大气阻塞事件是持续时间长且影响深远的天气现象，当主要高压系统固定在某一地点时发生，影响喷流和风暴路径，有时持续数天到数周。这类事件可能导致严重的洪水或热浪，正如2023年欧洲所见。最近的一项研究中，来自夏威夷大学曼努阿分校的大气科学家克里斯蒂娜·卡拉梅皮杜（Christina Karamperidou）利用深度学习模型分析了过去千年阻塞事件的频率，并了解未来气候变化对这些关键天气模式的潜在影响。
“这项研究旨在通过使用深度学习模型提取古气候记录中的古气候信号，以确定基于表面温度大气阻塞发生的频率，”卡拉梅皮杜表示。“这项研究是独特的，代表了首次通过检查阻塞频率与表面温度之间复杂关系来重建长期阻塞频率记录的努力。机器学习技术在这类分析中可以非常有效。”
训练深度学习模型
卡拉梅皮杜创建了一个专门的深度学习模型，并使用历史数据以及大量的气候模型模拟集合对其进行了训练。该模型通过分析过去千年的季节性温度变化推断阻塞事件发生的频率。这些历史温度重建得到了良好的记录，并得到了许多接受温度变化影响的年轮记录的支持。
“这种方法展示了深度学习模型在解决从古气候数据中提取古气候信息这一长期挑战中的有效性，”卡拉梅皮杜解释道。“这种方法同样适用于从18世纪开始的仪器气候历史，因为从1940年代以来，我们才有可靠的阻塞数据，1979年开始的卫星时代提供了更准确的测量。”
未来阻塞事件的频率
目前，科学家们对气候变化可能如何影响阻塞事件的频率并没有统一看法。这些强大的、持久的高压系统对夏威夷等地可能产生重大影响，严重洪水与北太平洋的持续阻塞有关；全球范围内，例如太平洋西北部和欧洲，夏季阻塞可能导致强烈的热浪。
了解这些事件的频率如何变化，特别是与厄尔尼诺等重要气候因素以及热带太平洋海表温度的长期变迁有关的变化，对于夏威夷来说至关重要。这项研究使卡拉梅皮杜将中高纬度地区的阻塞频率与过去千年热带太平洋的气候变异性联系起来，这对验证气候模型和减少未来关于阻塞模式预测的不确定性至关重要。
开放研究与透明性
卡拉梅皮杜与两名来自夏威夷大学曼努阿分校的学生合作开发了一个专门的网络界面，用于探索深度学习模型及其生成的重建数据。她强调以这种方式分享研究结果和方法的重要性，因为它促进了开放研究和透明性的最佳实践，尤其是在机器学习和人工智能迅速扩展到日常生活的许多领域时。该网络界面托管在Jetstream-2上，这是一个由国家科学基金会支持的云计算平台，与地方合作伙伴合作，包括夏威夷大学信息技术服务-网络基础设施和夏威夷数据科学研究所。
展望未来，卡拉梅皮杜打算研究深度学习模型的不同特性和架构改进，以扩大其对直接与显著社会经济影响相关的气候现象和变量的应用。
