AI dan Masalah-Masalah Sulit Dunia · Ilmu bumi & iklim · arXiv · 2026-10-21
Memisahkan komponen paksaan dan internal dalam evolusi iklim teramati menggunakan pembelajaran mendalam spatiotemporal
Judul asli: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
Mengaitkan evolusi iklim historis yang teramati dengan perubahan akibat paksaan eksternal versus variabilitas internal merupakan hal mendasar untuk memahami perubahan iklim dan mengevaluasi model iklim, namun keduanya terjalin erat dalam pengamatan. Para penulis mengembangkan convolutional LSTM (ConvLSTM) yang dilatih dan dievaluasi pada simulasi ensembel besar dari beberapa model iklim, yang secara konsisten mengungguli pendekatan berbasis model, statistik, dan pembelajaran mesin yang sudah ada. Saat diterapkan pada pengamatan, model ini mengungkap pola spasial respons paksaan yang berevolusi serta kontribusi variabilitas internal yang besar terhadap tren multidekade terkini—memperkuat pembalikan yang dipaksakan terhadap asimetri suhu antarhemisfer Atlantik, mendominasi pemanasan Pasifik ekuatorial mirip La Niña dan penurunan presipitasi di barat daya Amerika Utara sejak 1980, serta memodulasi amplifikasi Arktik di sekitar nilai paksaannya yang hampir konstan sebesar tiga kali lipat—sementara perbandingan dengan respons paksaan hasil simulasi model menunjukkan pola yang secara umum konsisten di samping perbedaan seperti pemanasan Belahan Bumi Utara hasil simulasi yang lebih kuat, intensifikasi tekanan tinggi subtropis yang lebih lemah, dan penurunan presipitasi di daratan yang lebih kecil.