基于时间序列LSTM模型的ENSO指数预报试验

• 作者: 朵凡 陈福
• 来源期刊: 气候变化研究快报
• 学科: 地球科学
• 关键词: ENSO LSTM 深度神经网络 时间序列预报
• 年，卷（期）: 2019,（3）
• 页码范围: 287-295
• 页数: 9页
• 分类号: P4

摘要

为了提高ENSO事件的预报能力,本文利用1951~2008年Niño 3.4和南方涛动指数(Southern Oscilla-tion index,简称SOI)时间序列数据,建立了关于ENSO指数预报的时间序列LSTM模型,并对2009~2018年期间Niño 3.4或SOI指数进行预测。结果表明,对于Niño 3.4指数,时间序列LSTM模型在1~12个月预报时效内都具有很好的预报能力,尽管模型对15/16年间超强厄尔尼诺事件的振幅预测仍有一定的误差。而对于SOI指数,模型仅在1~3个月的短预报时效内有一定的预报能力,原因是SOI中高频的季节内信号使SOI指数不具备长期的可预测性。实验结果也证明,在经过7个月的滑动平均后,模型在不同预报时效下对SOI指数的预报能力都有显著的提升,与Niño 3.4指数接近。而相对其他方法,时间序列LSTM模型具有一定预报能力优势,且具有建模方便,可同时得到不同时间预测结果等优点。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈福	中国海洋大学物理海洋实验室	1	0	0.0	0.0
2	朵凡	加州大学圣地亚哥分校雅各布斯工程学院	1	0	0.0	0.0