人工智能解开极端天气之谜

从加利福尼亚的湖泊排水干旱到的断桥洪水，极端天气正在造成严重破坏。然而，在不断变化的气候中为极端天气做准备仍然是一个挑战，因为它们的原因很复杂，而且它们对全球变暖的反应往往不是很清楚。现在，斯坦福大学的研究人员开发了一种机器学习工具来识别中西部极端降水事件的条件，这些事件占所有主要洪水灾害的一半以上。他们的方法发表在Geophysical Research Letters 上，是使用 AI 分析极端事件长期变化原因的首批示例之一，可以帮助更准确地预测此类事件。

“我们知道洪水越来越严重，”该研究的主要作者、博士生弗朗西斯·达文波特 (Frances Davenport) 说。斯坦福大学地球、能源与环境科学学院(斯坦福地球)地球系统科学专业的学生。“我们的目标是了解极端降水量增加的原因，进而可以更好地预测未来的洪水。”

除其他影响外，全球变暖预计会通过创造一个可以容纳更多水分的温暖大气来推动更大的降雨和降雪。科学家们假设气候变化也可能以其他方式影响降水，例如改变风暴发生的时间和地点。然而，揭示这些影响仍然很困难，部分原因是全球气候模型不一定具有空间分辨率来模拟这些区域性极端事件。

“这种利用机器学习技术的新方法为我们了解极端变化的根本原因开辟了新途径，”该研究的合著者、地球、能源与环境科学学院的 Kara J 基金会教授 Noah Diffenbaugh 说。“这可以使社区和决策者更好地为高影响事件做好准备，例如那些极端到我们历史经验之外的事件。”

Davenport 和 Diffenbaugh 专注于密西西比河上游流域和密苏里流域东部。近几十年来，这个高度易受洪水侵袭的地区跨越九个州的部​​分地区，出现了极端降水日和大洪水变得更加频繁。研究人员首先使用公开可用的气候数据来计算该地区从 1981 年到 2019 年的极端降水日数。然后他们训练了一种机器学习算法，该算法旨在分析图像等网格数据，以识别大规模大气环流模式与极端降水有关(高于 95%)。

“我们使用的算法正确识别了 90% 以上的极端降水日，这高于我们测试的传统统计方法的性能，”达文波特说。

训练有素的机器学习算法表明，近期中西部极端降水增加的原因有多种。在 21 世纪，导致极端中西部降水的大气压力模式变得更加频繁，以每年大约一天的速度增加，尽管研究人员指出，随着时间的推移，回到 1980 年代，这些变化要弱得多.

然而，研究人员发现，当这些大气压模式确实发生时，由此产生的降水量明显增加。因此，与过去相比，在这些条件下的日子现在更有可能出现极端降水。Davenport 和 Diffenbaugh 还发现，这些天降水强度的增加与从墨西哥湾到中西部的大气水分增加有关，从而为该地区带来了强降雨所需的水。

研究人员希望扩展他们的方法来研究这些不同的因素将如何影响未来的极端降水。他们还设想重新部署该工具以关注其他地区和类型的极端事件，并分析不同的极端降水原因，例如天气锋或热带气旋。这些应用将有助于进一步解析气候变化与极端天气的系。

“虽然我们最初专注于中西部，但我们的方法可以应用于其他地区，并用于更广泛地了解极端事件的变化，”达文波特说。“这将有助于社会更好地为气候变化的影响做好准备。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！