基于深度学习的ENSO预报方法研究

作     者：何丹丹 姜金荣 郝卉群 林鹏飞 He Dandan;Jiang Jinrong;Hao Huiqun;Lin Pengfei

作者机构：中国科学院计算机网络信息中心北京100190 中国科学院大学北京100049 中国科学院大气物理研究所北京100029 

基　　金：国家重点基础研究发展计划(2016YFB0200800) 中国科学院信息化专项课题(XXH13506-302) 中科院战略性先导科技专项项目(XDC01040000) 

出 版 物：《科研信息化技术与应用》 (E-science Technology & Application)

年 卷 期：2019年第10卷第1期

页      码：38-47页

摘      要：El Nino-Southern Oscillation(ENSO)作为全球年际尺度气候中最强的现象,对人们的生产生活造成了重大的影响,每年相关领域的研究人员都会对来年的ENSO作出预报。本文提出基于深度学习的ENSO预报方法,通过预测区域海平面温度(SST)来反映ENSO现象。本文分别对特征工程与模型设计两个方面进行了研究,最终确定了基于相关性的特征选择方法、利用Prophet构建特征以及基于Attention机制的Sequence to Sequence预报模型。最后,本文以NCEP数据集的Nino3.4区域数据为例,分别使用本文提出的模型与集合预报、数值预报的中间耦合模型(ICM)、Sequence to Sequence模型和长短时记忆(LSTM)网络进行对比,结果表明,本文提出的基于Attention机制的Sequenceto Sequence预报模型在长期预测中的均方根误差(RMSE)比其他方法下降了0.3到0.4,短期预测与其他方法相当,并且区域的RMSE分布稳定。

主 题 词：ENSO SST 特征工程 Sequence to Sequence Attention机制 

学科分类：07[理学] 0707[理学-海洋科学类] 

D　O　I：10.11871/j.issn.1674-9480.2019.01.005

馆 藏 号：203822901...