全球高分辨率海洋预报系统中的SST预报偏差校正

作者：刘波; 谢波涛; 黄必桂; 尹训强; 王志翔; 杨永增

来源：海洋科学进展, 2023, 41(03): 444-455.

• SST
• 偏差校正
• 线性回归
• LSTM

本文基于卫星遥感的观测海表面温度（Sea Surface Temperature,SST）数据和自然资源部第一海洋研究所全球0.1°分辨率海浪-潮流-环流耦合数值预报模式（The surface wave-tide-circulation coupled ocean model developed by First Institute of Oceanography,MNR,China,FIO-COM）的预报结果，采用线性回归模型和长短期记忆神经网络（Long Short-Term Memory,LSTM）对SST预报结果进行误差校正。利用2016—2021年的数据开展了一系列对比试验，线性回归模型基于局部线性的假设实现对下一时刻误差的预报，LSTM利用2016—2020年共56个月的历史偏差数据训练模型，使用2021年的数据进行检验。结果表明，线性回归模型和LSTM神经网络都可以改善预报结果，LSTM神经网络相对于线性回归模型的效果更好，SST误差降低70%左右；与线性回归模型相比，经LSTM校正后的各点的偏差的概率密度分布集中在0附近。LSTM方法在统计意义上优于线性拟合且结果更稳定，可进一步推广到海洋数值预报多要素偏差校正。

• 单位
  自然资源部第一海洋研究所; 中海油研究总院有限责任公司