纳入季节性气候数据的厄尔尼诺-南方涛动预报统一深度学习模型（英文）

作者：Yoo-Geun Ham; Jeong-Hwan Kim; Eun-Sol Kim; Kyoung-Woon On

来源：Science Bulletin, 2021, 66(13): 1358-1366.

尽管深度学习实现了厄尔尼诺-南方涛动(ENSO)预报的里程碑式发展,但当前模型还无法模拟基于季节变化的ENSO的多种特征.现有模型大多是基于某一特殊季节,未能考虑不同目标季节以及预测提前期的物理约束,从而会导致预测出的时间序列存在随机波动信号.为了克服以上问题,并考虑ENSO的季节性特征,本文发展了一个全季节的卷积神经网络模型(ACNN).该模型对于预测北半球春季,也就是预测难度最大的季节的ENSO指数相关系数技巧显著提高.此外,随着预测提前期的增加,该模型的激活图值会出现显著的时间演变特征. ACNN揭示了随时间推移出现的对ENSO事件有不同影响的各种气候前兆的综合作用,有望成为气候预测有效诊断工具.