文 | 王安忆
气候，是影响全球经济、农业生产、粮食供应的重要因素。
据统计，全球每年重大灾害造成的直接经济损失可达数千亿美元，准确预测气候，是防灾减灾的关键前提。
现在，在AI的帮助下，人类对气候预测的准确率实现了新突破！
4月22日，阿里达摩院联合南京信息工程大学、国家气候中心、国家海洋环境预报中心等机构共同举办的AI气候预测大赛产出多个突破性成果。
在预测厄尔尼诺-南方涛动现象时，全球13支团队研发的AI算法，取得了比《Nature》论文模型更优的性能，挖掘出了AI在气候预测领域的新算法。
厄尔尼诺-南方涛动现象，是地球上最强、最显著的年际气候信号，可引发洪涝、干旱、高温、雪灾等极端天气。
98洪灾、08雪灾、澳大利亚丛林大火、美国得州雪灾等极端天气事件都与该现象息息相关。
目前，国际气象行业主要应用动力模式进行气候预测，无法实现精细化的预测，而AI技术的应用，不仅可以更高效地预测厄尔尼诺-南方涛动现象，还可将预测周期延长至2年。
ENSO现象扰乱全球气候
厄尔尼诺-南方涛动（ENSO）现象，是一种海洋-大气系统的周期性变化，也是地球气候系统中最强烈的年际波动现象，会对全球范围内的气候、环境和社会经济造成极大影响。
ENSO，是厄尔尼诺（El Niño）和南方涛动（Southern Oscillation）的首字母缩写。
厄尔尼诺，是指赤道东太平洋每两到七年（平均每四年）异常变暖的现象，具体范围是从南美海岸到国际日期变更线。
南方涛动，则是指东热带太平洋和西热带太平洋之间大气质量的相互运动，常用指数是塔希提岛和澳大利亚达尔文两地的标准化气压差，周期也是四年左右。
南方涛动与赤道东太平洋海面温度密切相关。
在厄尔尼诺年，当海面温度达到最高时，南方涛动指数为负极值。
ENSO现象如何扰乱全球气候？
作为ENSO研究领域的先驱和权威专家，哥伦比亚大学教授马克·卡恩曾做过一番生动的解释：
你可以把大气想象成一个热机，动力主要来自温度最高的热带地区，那里会形成积云对流热塔，从地面10千米高度往上一直延伸到对流层顶部。
这些热塔通过大气发出热浪，直接影响着全球天气和气候。
热塔浓度最高的地方，在“海洋大陆”（位于印度洋和太平洋之间的区域）的上空，以及邻近的西太平洋热带地区和东印度洋，这里是全球海洋中最温暖的水域。
当ENSO暖事件（厄尔尼诺现象）发生时，太平洋里的温水向东扩散，强对流也随之移动，这一运动改变了雨带，尤其会影响亚洲、南亚、北美和非洲萨赫勒地区的雨季，而作为海洋大陆中心的印度尼西亚和澳大利亚，降雨量反而会大幅减少。
发生在1997-1998年的强厄尔尼诺事件，就引发了全球多地区气候异常：墨西哥连续遭到4个强飓风袭击；秘鲁、厄瓜多尔沿海地区和东非遭遇了灾难性洪水；秘鲁、玻利维亚、巴西东北部、印度尼西亚、新几内亚、澳大利亚和南非却发生了严重旱灾。
印度尼西亚、澳大利亚农作物大面积减产，印尼加里曼丹的森林大火，导致整个东南亚地区浓烟滚滚，新加坡、马来西亚和印度尼西亚的机场都被迫关闭，航班瘫痪。
而当ENSO处于冷位相（拉尼娜事件），也就是赤道东太平洋的水温低于平均水平时，则会产生相反的影响。
自去年8月到今年1月，拉尼娜现象已达到峰值，影响全球多地：美洲干旱和山火，东南亚南亚严重洪灾，农作物减产导致价格攀升……
我国天气和气候同样受到ENSO现象严重干扰。
比如1998年，南方持续阴雨，夏季，长江中下游及华南部分地区连续暴雨和特大暴雨，长江发生全流域性特大洪水，嫩江、松花江流域发生百年不遇特大洪水。
这次的洪涝灾害，全国受灾面积达3亿多亩，损失达2500亿元人民币，罪魁祸首正是厄尔尼诺现象。
拉尼娜事件则会导致冬季我国大部气温易偏低，如2000年的拉尼娜事件，导致2000至2001年冬季东北、华北地区气温明显偏低；2007年至2008年拉尼娜事件，导致2008年初南方出现大范围低温雨雪冰冻……
AI提升ENSO预测准确度
