| 应用Attention-LSTM算法预测赤道太平洋浮标观测站位海表温度的方法 |
| |
| 引用本文： | 邱钰,丁军航,徐腾飞,官晟.应用Attention-LSTM算法预测赤道太平洋浮标观测站位海表温度的方法[J].海洋科学进展,2023(2):207-219. |
| |
| 作者姓名： | 邱钰 丁军航 徐腾飞 官晟 |
| |
| 作者单位： | 1. 青岛大学自动化学院;2. 自然资源部第一海洋研究所;3. 山东省工业控制技术重点实验室;4. 自然资源部海洋环境科学与数值模拟重点实验室;5. 山东省海洋环境科学与数值模拟重点实验室;6. 青岛海洋科学与技术试点国家实验室区域海洋动力学与数值模拟功能实验室 |
| |
| 基金项目： | 国家重点研发计划项目（2021YFC3101105）； |
| |
| 摘 要： | ENSO(El Ni?o/Southern Oscillation)是发生在赤道东太平洋海域重要的海气耦合现象，在全球气候变化中起着重要作用。当热带太平洋东部的海表温度（Sea Surface Temperature,SST）出现连续5个月以上的异常升温/降温现象，就会产生厄尔尼诺现象/拉尼娜现象。因此，研究和预测这一区域的SST动态具有重要的科学意义。本文采用输入层附加Attention机制的长短时记忆（Long Short-Term Memory,LSTM）神经网络（Attention-LSTM）模型，对多时段、多站位的热带太平洋观测浮标站位获取的厄尔尼诺年和拉尼娜年的SST数据进行一年的预测。研究发现：实验站位SST预测中，LSTM算法的均方误差在0.5℃左右，而Attention-LSTM算法的均方误差均不超过0.31℃，证明了Attention-LSTM算法的预测精度高于传统的LSTM模型；在发生ENSO现象年份的东太平洋海域不同站，Attention-LSTM算法对SST的春季预报障碍（Spring Predictability Barrier,SPB）现象也有一定的精度改...
|
| 关 键 词： | 海表温度 厄尔尼诺 拉尼娜 长短时记忆(LSTM) Attention机制 春季预报障碍(SPB) |
|
