Pengantar Deep Learning untuk Meteorologi

Buku ini ditujukan sebagai materi pengenalan, bukan hasil riset baru. Seluruh isi merupakan ringkasan dan penyusunan ulang dari literatur klasik machine learning, dengan contoh-contoh yang dekat dengan dunia meteorologi Indonesia.

Prasyarat bab ini: tidak ada — ini titik awal. Bab berikutnya mengasumsikan Bab 1 dikuasai. Jika Anda sudah terbiasa dengan dasar TensorFlow, Anda boleh melompat ke Bab 2, tetapi baca §1.6–1.8 untuk memahami notasi yang dipakai buku ini.

Tujuan Pembelajaran

Setelah menyelesaikan bab ini, Anda diharapkan mampu:

1. Membedakan artificial intelligence, machine learning, dan deep learning beserta contoh aplikasinya di meteorologi.
2. Mempetakan aplikasi deep learning meteorologi ke bab yang relevan dan membedakan mana yang dibahas buku ini vs literatur lanjut.
3. Menilai secara kritis kapan deep learning layak dipakai dibanding baseline statistik (ukuran data, non-linearitas, konteks operasional).
4. Menyiapkan lingkungan kerja Google Colab + TensorFlow/Keras dan membuat tensor pertama dari contoh data cuaca mini.

1.1 Artificial Intelligence, Machine Learning, dan Deep Learning

Artificial intelligence (AI, kecerdasan buatan) adalah bidang yang mempelajari cara membuat mesin meniru kemampuan kognitif manusia, seperti memahami bahasa, mengenali pola, dan mengambil keputusan [1]. Istilah ini sudah ada sejak 1956 ketika para ilmuwan mulai menyelidiki apakah mesin dapat “berpikir”. Seiring waktu, AI berkembang menjadi banyak sub-bidang: sistem berbasis aturan, pengenalan pola, robotika, pemrosesan bahasa alami, dan machine learning (pembelajaran mesin).

Machine learning (ML) adalah cabang AI yang membuat komputer belajar pola dari data tanpa diprogram secara eksplisit untuk setiap aturan [2]. Alih-alih menulis aturan manual seperti “jika hujan kemarin dan kelembapan tinggi, maka besok hujan”, kita memberi model ribuan contoh dan membiarkannya menemukan sendiri pola yang berguna — misalnya, variabel mana yang paling berpengaruh terhadap hujan. Contoh sederhana: jika kita memberi model data riwayat hujan, suhu, dan kelembapan selama bertahun-tahun, model dapat menemukan kombinasi yang paling menjelaskan kapan hujan turun dan kapan tidak. Proses belajar itu akan dijelaskan di Bab 4.

Deep learning (DL) adalah salah satu cabang machine learning yang menggunakan jaringan saraf berlapis (neural network) — model matematis yang terinspirasi dari susunan neuron biologis [3]. “Dalam” (deep) merujuk pada banyaknya lapisan: model tersusun dari banyak lapisan unit sederhana, dan semakin banyak lapisannya, model mampu menangkap pola yang semakin rumit — seperti hubungan rumit antara banyak variabel meteorologi [3]. Kekuatan DL justru datang dari kedalaman ini: lapisan-lapisan awal mempelajari pola sederhana, lalu lapisan-lapisan berikutnya menggabungkannya menjadi representasi yang semakin abstrak [4].

Sebagaimana dilihat pada Gambar 1.1, artificial intelligence adalah payung terluas, machine learning adalah cabangnya yang belajar dari data, dan deep learning adalah bagian dari machine learning yang menggunakan jaringan saraf berlapis. Model generatif (generative) modern seperti chatbot juga termasuk deep learning: model tidak hanya mengklasifikasikan data, tetapi belajar pola dari data lalu menghasilkan konten baru (teks, gambar) yang mengikuti pola itu. Definisi dan keterbatasannya dibahas lebih lanjut di Bab 10.

Perbedaan praktisnya: model machine learning klasik (seperti regresi linear, pohon keputusan, atau SVM) umumnya butuh fitur — variabel masukan yang dipilih manual oleh manusia. Deep learning berbeda: model itu sendiri belajar representasi yang berguna langsung dari data mentah, jadi manusia tidak perlu selalu memilih fitur dulu — asalkan data cukup banyak. Bab 2 akan membahas komponen dasar jaringan ini: neuron, perceptron, dan fungsi aktivasi.

