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(shè)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(shù)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(guān)(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(guān)，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，與本網(wǎng)站立場無關(guān)。財經(jīng)信息僅供讀者參考，并不構(gòu)成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權(quán)請聯(lián)系刪除！