Sieć neuronowa wykorzystująca tzw. deep learning była w stanie dokładnie przewidzieć wystąpienie zjawiska El Niño z wyprzedzeniem wynoszącym 18 miesięcy.
Oscylacje południowe występujące w związku z El Niño to okres, w którym woda ogrzewa się do temperatur przekraczających średnie w tropikalnych częściach Pacyfiku. Kiedy ta ciepła woda przesuwa się na wschód, powoduje zwiększenie ilości opadów deszczu i innych zdarzeń pogodowych, takich jak huragany w obu Amerykach oraz ograniczenie opadów w Australii i Indonezji. Obecne modele mogą dokładnie przewidzieć takie zjawiska z rocznym wyprzedzeniem, wykorzystując dane z mierników temperatury wody rozrzuconych po całym świecie.
Czytaj też: Badania rzucają nowe światło na antarktyczną kontrolę globalnego klimatu
Naukowcy chcieliby jednak mieć tego typu informacje wcześniej, ponieważ mogą one mieć duży wpływ na obszary, w których zmienia się pogoda. Wiedza o suszy w Indonezji może na przykład pomóc rządzącym na przygotowanie kraju do klęski głodu. Aby poprawić efektywność pomiarów naukowcy zastosowali inne podejście do przewidywania El Niño i użyli sieci neuronowej zamiast konwencjonalnych modeli prognozowania pogody.
W tym celu wyszkolili swój system, wykorzystując dane zebrane ze stacji pogodowych w latach 1871–1973. Dane z takich źródeł obejmowały różne pomiary, takie jak temperatura na morzu i średnia zawartość ciepła w oceanie. Autorzy przeszkolili oprogramowanie również w zakresie trzystu El Niño, które miały miejsce w latach 1961–2005. Po nauczeniu systemu rozpoznawania warunków, które doprowadziły do tych zmian, przetestowano go na podstawie danych z lat 1984–2017. System okazał się bardziej dokładny niż obecne modele pogodowe, poprawnie identyfikując 24 z 34 zdarzeń, w porównaniu z tylko 20 takimi samymi zdarzeniami zidentyfikowanymi przez konwencjonalne modele. Co ważne, SI była w stanie zrobić to 18 miesięcy wcześniej.
[Źródło: phys.org; grafika: NASA]
Czytaj też: Jaka będzie rola drzew w walce ze zmianami klimatu?
