摘要
热带太平洋在2020～2022年经历了连续三次的拉尼娜事件之后,其未来气候状态的演变成为主要的关注焦点.观测和模式模拟研究表明,2023年热带太平洋正在发生厄尔尼诺事件;然而,其详细演变过程存在较大的不确定性,对此次事件的强度预测及其影响因子等尚有待于更深入地理解.本文采用一个基于深度学习的Transformer模型(称之为3D-Geoformer),对热带太平洋与厄尔尼诺和南方涛动(ENSO)相关的2023～2024年气候状态进行了实时预测.该模型采用了几个对热带太平洋ENSO至关重要的海洋-大气关键变量作为输入和输出场,使得这一纯数据驱动的模型在训练和预测过程中都能充分表征了海洋-大气间耦合及相互作用;该模型预测过程采用与动力模式类似的滚动方式:海洋-大气异常场间每月进行交换.另外,预测时采用了多月时间段(Time intervals,TIs)中的海洋-大气关键变量场信息作为预报因子(输入场),这样的初始场可更有效地约束未来的演变.3D-Geoformer的实时预测结果表明,热带太平洋确定会在2023年年末发展成为厄尔尼诺事件.此外,基于3D-Geoformer进行了敏感性试验以检验输入场是如何影响预测技能的,包括TIs的取值以阐明初始场中保留多长时间段的海洋-大气关键变量场相关信息可得到更为有效的预测.最后,还与其他动力耦合模式进行对比以展示该模型对2023～2024年厄尔尼诺事件的预测性能.
万方数据