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 5102752. 北京大学汇丰商学院, 深圳 5180553. 广西大学海洋学院, 南宁 530004

收稿日期:2020-12-25修回日期:2021-04-26出版日期:2021-11-20

基金资助:广东省重点领域研发计划(2020B1111020003)、国家重点研发计划(2016YFA0202704)、广西壮族自治区特聘专家经费(2018B08)和国家自然科学基金(41976007, 91958101)资助

Spring Predictability Barrier Phenomenon in ENSO Prediction ModelBased on LSTM Deep Learning Algorithm

ZHOU Pei¹, HUANG Yingjie¹, HU Bingyi^1,2, WEI Jun^1,3,?

1. Key Laboratory of Tropical Atmosphere-Ocean System (MOE), School of Atmospheric Sciences, Sun Yat-Sen University, Guangzhou 5102752. HSBC Business School, Peking University, Shenzhen 5180553. School of Marine Sciences, Guangxi University, Nanning 530004

Received:2020-12-25Revised:2021-04-26Published:2021-11-20

PDF

(725KB)

可视化

0

复制本文网址

1. 探讨2016版国际胰瘘研究小组定义和分级系统对胰腺术后患者胰瘘分级的影响.PDF(500KB)

-->

摘要/Abstract

摘要： 利用长短期记忆网络(LSTM)深度学习算法构建一个热带太平洋Nino3.4指数预测模型, 并分析模型的季节预报误差。结果表明, LSTM模型能够较好地预测厄尔尼诺事件的变化趋势, 但针对不同类型的厄尔尼诺事件有不同的表现。对于1997/1998和 2015/2016强东部型厄尔尼诺事件, 该模型能较准确地预测事件的趋势和峰值, 距平相关系数(ACC)达到0.93以上。但是, 对于 1991/1992和2002/2003弱中部型厄尔尼诺事件, 在峰值预测方面表现不好。在厄尔尼诺增长期,预报误差的季节增长率最大值皆处于4—6月,存在明显的春季预报障碍(SPB)现象。在衰减期,同类型事件的季节增长率最大值分布相似:弱中部型厄尔尼诺事件的最大值皆处于春季,存在明显的SPB现象;强东部型厄尔尼诺事件的最大值分散在其他季度,不存在SPB现象。个体事件间存在一定的差异,可能与事件的特征(如事件类型和强度)有关。

引用本文

周佩, 黄颖婕, 胡冰逸, 韦骏. 基于LSTM深度学习的ENSO预测及其春季预报障碍研究[J]. 北京大学学报自然科学版, 2021, 57(6): 1071-1078.
ZHOU Pei, HUANG Yingjie, HU Bingyi, WEI Jun. Spring Predictability Barrier Phenomenon in ENSO Prediction ModelBased on LSTM Deep Learning Algorithm[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2021, 57(6): 1071-1078.





PDF全文下载地址:

http://xbna.pku.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=3679