可解释的深度学习方法揭示海表盐度在长期ENSO预报中的关键作用

文章预览

近日，海洋所李晓峰研究团队研究开发了一种深度学习模型-时空金字塔网络（STPNet），并探讨了海表盐度（SSS）在提高厄尔尼诺-南方涛动（ENSO）预测中的作用。该模型成功将ENSO的预测提前到24个月，并在解决春季可预测性障碍（SPB）问题上取得了显著进展。成果近日发表于国际学术期刊npj Climate and Atmospheric Science （IF 8.5）。 传统的ENSO预测大多依赖海表温度（SST）数据。然而，随着近年来卫星观测技术的发展，海表盐度数据的可获得性逐渐增加。研究表明，SSS通过影响海洋层化结构和热量再分配，对ENSO的发展和强度有着重要影响。具体而言，该研究揭示了SST对于短期预测（小于一年）的关键作用，而SSS则在中长期预测（超过6个月）中占据重要地位。 研究团队应用深度学习技术，结合多尺度金字塔结构和时空特征提取模块，开发了STPNet模型。STPNe ………………………………