通过深度学习揭示全球变暖对每日降水量的影响

由全南国立大学的 Yoo-Geun Ham 教授和浦项科技大学 (POSTECH) 的 Seung-Ki Min 教授领导的国际合作研究小组发现了全球变暖对全球每日降水量的影响。他们利用深度学习方法，首次揭示了全球日降水量特征的显着变化。他们的研究成果于8月30日发表在著名学术期刊《自然》网络版上，标题为“深度学习揭示的每日降水中的人类指纹”。

研究团队设计了一种深度学习模型来量化全球变暖的强度与全球每日降水模式之间的关系。然后，他们将该模型应用于从卫星降水观测获得的数据。结果显示，自2015年以来，受人为引起的全球变暖的影响，日降水量模式有超过50%的时间明显偏离自然变化。

与主要关注月度或年度降水量长期趋势的传统研究不同，研究人员采用可解释的人工智能来证明每日降水量变化的变化在天气时间尺度上逐渐加剧。在这个天气时间尺度上的降雨量波动是全球变暖最明显的指标。该研究进一步证实，日降水量变化最明显的变化是在副热带东太平洋和中海拔风暴路径区域观察到的。

研究人员解释说，以前的气候变化检测研究中使用的传统线性统计方法在识别非线性反应(例如每日降水量的剧烈变化)方面存在局限性。然而，深度学习通过采用非线性激活函数克服了这些限制。此外，虽然之前的研究方法主要研究全球变暖导致的全球降水变化模式，但卷积深度学习在有效检测全球变暖导致的区域变化模式方面具有明显的优势。

Yoo-Geun Ham教授解释说：“每日降水变化的加剧意味着极端降水事件的频率增加，并且由于干旱期延长，夏季热浪的发生率更高。” Seung-Ki Min教授补充说：“鉴于全球变暖的持续轨迹，当极端降水和热浪的连续发生在未来可能会变得更加频繁时，必须制定对策。”

　　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！