摘要: 海表面温度作为海洋中一个最重要的变量，对全球气候、海洋生态等有很大的影响，因此十分有必要对海表面温度（SST）预报。深度学习具备高效的数据处理能力，但目前利用深度学习对整个赤道太平洋的SST短期预报及预报技巧的研究仍较少。本文基于最优插值海表面温度（OISST）的日平均SST数据，利用Long Short-term Memory（LSTM）网络构建了未来10天赤道太平洋（10°S-10°N，120.0°E-280°E）SST的逐日预报模型。LSTM预报模型利用1982-2010年的观测数据进行训练，2011-2020年的观测数据作为初值进行预报和评估。结果表明：赤道太平洋东部地区预报均方根误差（RMSE）大于中、西部，预报第1天东部RMSE为0.6℃左右，中、西部均小于0.3℃。在不同的年际变化位相，拉尼娜时期RMSE最大，正常年份次之，厄尔尼诺时期最小，拉尼娜时期比厄尔尼诺时期的RMSE在一些区域超过20%。预报偏差整体表现为东正西负。相关预报技巧上，中部最好，可预报天数基本为10天以上，赤道冷舌附近可预报天数为4-7天，赤道西边部分地区可预报天数为3天。预报模型在赤道太平洋东部地区各月份预报技巧普遍低于西部地区，相比较而言各区域10、11月份表现最差。总的来说，基于LSTM构建的SST预报模型能很好地捕捉到SST在时序上的演变特征，在不同案例中预报表现良好。同时该预报模型依靠数据驱动，能迅速且较好预报未来10天以内的日平均SST的短期变化。