高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

深度学习在印度洋偶极子预报中的应用研究

刘俊 唐佑民 宋迅殊 孙志林

刘俊, 唐佑民, 宋迅殊, 孙志林. 深度学习在印度洋偶极子预报中的应用研究[J]. 大气科学. doi: 10.3878/j.issn.1006-9895.2105.21048
引用本文: 刘俊, 唐佑民, 宋迅殊, 孙志林. 深度学习在印度洋偶极子预报中的应用研究[J]. 大气科学. doi: 10.3878/j.issn.1006-9895.2105.21048
Deep learning for the Indian Ocean Dipole forecast[J]. Chinese Journal of Atmospheric Sciences. doi: 10.3878/j.issn.1006-9895.2105.21048
Citation: Deep learning for the Indian Ocean Dipole forecast[J]. Chinese Journal of Atmospheric Sciences. doi: 10.3878/j.issn.1006-9895.2105.21048

深度学习在印度洋偶极子预报中的应用研究

doi: 10.3878/j.issn.1006-9895.2105.21048
基金项目: 国家自然科学基金,国家重点基础研究规划项目

Deep learning for the Indian Ocean Dipole forecast

  • 摘要: 印度洋偶极子(IOD)是热带印度洋秋季最强的年际变率,它会通过大气遥相关来影响世界许多地区的气候。目前耦合气候模式对IOD预报技巧仍非常有限,远低于热带太平洋的厄尔尼诺事件的预报技巧。鉴于深度学习具备高效的数据处理能力,本文使用深度学习中的卷积神经网络(CNN)与人工神经网络中的多层感知机(MLP)处理再分析观测资料,从而进行IOD预报。由于当预报初始时刻为北半球冬春季时,对IOD事件的预报技巧较低。因此,为探索CNN的预报能力,本文仅使用三种初始时刻,分别为1-2-3月(Jan-Feb-Mar,JFM)、2-3-4月(Feb-Mar-Apr,FMA)、3-4-5月(Mar-Apr-May,MAM),来预报其后续七个月的印度洋偶极子指数(DMI)、东极子指数(EIO)和西极子指数(WIO)。结果表明:CNN对DMI、EIO和WIO指数的有效预测时效均超过了6个月。与现在耦合动力模式相比,CNN模型能够显著提升DMI指数和EIO指数的预报技巧,但对WIO指数的预报技巧提升有限。当预报提前时间为7个月时,CNN模型能够比较准确地预报1994、1997与2019年的IOD事件。由于CNN模型能够更好地抓住印度洋海温的空间结构特征,它对IOD事件的预报技巧比传统神经网络MLP高。
  • 加载中
计量
  • 文章访问数:  115
  • HTML全文浏览量:  35
  • PDF下载量:  80
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-22
  • 录用日期:  2021-06-18
  • 修回日期:  2021-05-11
  • 网络出版日期:  2021-06-21

目录

    /

    返回文章
    返回