首页|期刊导航|大气和海洋科学快报（英文版）|A spatiotemporal 3D convolutional neural network model for ENSO predictions:A test case for the 2020/21 La Nina conditions
大气和海洋科学快报（英文版）2023，Vol.16Issue(4)：22-28,7.DOI:10.1016/j.aosl.2023.100330
A spatiotemporal 3D convolutional neural network model for ENSO predictions:A test case for the 2020/21 La Nina conditions
A spatiotemporal 3D convolutional neural network model for ENSO predictions:A test case for the 2020/21 La Nina conditions
摘要
Abstract
2020-22年间热带太平洋经历了持续性多年的拉尼娜事件,多数耦合模式都难以准确预测其演变过程,这为厄尔尼诺-南方涛动(ENSO)的实时预测带来了很大的挑战.同时,目前学术界对此次持续性双拉尼娜事件的发展仍缺乏合理的物理解释,其所涉及的物理过程和机制有待于进一步分析.本研究利用再分析数据产品分析了热带东南太平洋东南风异常及其引起的次表层海温异常在此次热带太平洋海表温度(SST)异常演变中的作用,并构建了一个时空分离(Time-Space)的三维(3D)卷积神经网络模型(TS-3DCNN)对此次双拉尼娜事件进行实时预测和过程分析.通过将TS-3DCNN与中国科学院海洋研究所(IOCAS)中等复杂程度海气耦合模式(IOCAS ICM)的预测结果对比,表明TS-3DCNN模型对2020-22年双重拉尼娜现象的预测能力与IOCAS ICM相当,二者均能够从2021年初的初始场开始较好地预测2021年末El Ni?o3.4区SST的演变.此外,基于TS-3DCNN和IOCAS ICM的敏感性试验也验证了赤道外风场异常和次表层海温异常在2021年末赤道中东太平洋海表二次变冷过程中的关键作用.未来将神经网络与动力模式模式间的有效结合,进一步发展神经网络与物理过程相结合的混合建模是进一步提高ENSO事件预测能力的有效途径.关键词
ENSO预测/深度学习模型/动力耦合模式/多年拉尼娜/物理可解释性Key words
ENSO prediction/Deep learning-based model/Dynamical coupled model/Multi-year La Nina/Process attribution for interpretability引用本文复制引用
Lu Zhou,Chuan Gao,Rong-Hua Zhang..A spatiotemporal 3D convolutional neural network model for ENSO predictions:A test case for the 2020/21 La Nina conditions[J].大气和海洋科学快报（英文版）,2023,16(4):22-28,7.基金项目
Gao was supported by the Strategic Priority Research Program of the Chinese Academy of Sciences[grant number XDA 19060102].Zhang was supported by the National Natural Science Foundation of China[grant number 42030410],the Laoshan Laboratory[grant number LSL202202402],the Strategic Priority Research Program of the Chinese Academy of Sciences[grant number XDB40000000],and the Startup Foundation for Introducing Talent of NUIST. （）
