印尼贯穿流连接热带太平洋和印度洋,对区域和全球气候系统至关重要,但在印尼贯穿流的长期变化研究中非常缺乏长时间序列。利用第六次国际耦合模式比较计划历史模拟数据对卷积神经网络深度学习模型进行训练和测试,基于海表面温度反演了...印尼贯穿流连接热带太平洋和印度洋,对区域和全球气候系统至关重要,但在印尼贯穿流的长期变化研究中非常缺乏长时间序列。利用第六次国际耦合模式比较计划历史模拟数据对卷积神经网络深度学习模型进行训练和测试,基于海表面温度反演了印尼贯穿流的体积输运。结果表明,该模型反演的印尼贯穿流可再现其总方差的80%左右。进而结合数据,首次构建了1870~2023年长达154 a的印尼贯穿流流量时间序列。通过与潜标观测数据对比发现,反演结果与国际努沙登拉层化和输运计划(the international Nusantara stratification and transport,INSTANT)、印尼贯穿流监测项目(monitoring Indonesian throughflow,MITF)观测数据的相关系数分别为0.56与0.69,验证了该时间序列的可靠性。使用梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)与注意力机制研究了该模型中影响印尼贯穿流反演技巧的敏感性区域。展开更多
文摘印尼贯穿流连接热带太平洋和印度洋,对区域和全球气候系统至关重要,但在印尼贯穿流的长期变化研究中非常缺乏长时间序列。利用第六次国际耦合模式比较计划历史模拟数据对卷积神经网络深度学习模型进行训练和测试,基于海表面温度反演了印尼贯穿流的体积输运。结果表明,该模型反演的印尼贯穿流可再现其总方差的80%左右。进而结合数据,首次构建了1870~2023年长达154 a的印尼贯穿流流量时间序列。通过与潜标观测数据对比发现,反演结果与国际努沙登拉层化和输运计划(the international Nusantara stratification and transport,INSTANT)、印尼贯穿流监测项目(monitoring Indonesian throughflow,MITF)观测数据的相关系数分别为0.56与0.69,验证了该时间序列的可靠性。使用梯度加权类激活映射(gradient-weighted class activation mapping,Grad-CAM)与注意力机制研究了该模型中影响印尼贯穿流反演技巧的敏感性区域。
