基于LSTM深度学习的ENSO预测及其春季预报障碍研究

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Ni?o3.4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(kmax)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kmax分布相似:弱中部型厄尔尼诺事件的kmax皆处于春季,存在明显的SPB现象;强东部型厄尔尼诺事件的kmax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.

关键词：长短期记忆人工神经网络(LSTM);ENSO;预报误差;春季预报障碍(SPB);Ni?o3.4指数

所属期刊栏目：57

资助基金：广东省重点领域研发计划;国家重点研发计划;广西壮族自治区特聘专家经费;国家自然科学基金

在线出版日期：2021-12-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1071-1078