应用Attention-LSTM算法预测赤道太平洋浮标观测站位海表温度的方法

作者：邱钰; 丁军航; 徐腾飞; 官晟^*

来源：海洋科学进展, 2023, 41(02): 207-219.

• 海表温度
• 厄尔尼诺
• 拉尼娜
• 长短时记忆(LSTM)
• Attention机制
• 春季预报障碍(SPB)

ENSO(El Ni?o/Southern Oscillation)是发生在赤道东太平洋海域重要的海气耦合现象，在全球气候变化中起着重要作用。当热带太平洋东部的海表温度（Sea Surface Temperature,SST）出现连续5个月以上的异常升温/降温现象，就会产生厄尔尼诺现象/拉尼娜现象。因此，研究和预测这一区域的SST动态具有重要的科学意义。本文采用输入层附加Attention机制的长短时记忆（Long Short-Term Memory,LSTM）神经网络（Attention-LSTM）模型，对多时段、多站位的热带太平洋观测浮标站位获取的厄尔尼诺年和拉尼娜年的SST数据进行一年的预测。研究发现：实验站位SST预测中，LSTM算法的均方误差在0.5℃左右，而Attention-LSTM算法的均方误差均不超过0.31℃，证明了Attention-LSTM算法的预测精度高于传统的LSTM模型；在发生ENSO现象年份的东太平洋海域不同站，Attention-LSTM算法对SST的春季预报障碍（Spring Predictability Barrier,SPB）现象也有一定的精度改善作用。

• 单位
  自动化学院; 自然资源部第一海洋研究所; 工业控制技术国家重点实验室; 青岛大学