摘要
北极海冰范围退缩已对区域和全球气候变化、北极通航性乃至地缘政治格局产生了深远影响,开展北极海冰预测具有重要意义.本文使用美国冰雪数据中心(NSIDC)发布的海冰密集度、海冰冰龄遥感资料以及ERA5再分析资料,结合前人研究和海气耦合模式结果选择预测参量方案,开展了月尺度的海冰冰情预测.比较了支持向量机(SVR)、深度森林(DF)、LightGBM(LGB)、XGBoost(XGB)和CatBoost(CAT)等5种机器学习算法和以树模型LGB、XGB和CAT作为基模型,以贝叶斯回归、岭回归、套索回归和深度森林作为元模型的4种堆叠式集成学习模型,以及深度神经网络(DNN)、卷积神经网络(CNN)、时空卷积网络(ConvLSTM)3种深度学习模型在2000年测试集上对海冰范围和密集度空间分布的预测效果.结果表明:在海冰密集度预测中,ConvLSTM表现最优,套索堆叠集成学习模型预测效果次之.集成学习模型相较于三种单一树模型在预测效果上有约1%～4%的提升.在海冰范围预测中,堆叠式集成学习模型的预测效果最好.本研究为开展机器学习海冰预测奠定了重要基础.
基金项目
国家自然科学基金(42222608)
国家重点研发计划项目(2018YFCl406100)
NETL
NSTL
维普
万方数据