基于深度学习的ENSO预报方法研究

• 作者: 何丹丹 姜金荣 林鹏飞 郝卉群
• 来源期刊: 科研信息化技术与应用
• 关键词: ENSO SST 特征工程 Sequence to Sequence Attention机制
• 年，卷（期）: 2019,（1）
• 所属期刊栏目: 应用
• 页码范围: 38-47
• 页数: 10页
• 字数: 5009字
• 语种: 中文
• DOI: 10.11871/j.issn.1674-9480.2019.01.005

摘要

El Ni(n)o-Southern Oscillation (ENSO)作为全球年际尺度气候中最强的现象,对人们的生产生活造成了重大的影响,每年相关领域的研究人员都会对来年的ENSO作出预报.本文提出基于深度学习的ENSO预报方法,通过预测区域海平面温度(SST)来反映ENSO现象.本文分别对特征工程与模型设计两个方面进行了研究,最终确定了基于相关性的特征选择方法、利用Prophet构建特征以及基于Attention机制的Sequence to Sequence预报模型.最后,本文以NCEP数据集的Ni(n)o3.4区域数据为例,分别使用本文提出的模型与集合预报、数值预报的中间耦合模型(ICM)、Sequence toSequence模型和长短时记忆(LSTM)网络进行对比,结果表明,本文提出的基于Attention机制的Sequence to Sequence预报模型在长期预测中的均方根误差(RMSE)比其他方法下降了0.3到0.4,短期预测与其他方法相当,并且区域的RMSE分布稳定.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	姜金荣	中国科学院计算机网络信息中心	17	25	3.0	4.0
2	林鹏飞	中国科学院大气物理研究所	18	92	4.0	9.0
3	郝卉群	中国科学院计算机网络信息中心	4	5	1.0	2.0
4	何丹丹	中国科学院计算机网络信息中心	2	3	1.0	1.0