气象科学

作者：胡楠，孙源，张永垂，钟中

单位：国防科技大学 气象海洋学院, 长沙 410005,,国防科技大学 气象海洋学院, 长沙 410005,,国防科技大学 气象海洋学院, 长沙 410005,,国防科技大学 气象海洋学院, 长沙 410005,

关键词：深度学习;ConvLSTM模型;SST预报;西北太平洋

基金：国家自然科学基金资助项目(42075035; 41675077; 41605072)

尽管海表温度(Sea Surface Temperature,SST)短期变化较小,但这种变化对海洋涡旋、海洋锋以及热带气旋的发生发展仍有着重要的影响,因此短期SST预报意义重大,且对预报精度的要求较高。本文基于ConvLSTM的深度学习模型,利用SST和温度平流双预报因子对西北太平洋划定区域内SST进行7 d的连续预报,将其结果与仅使用SST预报因子ConvLSTM以及混合坐标海洋模型(HYbrid Coordinate Ocean Model,HYCOM)的预报结果分别进行了对比。结果表明,在7 d的预报时效内,温度平流预报因子的加入可使得ConvLSTM模型预报技巧大幅提升,明显优于HYCOM模式。此外,本文将预报时效进一步延长至30 d,对模型在不同季节的预报能力进行了分析,发现ConvLSTM模型在春、秋季(夏、冬季)的预报效果相对较好(差)。

来源：2024年第2期

《气象科学》期刊编辑部

查看气象科学杂志2024年第2期