基于集成GCN-Transformer网络的ENSO预测模型

作     者：杜先君 李河 Du Xianjun;Li He

作者机构：兰州理工大学电气工程与信息工程学院甘肃兰州730050 

基　　金：国家自然科学基金项目(62241307) 甘肃省科技计划项目(22YF7FA166) 兰州市科技计划项目(2022-RC-60) 甘肃省教育厅高等学校创新基金项目(2021A-027) 

出 版 物：《海洋学报》 (Acta Oceanologica Sinica)

年 卷 期：2023年第45卷第12期

页      码：156-165页

摘      要：厄尔尼诺-南方涛动(El Niño-Southern Oscillation, ENSO)是热带太平洋海表面温度发生异常的现象,会导致冰雹、洪水、台风等极端天气的出现,因此对ENSO的准确预测意义重大。本文设计了集成GCN-Transformer(GCNTR)模型,首先运用Transformer网络的全局特征聚焦能力对数据特征进行编码,然后结合GCN提取图数据特征的能力,最后引入特征融合门控机制将经过编码的特征和GCN提取的特征进行融合,实现ENSO的精确预测。结果表明,GCNTR模型实现了对ENSO提前20个月的预测,比ENSOTR多了3个月,比Transformer多了5个月,并且模型绝大部分的预测精度优于其他模型。与现有的方法相比,GCNTR模型能够实现对ENSO更好的预测。

主 题 词：厄尔尼诺-南方涛动 图卷积神经网络 Transformer GCNTR 

学科分类：07[理学] 070601[070601] 0706[理学-大气科学类] 

核心收录：

D　O　I：10.12284/hyxb2023155

馆 藏 号：203126117...