-
题名深度学习在印度洋偶极子预报中的应用研究
被引量：4
- 1
-
-
作者
刘俊
唐佑民
宋迅殊
孙志林
-
机构
浙江大学海洋学院
河海大学海洋学院自然资源部海洋灾害预报重点实验室
自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室
南方海洋科学与工程广东省实验室(珠海)
-
出处
《大气科学》
CSCD
北大核心
2022年第3期590-598,共9页
-
基金
国家重点研发计划项目2017YFA0604202
国家自然科学基金项目41530961。
-
文摘
印度洋偶极子(IOD)是热带印度洋秋季最强的年际变率,它会通过大气遥相关来影响世界许多地区的气候。目前耦合气候模式对IOD预报技巧仍非常有限,远低于热带太平洋的厄尔尼诺事件的预报技巧。鉴于深度学习具备高效的数据处理能力,本文使用深度学习中的卷积神经网络(CNN)与人工神经网络中的多层感知机(MLP)处理再分析观测资料,从而进行IOD预报。由于当预报初始时刻为北半球冬春季时,对IOD事件的预报技巧较低。因此,为探索CNN的预报能力,本文仅使用三种(1~3月、2~4月、3~5月)初始时刻的海表温度异常(SSTA)作为CNN的输入数据,来预报其后续七个月的印度洋偶极子指数(DMI)、东极子指数(EIOI)和西极子指数(WIOI)。结果表明:CNN对DMI、EIOI和WIOI的有效预测时效均超过了6个月。与现在耦合动力模式相比,CNN模型能够显著提升DMI和EIOI的预报技巧,但对WIOI的预报技巧提升有限。当预报提前时间为7个月时,CNN模型能够比较准确地预报1994、1997与2019年的IOD事件。由于CNN模型能够更好地抓住印度洋海温的空间结构特征,它对IOD事件的预报技巧比传统神经网络MLP高。
-
关键词
印度洋偶极子
深度学习
卷积神经网络
气候预报
-
Keywords
Indian Ocean Dipole
Deep learning
Convolutional neural network
Climate prediction
-
分类号
P466
[天文地球—大气科学及气象学]
-