全球变暖背景下，ENSO现象引发的干旱和洪水都可能更加严重，要做好防灾减灾工作，关键在于预测ENSO现象，提前做好准备。
然而，正如量子力学奠基人之一玻尔所说：“预测任何东西都是极其困难的，尤其是关于未来。”
我们要预测一项事物，关键先要解释事物是如何变化。
从19世纪末开始，气象学家就致力于研究反常季风与南方涛动之间的联系，后来，又进一步发现了厄尔尼诺和南方涛动之间的经验性关系，一点点将厄尔尼诺和南方涛动统一在一个海洋-大气系统中。
上世纪80年代，马克·卡恩等人尝试将前人的观测结果、经验思想转化成方程，然后再转化成数值模型，最终建立起第一个动态ENSO预测模型，成功回报预测了历史上的多次厄尔尼诺事件。
1986年，马克·卡恩等人的动态ENSO预测模型发布在《Nature》上，并在成功预测1991-1992年的厄尔尼诺事件后渐渐被业界接受，直到现在，已成为ENSO预测的基准。
但是，马克·卡恩也承认，目前的ENSO预测模型，还远远没有达到ENSO可预测性的极限，还有很大的改进空间。
这是因为气候是一个混沌的动态系统，所谓混沌，也就是人们熟知的“蝴蝶效应”，在大气运动中，任何初始值的微小偏差，都会导致最终推算结果的巨变。
而在观测数据十分有限的情况下，ENSO预测模型势必存在偏差。
近几年，业界开始从传统动力系统预测，逐步转向探索AI算法预测。
2019年9月，南京信息工程大学罗京佳教授和韩国全南大学共同在《Nature》发表了一项研究，论文名为“Deep learning for multi-year ENSO forecasts”。
这项研究用到了卷积神经网络（CNN），在全球历史海平面温度和深海温度图像上训练神经网络，学习这些图像与ENSO的对应关系。
最终，AI算法模型首次将ENSO预测准确度提高到了80%，且预测时效为18月。
此前，在相同预测时效下，国家气象局及相关研究机构的准确度均不超过75%。
这项研究论文，也被视为深度学习在气象预测领域的开山之作。
未来2年大概率没有拉尼娜现象
80%，还不是ENSO可预测性的极限，因为罗京佳教授发表在《Nature》上的论文所使用的卷积神经网络，是一个相对成熟的算法，而非最先进的算法。
对一年 12 个月每月的厄尔尼诺类型进行预测，绿色阴影表示的是 CNN 预测正确的结果
最近几年，随着高性能深度学习算法越来越多，AI算法模型预测精度有望进一步提高。
今年2月，阿里达摩院与南京信息工程大学、国家气候中心、国家海洋环境预报中心等机构联合举办了AI气候预测大赛，探索对ENSO进行长达2年的年际预测，挖掘AI新算法，这也是全国第一次AI气候预测大型比赛。
本次大赛共吸引到海内外2849支队伍参赛，通过预测Nino3.4区（西经170度-西经120度、北纬5度-南纬5度）海域的海水温度，来进一步预测ENSO异常气象。
最终，这次大赛取得了突破性成果。
来自西安交通大学的的swg-lhl团队夺得大赛冠军，共有13支队伍研发的AI算法模型成绩，超越了2019年《Nature》论文模型的39.2分，意味着比原模型取得了更长周期、精准度更高的ENSO预测结果。
从设置题目到出任评委，罗京佳教授深度参与了本次大赛。
他表示，这次大赛中的一些模型甚至让他感到惊艳，而未来随着人工智能在数据、算法方面不断精进，AI在气候预测领域的应用还有更大想象空间。
世界气象组织（WMO）秘书长佩蒂瑞·塔拉斯也为本次大赛发来祝贺，“人工智能已成为地球预警系统和多灾害预警服务的基本方法，其创新及应用是WMO及成员实现可持续发展目标、解决未来科学问题的最重要领域之一。”
根据参赛团队AI算法预测，未来2年，大概率不会出现拉尼娜现象，也就是说，AI给出的预测是，今年汛期长江以南地区的汛情大概率不会像去年一样凶猛，同时冬天极冷区域也会进一步缩小。
本次大赛涌现的AI新算法，也将用于国家气候中心、国家海洋环境预报中心等业务机构，为未来极端天气提供预警信息。
