Alsal

在CMIP6模型的不同SSP方案下，印度的热浪及其未来预测

摘要。我们提出了可解释的深度学习技术，用于重建南亚palaeomonsoon雨 - 在过去的500年中，降落了，利用了南部和东亚的长期仪器降水记录和长期的乐器降水记录和古环境数据集以建立两种类型的模型：密集的Neu-neu-neu-ral网络（“区域模型”）和卷积神经网络（“区域模型”和Neural neveral newursal nevental alsal neveral alsal and anns（Cnns）。该区域模型是在七个区域降雨数据集上进行的，虽然它们具有衰落的阶级变异性和显着的干旱，但它们低估了年际变化。CNN旨在说明预测因子和目标中的空间关系，在重建降雨表和产生强大的时空重建方面表现出更高的技能。19世纪和20世纪的特征是季风的年间变异性明显，但较早的时期的特征是衰老到百年纪念的振荡。多年代干旱发生在17世纪中叶和19世纪中期，而18世纪的大部分时间（尤其是本世纪初）的特征是季风降水高于平均水平。极端的干旱往往集中在印度南部和西部，并且经常与记录的饥荒共同进行。大型体积喷发后的几年通常以明显弱的季风标记，但与ElNiño-Southern振荡（ENSO）的关系的符号和强度在百年纪念时间尺度上有所不同。通过应用解释性技术，我们表明模型同时利用了局部氢气候和天气尺度的动力学关系。我们对印度夏季季风的历史变化的发现，并强调了古气候重建中深度学习技术的潜力。