El Ni(n)o-Southern Oscillation (ENSO)作为全球年际尺度气候中最强的现象,对人们的生产生活造成了重大的影响,每年相关领域的研究人员都会对来年的ENSO作出预报.本文提出基于深度学习的ENSO预报方法,通过预测区域海平面温度(SST)来反映ENSO现象.本文分别对特征工程与模型设计两个方面进行了研究,最终确定了基于相关性的特征选择方法、利用Prophet构建特征以及基于Attention机制的Sequence to Sequence预报模型.最后,本文以NCEP数据集的Ni(n)o3.4区域数据为例,分别使用本文提出的模型与集合预报、数值预报的中间耦合模型(ICM)、Sequence toSequence模型和长短时记忆(LSTM)网络进行对比,结果表明,本文提出的基于Attention机制的Sequence to Sequence预报模型在长期预测中的均方根误差(RMSE)比其他方法下降了0.3到0.4,短期预测与其他方法相当,并且区域的RMSE分布稳定.
Research on ENSO Forecasting Method Based on Deep Learning
NETL
NSTL
万方数据
