Eine neue Studie, die durch Mittel des Climate Program Office’s Modeling, Analysis, Predictions, and Projections (MAPP) Programms finanziert wird, verbessert die Vorhersagegenauigkeit des El Niño Southern Oscillation (ENSO) unter Verwendung von Deep-Learning-Techniken. Der Hauptautor Chibuike Ibebuchi, ein Postdoktorand an der Kent State University, arbeitet zusammen mit dem vom MAPP unterstützten Wissenschaftler Cameron Lee an einem Projekt zur Überwachung gefährlicher Temperaturbedingungen in Nordamerika. Die Forschung, veröffentlicht in Climate Dynamics, zeigt einen innovativen Ansatz, der zwei künstliche Intelligenzmethoden (Autoencoder-Neuronale Netzwerke und Long Short-Term Memory Deep-Learning-Modelle) kombiniert, um einen wichtigen ENSO-Indikator bis zu anderthalb Jahre im Voraus vorherzusagen. Die Methode erwies sich als fähig, extreme ENSO-Ereignisse mit etwa 85%iger Genauigkeit vorherzusagen, was uns hilft, uns auf extreme Wetterereignisse vorzubereiten.
Die Karte der Meeresoberflächentemperaturanomalie (hohe Temperaturen in Rot, niedrige Temperaturen in Blau) zeigt ein starkes El Niño-Ereignis im Jahr 2016. Die Daten stammen von der NOAA. Die Forscher konnten dank der Kombination von Autoencoder-Neuronalen Netzwerken und Long Short-Term Memory Deep-Learning-Modellen extreme ENSO-Ereignisse mit einer Genauigkeit von ca. 85% vorhersagen. Diese verbesserte Vorhersagegenauigkeit ermöglicht es, sich auf extreme Wetterereignisse vorzubereiten und mögliche Auswirkungen rechtzeitig zu bewältigen.
Die Forschung wird durch Mittel des Climate Program Office’s Modeling, Analysis, Predictions, and Projections (MAPP) Programms unterstützt und konzentriert sich auf die Vorhersage von El Niño Southern Oscillation (ENSO) mithilfe von Deep-Learning-Techniken. Der Hauptautor Chibuike Ibebuchi und der MAPP-geförderte Wissenschaftler Cameron Lee haben gemeinsam an einem Projekt gearbeitet, das auf die Überwachung gefährlicher Temperaturbedingungen in Nordamerika abzielt. Die in Climate Dynamics veröffentlichte Forschung zeigt eine innovative Herangehensweise, um das Auftreten von ENSO-Ereignissen bis zu anderthalb Jahre im Voraus vorherzusagen. Die erfolgreich angewendeten Methoden können dazu beitragen, extreme Wetterereignisse vorherzusagen und entsprechende Maßnahmen rechtzeitig zu ergreifen.