期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
A spatiotemporal 3D convolutional neural network model for ENSO predictions: A test case for the 2020/21 La Niña conditions
1
作者 Lu Zhou Chuan Gao Rong-Hua Zhang 《Atmospheric and Oceanic Science Letters》 CSCD 2023年第4期22-28,共7页
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... 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 Niño3.4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. 展开更多
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
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部