首页|MEPM模型:基于深度学习的多变量厄尔尼诺-南方涛动预测模型

MEPM模型:基于深度学习的多变量厄尔尼诺-南方涛动预测模型

扫码查看
原文链接
  • 万方数据
  • 维普
厄尔尼诺-南方涛动(ENSO)是发生在热带太平洋年际时间尺度的海-气相互作用的异常现象,并由Niño3.4指数表征其发生情况;除此之外,ENSO与众多极端气候事件密切相关.因此,有效的ENSO预测对于预防极端气候事件和深入研究全球气候变化具有重要意义.然而,目前基于深度学习的ENSO预测大多数是预测一个指数或者单一变量,对于模拟多气候要素下的ENSO预测研究较少.通过提出一种利用多气候变量的ENSO预测模型—MEPM模型,其中包括多变量信息提取模块(MIEM)和时空融合模块(STFM),捕获不同气候变量在时空上的相互依赖性,进而提高ENSO预测的准确性.选取了纬向风应力异常(τx)、经向风应力异常(τy)、海表温度异常(SSTA)和海表下150 m温度异常(SSTA150)4个变量的距平值进行ENSO预测.结果表明:MEPM模型在提前11个月的Niño3.4指数相关技巧上分别比北美多模型集合中的动力预报系统CanCM4、CCSM3 和 GFDL-aer04 高 10％、20％和 14％.此外,MEPM 模型在中期 Niño3.4 指数相关技巧上显著优于其他深度学习模型,并可提供长达17个月的有效预测.
MEPM:Multivariate ENSO Prediction Model Based on Deep Learning
The El Niño-Southern Oscillation(ENSO)is an anomaly of air-sea interaction on an interannual time scale in the tropical Pacific Ocean,and its occurrence is characterized by the Niño3.4 index.In addition,ENSO is closely related to many extreme climatic events.Therefore,effective ENSO prediction is of great significance for preventing extreme climate events and in-depth study of global climate change.However,most ENSO predictions based on deep learning predict an index or a single variable,and there are few research on the space-time evolution of ENSO under the simulation of multi-climate factors.MEPM,a multivariate ENSO prediction model,was presented.These include multivariate information extraction module(MIEM)and spatial-temporal fusion module(STFM),to capture the interdependencies of different climate elements in time and space,thereby improving the accuracy of ENSO prediction.The anomalies of latitude wind stress anomaly(τx),longitude wind stress anomaly(τy),sea surface temperature anomaly(SSTA)and 150 m below sea surface temperature anomaly(SSTA150)were selected,and sufficient experiments were carried out.The results show that MEPM is 10％,20％and 14％higher,respectively,than dynamic forecasting systems CanCM4,CCSM3,and GFDL-aer04 in North American multi-model ensemble on the average of Niño3.4 index-related techniques 11 months in advance.In addition,MEPM significantly outperforms other deep learning models on Nino3.4 index-related techniques over the medium term and provides valid predictions up to 17 months.

climate changeENSOmulti-climate variablesdeep learningspatio-temporal sequence predictionconvolutional neural network

方巍、张霄智、齐媚涵

展开 >

南京信息工程大学 计算机学院,江苏 南京 210044

南京信息工程大学 数字取证教育部工程研究中心,江苏南京 210044

南京气象科技创新研究院中国气象局交通气象重点开放实验室,江苏南京 210041

中国气象局武汉暴雨研究所中国气象局流域强降水重点开放实验室/暴雨监测预警湖北省重点实验室,湖北武汉 430205

苏州大学江苏省计算机信息处理技术重点实验室,江苏苏州 215006

展开 >

气候变化 厄尔尼诺-南方涛动 多气候变量 深度学习 时空序列预测 卷积神经网络

国家自然科学基金江苏省计算机信息处理技术重点实验室开放研究项目中国气象局交通气象重点开放实验室开放研究项目中国气象局流域强降水重点开放实验室开放研究项目江苏省研究生科研与实践创新计划

42075007KJS2275BJG2023062023BHR-Y14KYCX23_1388

2024

10.19814/j.jese.2023.08029

地球科学与环境学报
长安大学

地球科学与环境学报

CSTPCD北大核心
影响因子：1.422
ISSN：1672-6561
年,卷(期)：2024.46(3)
  • 6