Kapan Anda memakai yang mana? Aturan praktisnya:

• Jika data Anda sedikit (ratusan hingga beberapa ribu sampel), model ML klasik sering lebih stabil dan lebih mudah dijelaskan.
• Jika data Anda sangat banyak (jutaan sampel) atau polanya sangat kompleks dan non-linear, deep learning biasanya unggul — tetapi butuh komputasi.

Perbandingan ini bukan hitam-putih. Banyak sistem produksi menggabungkan keduanya; yang penting adalah memahami trade-off (kita bahas dalam §1.4).

1.2 Mengapa Deep Learning Relevan Sekarang

Deep learning bukan teknologi baru dalam konsep (perceptron pertama lahir 1958 [5]), tetapi baru praktis digunakan secara luas dalam dekade terakhir karena tiga hal bertemu sekaligus:

1. Data besar — sensor otomatis, reanalysis seperti ERA5 (data cuaca historis dari gabungan model dan observasi), dan arsip klimatologi menyediakan data meteorologi dalam jumlah besar (Bab 6 membahas sumber datanya). Model DL baru bersinar saat volume datanya besar.
2. Komputasi murah — GPU (kartu grafis untuk komputasi paralel) dan cloud notebook gratis seperti Google Colab membuat pelatihan jaringan saraf dapat dilakukan tanpa server mahal. Sebuah GPU modern bisa berisi ribuan inti yang memproses data secara paralel, mempercepat matematika jaringan saraf puluhan hingga ratusan kali.
3. Tooling matang — TensorFlow/Keras dan PyTorch menyediakan API yang relatif mudah dipelajari [6]. Tidak perlu lagi menulis kode matematika dari nol untuk tiap proyek; Anda merakit blok yang sudah tersedia.

Kombinasi ini membuat deep learning dapat diadopsi oleh mahasiswa dan praktisi kebumian — bukan hanya peneliti ilmu komputer [7]. Ini kunci filosofi buku ini: Anda tidak butuh gelar di bidang komputer untuk mulai menggunakan DL, asalkan punya data, komputer yang memadai (bisa pakai cloud gratis), dan kemauan belajar.

Sejarah singkat (agar konteksnya jelas)

• 1958 — Perceptron oleh Frank Rosenblatt: jaringan satu lapis yang bisa belajar [5].
• 1986 — Backpropagation dipopulerkan: cara melatih jaringan bertingkat banyak.
• 2012 — AlexNet memenangkan kompetisi ImageNet dengan CNN; titik balik modern.
• 2015 — Ulasan “Deep learning” di Nature menempatkan DL sebagai teknik inti AI [3].
• 2019 — Ulasan Reichstein et al. menegaskan peluang besar DL dalam sains kebumian [7].

Anda tidak perlu hafal tahun-tahun ini, tetapi memahami bahwa DL bukan “ajaib” yang baru lahir kemarin membantu Anda menilai klaim-klaim besar di berita.

1.3 Peta Aplikasi Deep Learning dalam Meteorologi

Deep learning telah diterapkan di berbagai permasalahan meteorologi. Agar pembaca tidak tersesat, buku ini memetakan aplikasi tersebut dan menandai mana yang dibahas di sini secara mendalam dan mana yang hanya diarahkan ke literatur lanjut:

Tabel 1.1 — Peta aplikasi deep learning dalam meteorologi dan lokasinya di buku ini.

Aplikasi	Contoh pertanyaan	Dibahas di buku ini
Prediksi deret waktu (time series)	Berapa tinggi pasang surut besok? Berapa hujan minggu depan?	Bab 6–9
Klasifikasi kejadian	Hujan lebat atau tidak? Level bahaya apa?	Bab 3, 5, 9
Imputasi (pengisian) data hilang	Bagaimana mengisi gap data stasiun?	Bab 6 (dasar), Bab 10 (generatif)
Nowcasting (prakiraan kini–6 jam)	Apa yang terjadi kini hingga 6 jam ke depan (radar/satelit)?	Bab 10 (arah riset)
Downscaling / data spasial	Dari skala reanalysis ke skala lokal	Bab 10 (arah riset)
Verifikasi & post-processing	Mengoreksi bias model cuaca, kalibrasi	Bab 10 (singkat)

