海表面温度(sea surface temperature, SST)受到海洋大气相互作用过程的显著影响,与全球气候、海洋环流以及海洋生态环境有着密切联系。利用卫星遥感SST融合数据以及大气再分析数据,基于卷积长短期记忆神经网络(convolutional long-shor...海表面温度(sea surface temperature, SST)受到海洋大气相互作用过程的显著影响,与全球气候、海洋环流以及海洋生态环境有着密切联系。利用卫星遥感SST融合数据以及大气再分析数据,基于卷积长短期记忆神经网络(convolutional long-short term memory, ConvLSTM)对南海北部未来7 d SST预报开展研究。通过多组敏感性试验,从模型参数、气象要素以及预报策略三方面探讨影响SST预报效果的关键因素并获取最优模型配置。输入历史14 d SST数据至4层自回归模型可以得到最佳均方根误差0.21~0.66°C;添加多项气象要素对于模型起到约12%的显著优化,且优化区域集中在200 m以浅的近岸海域;采用整体预报策略在未来3~7 d的预报效果全面领先,并且整体性能和运行效率综合表现最佳。综合考虑三个因素确定的深度学习模型在预报2022年未来7 d SST的均方根误差为0.18~0.58°C,为建立南海北部海温智能预报模型提供了新的方案建议。展开更多
文摘海表面温度(sea surface temperature, SST)受到海洋大气相互作用过程的显著影响,与全球气候、海洋环流以及海洋生态环境有着密切联系。利用卫星遥感SST融合数据以及大气再分析数据,基于卷积长短期记忆神经网络(convolutional long-short term memory, ConvLSTM)对南海北部未来7 d SST预报开展研究。通过多组敏感性试验,从模型参数、气象要素以及预报策略三方面探讨影响SST预报效果的关键因素并获取最优模型配置。输入历史14 d SST数据至4层自回归模型可以得到最佳均方根误差0.21~0.66°C;添加多项气象要素对于模型起到约12%的显著优化,且优化区域集中在200 m以浅的近岸海域;采用整体预报策略在未来3~7 d的预报效果全面领先,并且整体性能和运行效率综合表现最佳。综合考虑三个因素确定的深度学习模型在预报2022年未来7 d SST的均方根误差为0.18~0.58°C,为建立南海北部海温智能预报模型提供了新的方案建议。
