AI na Matatizo Magumu ya Ulimwengu · Sayansi ya Dunia na hali ya hewa · arXiv · 2026-10-21
Kutenganisha Vipengele vya Kulazimishwa na vya Ndani katika Mageuzi ya Hali ya Hewa Yaliyotazamwa kwa Kutumia Ujifunzaji wa Kina wa Nafasi na Muda
Kichwa asilia: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
Kuhusisha mageuzi ya tabianchi ya kihistoria yaliyotazamwa na mabadiliko yaliyosababishwa na sababu za nje badala ya kutofautiana kwa ndani ni jambo la msingi katika kuelewa mabadiliko ya tabianchi na kutathmini mifano ya tabianchi, ila mawili hayo yamechanganyika katika uchunguzi. Waandishi hutengeneza convolutional LSTM (ConvLSTM), iliyofunzwa na kutathminiwa kwa simlisho za ensemble kubwa kutoka kwa mifano mingi ya tabianchi, inayoshinda kwa uthabiti njia zilizopo za kutegemea mifano, za kitakwimu, na za kujifunza-mashine. Ikitumika kwenye uchunguzi, inafichua ruwaza ya kimahali inayobadilika ya mwitikio wa kulazimishwa na michango mikubwa ya kutofautiana kwa ndani katika mienendo ya miongo ya hivi karibuni—ikuza kugeuzwa kulazimishwa kwa utofauti wa joto wa Atlantiki kati ya nusutufe, kikichukua nafasi kuu katika joto la ikweta la Pasifiki linalofanana na La Niña na kupungua kwa mvua juu ya kusini-magharibi mwa Amerika Kaskazini tangu 1980, na kikidhibiti kuimarika kwa Aktiki karibu na thamani yake ya kulazimishwa ya mara tatu inayokaribia kubaki ileile—wakati kulinganisha na majibu ya kulazimishwa yaliyoigizwa na mifano kunaonyesha mifumo inayofanana kwa ujumla pamoja na tofauti kama joto kubwa zaidi lililofananiwa katika Nusutufe ya Kaskazini, kuimarika dhaifu zaidi kwa shinikizo-juu cha kutropiki, na kupungua kidogo kwa mvua za ardhi.