Fokus buku ini sengaja dibatasi pada dua aplikasi inti (lihat baris pertama dan kedua Tabel 1.1): prediksi besaran (regresi) dan klasifikasi kejadian, pada data deret waktu meteorologi Indonesia. Ada dua alasan pembatasan ini:

1. Kedalaman > keluasan. Daripada membahas sepuluh topik secara setengah-setengah, buku ini mengupas dua topik sampai tuntas, dari data hingga evaluasi operasional.
2. Aplikasi paling dekat dengan praktisi. Regresi dan klasifikasi adalah dua hal pertama yang Anda butuhkan untuk tugas peramalan dan pengambilan keputusan harian.

Bagi pembaca yang ingin melompat ke topik lain (CNN, NLP, generative model), Bab 10 menyediakan peta jalan dan referensi untuk melanjutkan.

1.4 Kapan Deep Learning Layak, Kapan Tidak

Deep learning bukan solusi untuk semua masalah. Aturan praktis yang akan dipakai di seluruh buku:

• Gunakan model statistik klasik dulu sebagai pembanding (baseline). Regresi linear, ARIMA (model statistik untuk deret waktu), atau persistence (“keadaan besok = keadaan hari ini”) sering kali lebih dari cukup untuk data pendek atau pola sederhana. Deep learning hanya layak jika mengalahkan baseline dengan data yang cukup — prinsip ini menjadi tulang punggung Bab 7–9. Jika model sederhana sudah melebihi kebutuhan, tidak ada alasan memperkenalkan kompleksitas.
• Perhatikan ukuran data. Jaringan saraf besar membutuhkan banyak data untuk belajar. Untuk deret waktu stasiun dengan puluhan ribu pengamatan, model sekuensial (sequence) seperti LSTM (Bab 7) adalah pilihan yang masuk akal — tetapi jangan langsung melompat ke arsitektur masif yang dirancang untuk miliaran parameter (butuh data jauh lebih besar).
• Utamakan keterbacaan dan kepercayaan di konteks operasional. Di lingkungan seperti BMKG, model yang sederhana dan dapat dijelaskan kadang lebih diterima daripada model “kotak hitam” (hasilnya sulit dijelaskan) — Bab 10 membahas interpretasi dan keterbatasan. Tidak semua pengguna akhir (kepala stasiun, peramal, pengambil keputusan) nyaman dengan hasil tanpa alasan yang bisa dijelaskan.
• Perhatikan biaya dan pemeliharaan. Model DL perlu dijalankan, dimonitor, dan dilatih ulang secara berkala. Jika model klasik yang sederhana bisa bertahan lama tanpa perawatan, itu bisa jadi pilihan yang lebih cerdas di lingkungan dengan sumber daya terbatas.

Kesimpulannya: anggap deep learning sebagai satu alat di dalam kotak peralatan, bukan pengganti semua metode. Cara pandang ini menjaga pembaca dari overhype — kecenderungan percaya bahwa model bisa menyelesaikan semua masalah.

Tiga tanda bahaya (jika semuanya Anda alami, DL mungkin bukan jawaban):

1. Data Anda sangat sedikit dan sangat berisik.
2. Anda butuh hasil yang dapat dijelaskan kepada pengguna non-teknis.
3. Hubungan yang perlu dimodelkan sebenarnya cukup sederhana.

1.5 Alur Kerja Proyek Machine Learning

Sebelum masuk ke kode, penting memahami siklus hidup proyek ML. Hampir semua proyek dalam buku ini mengikuti alur berikut:

Masalah → Data → Persiapan → Model → Evaluasi → (Putuskan: cukup / perbaiki)

1. Definisikan masalah. Prediksi apa? Regresi (angka) atau klasifikasi (kategori)? Apa yang menjadi target keberhasilan?
2. Kumpulkan data. Dari sumber mana? Bagaimana lisensinya? Berapa panjang dan resolusinya? (Bab 6).
3. Persiapkan data. Bersihkan nilai hilang, normalisasi, buat fitur, bagi train/val/test dengan benar (Bab 2, 5, 6).
4. Bangun model. Mulai dari baseline sederhana, lalu tingkatkan (Bab 2–4, 7).
5. Evaluasi. Gunakan metrik yang sesuai dengan tujuan operasional (Bab 5).
6. Putuskan. Jika model cukup baik, pakai; jika tidak, ulangi satu atau beberapa langkah — ini normal.

