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。
-
点击查看大图
计量
- 文章访问数: 235
- HTML全文浏览量: 77
- PDF下载量: 126
- 被引次数: 0
下载:
