從加利福尼亞的湖泊排水干旱到中國的斷橋洪水，極端天氣正在造成嚴重破壞。然而，在不斷變化的氣候中為極端天氣做準備仍然是一個挑戰(zhàn)，因為它們的原因很復雜，而且它們對全球變暖的反應往往不是很清楚?，F(xiàn)在，斯坦福大學的研究人員開發(fā)了一種機器學習工具來識別中西部極端降水事件的條件，這些事件占美國所有主要洪水災害的一半以上。他們的方法發(fā)表在《地球物理研究快報》上，是使用人工智能分析極端事件長期變化原因的首批例子之一，有助于使此類事件的預測更加準確。“我們知道洪水越來越嚴重，”該研究的主要作者弗朗西斯達文波特說，他是斯坦福大學地球、能源與環(huán)境科學學院(斯坦福地球)地球系統(tǒng)科學的博士生。“我們的目標是了解極端降水量增加的原因，進而可以更好地預測未來的洪水。”
除其他影響外，全球變暖預計會通過創(chuàng)造可以保持更多水分的溫暖大氣來推動更大的降雨和降雪?？茖W家們假設氣候變化也可能以其他方式影響降水，例如改變風暴發(fā)生的時間和地點。然而，揭示這些影響仍然很困難，部分原因是全球氣候模型不一定具有空間分辨率來模擬這些區(qū)域性極端事件。
“這種利用機器學習技術的新方法為我們了解極端變化的根本原因開辟了新途徑，”該研究的合著者、地球、能源與環(huán)境科學學院的 Kara J 基金會教授Noah Diffenbaugh說。“這可以使社區(qū)和決策者更好地為高影響事件做好準備，例如那些極端到我們歷史經(jīng)驗之外的事件。”
Davenport 和 Diffenbaugh 專注于密西西比河上游流域和密蘇里流域東部。近幾十年來，這個高度易受洪水侵襲的地區(qū)跨越九個州的部??分地區(qū)，出現(xiàn)了極端降水日和大洪水變得更加頻繁。研究人員首先使用公開可用的氣候數(shù)據(jù)來計算該地區(qū)從 1981 年到 2019 年的極端降水日數(shù)。然后他們訓練了一種機器學習算法，該算法旨在分析圖像等網(wǎng)格數(shù)據(jù)，以識別大規(guī)模大氣環(huán)流模式與極端降水有關(高于 95%)。
“我們使用的算法正確識別了 90% 以上的極端降水日，這高于我們測試的傳統(tǒng)統(tǒng)計方法的性能，”達文波特說。
訓練有素的機器學習算法表明，近期中西部極端降水增加的原因有多種。在 21 世紀，導致極端中西部降水的大氣壓力模式變得更加頻繁，以每年大約一天的速度增加，盡管研究人員指出，隨著時間的推移，回到 1980 年代，這些變化要弱得多.
然而，研究人員發(fā)現(xiàn)，當這些大氣壓模式確實發(fā)生時，由此產(chǎn)生的降水量明顯增加。因此，與過去相比，在這些條件下的日子現(xiàn)在更有可能出現(xiàn)極端降水。Davenport 和 Diffenbaugh 還發(fā)現(xiàn)，這些天降水強度的增加與從墨西哥灣到中西部的大氣水分增加有關，從而為該地區(qū)帶來了強降雨所需的水。
標簽： 斯坦福大學
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！