Konsep baseline akan menjadi teman sepanjang buku. Sebelum menantang dengan deep learning, Anda harus punya patokan sederhana yang bisa Anda kalahkan. Ini menjauhkan Anda dari klaim berlebihan dan membantu menilai apakah DL benar-benar menambah nilai.

1.6 Menyiapkan Lingkungan Kerja

Buku ini menggunakan Google Colab (gratis) dengan TensorFlow/Keras [6]. Colab berjalan di browser tanpa instalasi lokal dan menyediakan GPU untuk latihan. Ini ideal untuk mahasiswa dan praktisi yang tidak memiliki server sendiri.

Keunggulan Colab untuk buku ini:

• Gratis dan tanpa instalasi (cukup akun Google).
• GPU tersedia untuk latihan jaringan saraf.
• Berbagi notebook semudah membagikan tautan.
• Terintegrasi dengan Google Drive untuk menyimpan data dan hasil.

Untuk memulai, buka colab.research.google.com, buat notebook baru, lalu jalankan:

import tensorflow as tf

print(tf.__version__)
print("GPU tersedia:", tf.config.list_physical_devices("GPU"))

Jika kolom “GPU tersedia” kosong, pilih menu Runtime > Change runtime type > Hardware accelerator > GPU. Jika TensorFlow belum terpasang, instal dengan pip install tensorflow.

Notebook pendamping bab ini — ch-01-00_fondasi_tensorflow.ipynb (folder notebooks/ di repo) — berisi langkah verifikasi lingkungan dan pengenalan tensor dengan contoh data cuaca mini. Pastikan versi TensorFlow yang terinstal sesuai dengan versi yang tercantum pada metadata bab, agar hasil dapat direproduksi.

Catatan versi & reproduksibilitas (aturan konsisten sepanjang buku):

• Selalu catat versi library utama (mis. print(tf.__version__)).
• Gunakan nilai seed tetap (np.random.seed, tf.random.set_seed) agar hasil dapat direproduksi.
• Simpan data dengan hash/versi agar tidak berubah diam-diam.

1.7 Tensor Pertama dengan Contoh Data Cuaca Mini

Semua data yang masuk ke jaringan saraf direpresentasikan sebagai tensor — generalisasi matriks ke dimensi berapa pun. Anda bisa membayangkan tensor sebagai “kotak angka” dengan beberapa sumbu. Dengan contoh data cuaca:

Tabel 1.2 — Contoh data cuaca mini dan bentuk (shape) tensornya.

Contoh	Bentuk	Dimensi (rank)
Suhu satu pengamatan, 26.5	skalar (tensor 0D)	0
Suhu min & max satu hari, [26.5, 31.0]	vektor (tensor 1D)	1
Suhu min & max 3 hari, [[26.5, 31.0], [26.8, 30.5], [27.2, 32.1]]	matriks (tensor 2D)	2
Suhu min & max di 3 stasiun selama 3 hari	tensor 3D	3

Tabel 1.2 merangkum contoh-contoh yang akan kita gunakan di notebook. Dalam TensorFlow, tensor dibuat dengan tf.constant atau tf.Variable:

import tensorflow as tf

suhu_hari = tf.constant([26.5, 26.8, 27.2])      # 1D: 3 pengamatan
print(suhu_hari.shape)                            # (3,)

Bentuk (shape) tensor inilah yang nantinya menentukan bentuk masukan (input shape) arsitektur model di Bab 2 dan Bab 7. Pembaca tidak perlu menguasai aljabar tensor secara mendalam — yang penting adalah memahami (a) urutan dimensi, dan (b) bahwa data waktu akan disusun menjadi langkah-langkah waktu (timesteps) saat masuk ke model sekuensial.

Tentang tipe data dan presisi

Dua hal teknis kecil yang kelak berguna:

• Tensor menggunakan tipe data (dtype) seperti float32, int32. Kebanyakan model Keras bekerja pada float32.
• Hindari mencampur int dan float dalam satu tensor tanpa sengaja; TensorFlow dapat menolak operasi jika dtype tidak cocok.

