基于 LSTM 深度学习的 ENSO 预测及其春季预报障碍研究
2021-12-17周佩黄颖婕胡冰逸韦骏
周佩 黄颖婕 胡冰逸,2 韦骏,3,†
基于 LSTM 深度学习的 ENSO 预测及其春季预报障碍研究
周佩1黄颖婕1胡冰逸1,2韦骏1,3,†
1.热带大气海洋系统科学教育部重点实验室, 中山大学大气科学学院, 广州 510275; 2.北京大学汇丰商学院, 深圳 518055; 3.广西大学海洋学院, 南宁 530004; †通信作者, E-mail: weijun5@mail.sysu.edu.cn

长短期记忆人工神经网络(LSTM); ENSO; 预报误差; 春季预报障碍(SPB); Niño3.4指数
ENSO (El Niño-Southern Oscillation)预测模型可根据所依据的计算原理分为统计模型和动力学模型两大类[1‒2]。统计模型主要结合大量的历史数据和统计理论(如统计回归和神经网络), 找出大气与海洋变量之间的函数关系。动力学模型主要基于大气‒海洋相互作用的动力学理论, 广泛应用于季节时间尺度的 ENSO 预测。在过去的几十年中, 通过改进初始条件和参数化方案, 开发新的预测方法, ENSO 的预测能力得到很大的提升[3]。然而, 如果将预测模型的起报时间提前 6 个月以上, 两类模型的预测能力都会因春季预极障碍(spring predictabi-lity barrier,SPB)现象而大幅度下降[4‒6]。
SPB 现象最先由 Webster 等[7]发现, 已成为 ENSO预报研究领域非常重要的课题。他们看到, 一旦遇到北半球的春季, 对 ENSO 的预测能力将迅速衰减, 且与预报起始月份和预报提前时间无关。科学家针对 SPB 展开大量研究, 但对其形成原因没有统一的观点[8]。Webster 等[7]率先提出, 海‒气耦合系统在春季处于最敏感时期, 有利于误差增长; 同时, 南亚夏季风也处于发展阶段, 很容易诱发 SPB 现象。Webster[9]进一步指出, 春季是赤道耦合系统最脆弱的季节, 系统的“信噪比”最低, 最易受外界干扰, 从而导致 SPB 形成。此外, Torrence 等[10]认为气候态的转换也是SPB 的诱发因子。……