典型文献
深度学习在印度洋偶极子预报中的应用研究
文献摘要：
印度洋偶极子(IOD)是热带印度洋秋季最强的年际变率,它会通过大气遥相关来影响世界许多地区的气候.目前耦合气候模式对IOD预报技巧仍非常有限,远低于热带太平洋的厄尔尼诺事件的预报技巧.鉴于深度学习具备高效的数据处理能力,本文使用深度学习中的卷积神经网络(CNN)与人工神经网络中的多层感知机(MLP)处理再分析观测资料,从而进行IOD预报.由于当预报初始时刻为北半球冬春季时,对IOD事件的预报技巧较低.因此,为探索CNN的预报能力,本文仅使用三种(1～3月、2～4月、3～5月)初始时刻的海表温度异常(SSTA)作为CNN的输入数据,来预报其后续七个月的印度洋偶极子指数(DMI)、东极子指数(EIOI)和西极子指数(WIOI).结果表明:CNN对DMI、EIOI和WIOI的有效预测时效均超过了6个月.与现在耦合动力模式相比,CNN模型能够显著提升DMI和EIOI的预报技巧,但对WIOI的预报技巧提升有限.当预报提前时间为7个月时,CNN模型能够比较准确地预报1994、1997与2019年的IOD事件.由于CNN模型能够更好地抓住印度洋海温的空间结构特征,它对IOD事件的预报技巧比传统神经网络MLP高.
文献关键词：
印度洋偶极子;深度学习;卷积神经网络;气候预报
中图分类号：
作者姓名：
刘俊;唐佑民;宋迅殊;孙志林
作者机构：
浙江大学海洋学院, 杭州310058;自然资源部第二海洋研究所卫星海洋环境动力学国家重点实验室, 杭州310012;河海大学海洋学院自然资源部海洋灾害预报重点实验室, 南京210021;南方海洋科学与工程广东省实验室(珠海), 珠海519082
文献出处：
引用格式：
[1]刘俊;唐佑民;宋迅殊;孙志林-.深度学习在印度洋偶极子预报中的应用研究)[J].大气科学,2022(03):590-598
A类：
EIOI,WIOI
B类：
印度洋偶极子,IOD,热带印度洋,年际变率,大气遥相关,影响世界,气候模式,预报技巧,热带太平洋,厄尔尼诺事件,处理能力,使用深度,人工神经网络,多层感知机,MLP,再分析,观测资料,北半球,冬春季,海表温度异常,SSTA,输入数据,七个,DMI,动力模式,印度洋海温,空间结构特征,气候预报
AB值：
0.25592
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