Anda tidak perlu menghafal ini sekarang, tetapi referensi di sini membantu ketika error muncul.

1.8 Latihan Mini: Mengenali Jenis Masalah

Sebelum Bab 2, mari latih naluri memetakan masalah ke jenis model. Untuk masing-masing pertanyaan berikut, tentukan (a) regresi atau klasifikasi, dan (b) apakah deep learning layak dicoba (asumsikan data tersedia cukup):

1. Prediksi suhu minimum esok hari di Pontianak.
2. Deteksi apakah hari ini akan hujan deras (>50 mm/24 jam) ya atau tidak.
3. Menentukan level siaga banjir rob: waspada / siaga / awas.
4. Prediksi jumlah hari hujan pada bulan depannya (satu angka per bulan).

Jawaban singkat:

1. Regresi (nilai kontinu: suhu minimum). DL bisa; mulai dari baseline.
2. Klasifikasi biner (dua kelas: hujan deras / tidak). DL bisa; perhatikan data tidak seimbang (jarang hujan deras) — Bab 3, 5.
3. Klasifikasi multi-kelas (tiga level). DL bisa; pastikan metrik sesuai kejadian ekstrem — Bab 3, 5.
4. Regresi (satu angka), tapi mungkin lebih baik menggunakan rata-rata klimatologis sebagai baseline dulu. DL tidak selalu jawaban — §1.4.

Latihan semacam ini (yang muncul di setiap bab) melatih Anda berpikir seperti praktisi: definisikan masalah dulu, baru pilih alat.

1.9 Berapa Banyak Matematika yang Anda Butuhkan?

Banyak calon pembaca khawatir buku ini berisi matematika berat. Kabar baiknya: untuk menggunakan DL secara bertanggung jawab, Anda cukup menguasai tiga hal:

1. Aljabar linear dasar — vektor dan matriks (Perkalian matriks adalah inti neuron). Bab ini sudah mengenalkan tensor; kita hanya akan memakai sedikit notasi di Bab 2–4.
2. Kalkulus dasar — konsep turunan untuk memahami gradient descent (Bab 4). Anda tidak perlu menurunkan rumus, cukup paham intuisi kemiringan.
3. Statistika deskriptif — rata-rata, varians, korelasi, dan sedikit probabilitas (untuk klasifikasi di Bab 3).

Jika matematika terakhir Anda sudah lama, jangan khawatir. Buku ini selalu mendekati rumus dengan intuisi + kode, bukan derivasi formal. Setiap rumus yang muncul dijelaskan dengan bahasa sehari-hari dan contoh konkret meteorologi, sehingga Anda tetap bisa mengikuti.

Kapan harus berhenti dan belajar lebih dalam? Jika Anda berencana meneliti atau mengembangkan arsitektur baru, Anda perlu matematika lebih dalam — kami sarankan [4] untuk itu. Tetapi untuk penggunaan praktis (membangun model, mengevaluasi, menerapkan), bekal di atas cukup.

1.10 Mengapa Buku Ini “Bukan Riset Baru”

Buku ini dengan sengaja menyebut dirinya materi pengenalan, bukan hasil riset baru. Ada tiga alasan jujur:

1. Cakupannya penyusunan ulang — penulis merangkum literatur dan praktik yang sudah mapan menjadi satu narasi yang mudah diikuti, dengan contoh lokal.
2. Menghindari kredibilitas berlebih — tidak ada klaim “metode baru yang lebih baik” dari penulis; semua hasil dibandingkan dengan baseline. Ini melindungi pembaca dari overhype dan melindungi penulis dari kritik yang tidak perlu.
3. Tujuan sebenarnya adalah pembelajaran — buku ini sukses jika pembaca mampu membangun dan mengevaluasi model DL-nya sendiri, bukan jika penulis dipandang sebagai penemu.

Jadi, saat Anda membaca “studi kasus” di Bab 8–9, perlakukan sebagai latihan end-to-end yang dapat diulang — bukan sebagai makalah penelitian. Ini adalah sikap yang juga Anda pegang sebagai praktisi: selalu tanya “apakah ini mengalahkan baseline?”

