Untuk menyelesaikan masalah ini, pasukan penyelidik telah merekabentuk arsitektur dua cabang UniCM.

Model mengandungi dua modul utama:

1. Globalformer: Belajar evolusi medan fizikal tempatan

Globalformer mengendalikan pemboleh ubah fizikal utama seperti suhu permukaan laut (SST), tegasan angin, kedalaman termoklin, dan suhu lautan atas, serta mempelajari pola evolusi ruang-masa sistem iklim daripada medan iklim halus.

2. Modeformer: Belajar hubungan antara modus iklim

Modeformer berfokus pada tujuh modus iklim penting seperti ENSO, IOD, TNA, NPMM, SPMM, IOB, dan SIOD, serta mempelajari interaksi non-linear dan proses evolusi bersama di antara keduanya.

Lebih penting lagi, UniCM membina mekanisme pasangan dwi arah: sebelah satu, medan fizikal tempatan menghasilkan mod iklim skala besar; sebelah lain, mod iklim yang terbentuk mempengaruhi evolusi masa depan medan fizikal tempatan. Pasukan penyelidik menyebut mekanisme ini sebagai "mode-to-patch guidance", iaitu menggunakan keadaan iklim skala besar untuk membimbing ramalan tempatan, mencapai pemodelan tertutup dari tempatan ke keseluruhan, kemudian dari keseluruhan semula ke tempatan.

ENSO dianggap sebagai salah satu modus iklim paling penting di dunia, serta tugas paling mencabar dalam bidang ramalan iklim jangka panjang.

Hasil penyelidikan menunjukkan bahawa, berdasarkan ujian data pengamatan dari tahun 1980 hingga 2023, UniCM secara konsisten melebihi pelbagai model asas perwakilan dalam jendela ramalan 24 bulan. Model ini mampu memperpanjang tempoh ramalan berkesan ENSO hingga 19 bulan, manakala model canggih sebelum ini biasanya hanya mampu mencapai sekitar 15 hingga 16 bulan.

Sementara itu, UniCM juga menunjukkan keunggulan yang jelas dalam mengatasi masalah "hambatan dapat diramalkan musim semi" yang telah lama mengganggu bidang ramalan iklim. Model ini tetap mempertahankan kecekapan ramalan yang tinggi semasa melalui musim semi belahan bumi utara, memanjangkan keupayaan ramalan yang berkesan hingga kira-kira 14 bulan.

Selain itu, UniCM berjaya meniru semula peristiwa El Niño super tahun 1997–1998 dan peristiwa "Triple La Niña" berturut-turut selama tiga tahun dari 2020–2023, dengan tepat menangkap proses berlaku, perkembangan, dan pelemahan peristiwa ekstrem sejarah ini.

UniCM tidak hanya mahir dalam meramal ENSO, tetapi juga mampu meramal tujuh jenis mod iklim penting secara serentak dalam kerangka yang sama, termasuk ENSO, IOD, IOB, SIOD, SPMM, NPMM, dan TNA.

Hasil menunjukkan bahawa model ini memiliki kemampuan ramalan yang lebih baik daripada kaedah perwakilan semasa dalam pelbagai mod iklim. Khususnya, untuk mod bukan ENSO yang sukar diramal, peningkatan kecekapan ramalan purata melebihi 22%; jangka masa awal ramalan yang berkesan untuk IOD mencapai sekitar 7 bulan.

Lebih penting lagi, UniCM mampu merekonstruksi dengan tepat hubungan lagging yang sebenarnya antara modus iklim yang berbeza. Sebagai contoh, ia berjaya menghasilkan semula hubungan fizikal di mana NPMM mendahului ENSO sekitar 4 bulan, serta struktur koppel antara beberapa modus iklim lintas laut.

Ini menunjukkan bahawa model yang dipelajari bukan sekadar korelasi statistik ringkas, tetapi mekanisme penggabungan fizikal yang benar-benar wujud dalam sistem iklim global.

Selain kemampuan ramalan, UniCM juga mempunyai kebolehjelasan yang tinggi.

Kumpulan penyelidik mendapati, melalui analisis mekanisme perhatian dalaman model, bahawa model akan secara automatik memfokuskan perhatian pada kawasan dan hubungan mod kunci yang bermakna fizikal sebelum peristiwa ENSO besar berlaku.

Sebagai contoh, sebelum peristiwa El Niño super pada tahun 1997, model mengenal pasti peranan penting NPMM sebagai pemimpin; dalam beberapa peristiwa iklim kompleks, TNA ditemui mungkin memainkan peranan pusat utama. Penemuan berkaitan selari dengan hasil kajian fizik iklim yang sedia ada.

Ini bermakna UniCM tidak hanya mampu meramalkan keadaan iklim masa depan, tetapi juga membantu para saintis menemui mekanisme berpotensi dan mengemukakan hipotesis saintifik baru, menjadikannya alat bantu penting dalam penyelidikan iklim.

Aplikasi dan prospek masa depan

Dalam konteks perubahan iklim global, kepentingan ramalan iklim jangka panjang semakin menonjol. Ramalan iklim yang lebih tepat dan berjangka lebih panjang akan secara langsung melayani bidang-bidang seperti pertanian, pengurusan sumber air, pengagihan tenaga, pembangunan perikanan, serta pencegahan dan pengurangan bencana.

Pasukan penyelidik percaya bahawa UniCM tidak hanya mewakili model ramalan iklim baru, tetapi juga pemikiran pemodelan seragam yang berorientasikan kepada sistem kompleks. Di masa depan, kerangka ini dijangka boleh diperluaskan kepada osilasi intra-musim, perubahan iklim dekad, dan evolusi mod iklim dalam konteks pemanasan global, serta seterusnya diaplikasikan kepada sistem kompleks lain yang memiliki ciri keterkaitan dua arah antara "proses tempatan—struktur keseluruhan".

Dari "memprediksi cuaca" ke "memahami iklim", dan seterusnya ke "mengenal pola", UniCM menunjukkan kemungkinan baharu kecerdasan buatan dalam sains sistem Bumi: maklumat ramalan yang benar-benar penting mungkin tidak tersembunyi dalam satu indikator iklim sahaja, tetapi terdapat dalam hubungan berpasangan yang terus berkembang dalam keseluruhan sistem iklim.

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