通过深度学习预测AMOC转变
计算工程、金融与科学
2025-09-09 v1
摘要
地球系统的关键组成部分可能在外部强迫的幅度或速率超过临界阈值时发生突然且潜在的不可逆转变。在本研究中，我们以大西洋经向翻转环流（AMOC）为例，演示了当系统容易受到分岔诱导、速率诱导和噪声诱导的临界转变时，预测此类转变所面临的挑战。使用校准的AMOC箱模型，我们进行了大规模集合模拟，并表明转变行为本质上是概率性的：在相同的淡水强迫场景下，一些集合成员表现出转变而另一些则没有。在这种随机环境中，基于临界慢化的传统早期预警指标在预测即将发生的转变时是不可靠的。为了解决这一局限性，我们开发了一种基于卷积神经网络（CNN）的方法，用于识别集合实现中转变轨迹和非转变轨迹之间的高阶统计差异。该方法能够在临界转变发生之前实时预测单个轨迹的转变概率。我们的结果表明，CNN指标在系统可以通过分岔、临界强迫速率和噪声诱导转变的情况下提供了有效的早期预警。这些发现强调了在不确定性条件下识别地球系统组成部分的安全运行空间和早期预警指标的潜力。
引用
@article{arxiv.2509.06450,
title = {Anticipating AMOC transitions via deep learning},
author = {Wenjie Zhang and Yu Huang and Sebastian Bathiany and Yechul Shin and Maya Ben-Yami and Suiping Zhou and Niklas Boers},
journal= {arXiv preprint arXiv:2509.06450},
year = {2025}
}