气候系统相变的普适早期预警信号
大气与海洋物理
2022-12-07 v2 机器学习
动力系统
计算物理
摘要
复杂系统表现出临界点的潜力——平衡态发生突然且往往不可逆的转移——已得到充分确立，但使用标准预报建模技术预测这些事件相当困难。这催生了一系列替代方法，试图在数据中发现临界现象的特征，这些特征预期在许多类动力学分岔之前出现。关键在于，这些临界现象的表现跨多种系统具有普适性，意味着数据密集的深度学习模型可在（丰富的）合成数据上训练，并在迁移至（更有限的）经验数据集时 plausibly 有效。本文为该方法应用于晶格相变提供了概念验证：一个仅在二维Ising模型相变上训练的深度神经网络，在多个真实与模拟气候系统上测试取得了可观成功。其准确率常超越传统统计指标，且性能随空间指标的引入而一致提升。此类工具或可洞察气候临界事件，因遥感测量正提供关于复杂地理空间分辨地球系统日益丰富的数据。
引用
@article{arxiv.2206.00060,
title = {Universal Early Warning Signals of Phase Transitions in Climate Systems},
author = {Daniel Dylewsky and Timothy M. Lenton and Marten Scheffer and Thomas M. Bury and Christopher G. Fletcher and Madhur Anand and Chris T. Bauch},
journal= {arXiv preprint arXiv:2206.00060},
year = {2022}
}