一种基于区域海表面温度异常预测的ENSO预报深度学习模型

作者：许柏宁; 姜金荣; 郝卉群; 林鹏飞; 何丹丹区域ssta预测enso深度学习seq2seq

摘要：本文通过实验,从设计的四种深度学习网络模型中挑选出一种可以用来预测区域海平面温度异常（SSTA）的模型——序列到序列（Seq2Seq）模型,并确定了适合于此模型的一组最优的超参数（编码器使用正序输入、不使用L2正则化和使用Adam优化器）和输入变量个数。与传统的动力学ENSO预报模型相比,该模型在中长期（提前7个月以上）预测上的均方根误差（RMSE）表现要更好。在实际的SSTA（Ni？o3.4指数）预测实验中,该模型可以较好地预测出SSTA变化趋势,但在峰值处表现较差。与其他动力学和统计模型相比,该模型有较好的预测结果。因此,考虑其在中长期优于动力学模型的表现以及整体较好的预测结果,该模型可以作为一种ENSO预报以及区域SSTA预测的深度学习模型。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社