DOI: https://doi.org/10.1038/s41586-019-1559-7
Author: Yoo-Geun Ham1*, Jeong-Hwan Kim1 & Jing-Jia Luo2,3
Abstact(机翻): 厄尔尼诺/南方涛动（ENSO）的变化与一系列广泛的区域极端气候和生态系统影响有关1。因此，稳健的长周期预测对于管理政策响应非常有价值。但是，尽管经过数十年的努力，在一年以上的交付周期内预测ENSO事件仍然是一个问题2。在此，我们表明，采用深度学习方法的统计预测模型可以对长达一年半的交付周期进行熟练的ENSO预测。为了避免观测数据量有限，我们首先在历史模拟3上使用转移学习训练卷积神经网络（CNN），然后在1871年至1973年进行再分析。在1984年至2017年的验证期间，CNN模型的Nino3.4指数的全季节相关技巧远高于当前最先进的动态预测系统。CNN模型也能更好地预测海面温度的详细纬向分布，克服了动态预测模型的缺点。热图分析表明，CNN模型使用物理合理的前兆预测ENSO事件。因此，CNN模型是预测ENSO事件和分析其相关复杂机制的有力工具
这篇文章在2019年发表在《Nature》上，可谓是地学领域的神经网络的开山之作。之后便地学领域开始大范围的使用机器学习和深度学习。
此篇文章使用简单的卷积神经网络，将Nino3.4指数预报到了17个月的效果，是非常令人兴奋的。
而且，本文的亮点并不止于此。它还使用了神经网络常用的GAP算法，将神经网络的“注意力点”标注出来，为神经网络和机器学习应用于地学分析领域提供了新思路，而不是简单的像黑匣子一样使用神经网络。