MEPM模型:基于深度学习的多变量厄尔尼诺-南方涛动预测模型

• Published in: 地球科学与环境学报 Vol. 46; no. 3; pp. 285 - 297
• Main Authors: 方巍, 张霄智, 齐媚涵
• Format: Journal Article
• Language: Chinese
• Published: 南京气象科技创新研究院中国气象局交通气象重点开放实验室,江苏南京 210041 01.05.2024; 南京信息工程大学 数字取证教育部工程研究中心,江苏南京 210044; 南京信息工程大学 计算机学院,江苏 南京 210044; 中国气象局武汉暴雨研究所中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室,湖北武汉 430205; 苏州大学江苏省计算机信息处理技术重点实验室,江苏苏州 215006%南京信息工程大学 计算机学院,江苏 南京 210044
• Subjects: deep learning; multi-climate variables; 卷积神经网络; 多气候变量; ENSO; convolutional neural network; 深度学习; 气候变化; spatio-temporal sequence prediction; 厄尔尼诺-南方涛动; 时空序列预测; climate change
• ISSN: 1672-6561
• DOI: 10.19814/j.jese.2023.08029

P467%TP18; 厄尔尼诺-南方涛动(ENSO)是发生在热带太平洋年际时间尺度的海-气相互作用的异常现象,并由Ni?o3.4指数表征其发生情况;除此之外,ENSO与众多极端气候事件密切相关.因此,有效的ENSO预测对于预防极端气候事件和深入研究全球气候变化具有重要意义.然而,目前基于深度学习的ENSO预测大多数是预测一个指数或者单一变量,对于模拟多气候要素下的ENSO预测研究较少.通过提出一种利用多气候变量的ENSO预测模型—MEPM模型,其中包括多变量信息提取模块(MIEM)和时空融合模块(STFM),捕获不同气候变量在时空上的相互依赖性,进而提高ENSO预测的准确性.选取了纬向风应力异常(τx)、经向风应力异常(τy)、海表温度异常(SSTA)和海表下150 m温度异常(SSTA150)4个变量的距平值进行ENSO预测.结果表明:MEPM模型在提前11个月的Ni?o3.4指数相关技巧上分别比北美多模型集合中的动力预报系统CanCM4、CCSM3 和 GFDL-aer04 高 10％、20％和 14％.此外,MEPM 模型在中期 Ni?o3.4 指数相关技巧上显著优于其他深度学习模型,并可提供长达17个月的有效预测.