1.11 Ekosistem dan Sumber Belajar Lanjutan

Anda mungkin bertanya: “bukankah banyak buku deep learning yang sudah ada? Mengapa ada buku ini?” Jawabannya ada di ekosistem yang akan Anda pakai, dan di mana buku ini berada di antara sumber-sumber tersebut.

Untuk penggunaan umum DL, referensi utama komunitas adalah Deep Learning dari Goodfellow, Bengio, dan Courville [4] — sangat mendalam tetapi cenderung teoretis. Untuk praktik dengan Keras/TensorFlow, buku dari François Chollet dan tutorial situs resmi TensorFlow sangat membantu. Buku ini berbeda karena dua hal:

1. Bahasa Indonesia — menurunkan hambatan bagi mahasiswa dan praktisi kebumian lokal.
2. Konteks meteorologi Indonesia — data BMKG, pasang surut, curah hujan, dan pertimbangan operasional. Tidak ada buku DL arus utama yang membahas kombinasi ini.

Di samping buku ini, berikut ekosistem yang bermanfaat:

• TensorFlow/Keras — framework utama yang dipakai seluruh buku [6].
• PyTorch — alternatif populer di riset; konsep yang Anda pelajari di sini mudah dipindahkan.
• Pandas & xarray — untuk penanganan data tabular dan data NetCDF (Bab 6).
• Google Colab — lingkungan eksekusi gratis ber-GPU (bagian §1.6).
• Kaggle / GitHub — sumber dataset dan contoh notebook untuk latihan mandiri.

Pertanyaan yang Sering Muncul (FAQ)

Apakah saya harus bisa Python dulu? Tidak wajib mahir, tetapi disarankan pernah menulis Python dasar (variabel, loop, fungsi). Kode dalam buku selalu diberikan lengkap, dan setiap baris penting dijelaskan.

Apakah butuh paham meteorologi untuk Bab 2–5? Tidak. Bab 2–5 berfokus pada konsep DL dengan contoh meteorologi sebagai ilustrasi. Bab 6–9 akan memerlukan pemahaman konteks data, tetapi tetap dijelaskan.

Apakah GPU wajib? Tidak. Notebook dapat berjalan di CPU, hanya lebih lambat. Untuk studi kasus di Bab 8–9, GPU mempermudah, tetapi Colab menyediakannya gratis.

Ringkasan

• Deep learning adalah cabang machine learning berbasis jaringan saraf berlapis; relevan untuk meteorologi karena data besar, komputasi murah, dan tooling matang.
• Fokus buku: prediksi deret waktu dan klasifikasi kejadian untuk data Indonesia; aplikasi lain (nowcasting, downscaling, generatif) diarahkan ke Bab 10.
• Deep learning layak digunakan jika mengalahkan baseline yang sederhana; jangan pernah memulai tanpa pembanding.
• Lingkungan kerja: Google Colab + TensorFlow/Keras; semua data dibawa sebagai tensor.
• Alur kerja proyek ML (masalah → data → persiapan → model → evaluasi) menjadi pola acuan semua bab.
• Matematika yang dibutuhkan terbatas pada aljabar linear, kalkulus, dan statistika dasar — cukup untuk penggunaan praktis.
• Buku ini “bukan riset baru”; ia kurasi literatur mapan untuk konteks meteorologi Indonesia, dengan referensi lanjutan untuk pendalaman.

References

1. S. Russell and P. Norvig, Artificial Intelligence: A Modern Approach, 4th ed. Harlow, UK: Pearson, 2021. ISBN: 978-0134610993.
2. T. M. Mitchell, Machine Learning. New York, NY, USA: McGraw-Hill, 1997. ISBN: 978-0070428072.
3. Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, May 2015, doi: 10.1038/nature14539.
4. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
5. F. Rosenblatt, “The perceptron: A probabilistic model for information storage and organization in the brain,” Psychological Review, vol. 65, no. 6, pp. 386–408, 1958, doi: 10.1037/h0042519.
6. M. Abadi et al., “TensorFlow: Large-scale machine learning on heterogeneous systems,” 2016. [Online]. Available: https://arxiv.org/abs/1603.04467
7. M. Reichstein et al., “Deep learning and process understanding for data-driven Earth system science,” Nature, vol. 566, no. 7743, pp. 195–204, Feb. 2019, doi: 10.1038/s41586-019-0912-1.