海表温度作为海洋-大气系统的重要参数,在全球气候系统中发挥着关键作用。实现海表温度的全球尺度高精度预测,对于气候变化、防灾减灾、海洋生态安全保障等均具有重要意义。
针对数值模式方法复杂度高、传统机器学习方法预测能力和区域普适性不足等问题,研究团队利用大数据人工智能方法,发展了基于注意力机制的深度学习模型,实现了全球海表温度的智能预测。
图1. 全球海表温度智能预测模型结构图
该模型可给出两种时间尺度(日、月)、0.25°空间分辨率的全球海表温度预测结果,具体来讲,日尺度预测场景下,可基于过去15天的全球海温数据,进行未来15天的全球海温预测;月尺度预测场景下,则基于过去12个月的全球月均海温数据,预测未来12个月的全球海温。精度评估结果表明:上述不同时间尺度下的模型预测结果均与真值具有一致的时空分布特征,且在气候变化敏感区域(Nino 3.4海域)表现良好;日、月尺度预测的均方根偏差分别为0.212~0.932℃、0.666~0.782℃,优于已有的深度学习模型(ConvLSTM、3D-CNN和LSTM)和数值模式。该成果在气候变化(如厄尔尼诺、拉尼娜等)、海洋灾害(如热浪)等研究方面具有潜在应用价值。
图2. 日尺度全球海表温度预测结果的相对偏差,(A)和(B)分别为模型预测的第1天和第15天结果的相对偏差,(C)和(D)分别为相应的相对偏差的概率统计直方图,(a)~(d)分别为本研究发展的模型EAM、3D-CNN、ConvLSTM和LSTM模型预测偏差的空间分布。
该研究成果近日发表于计算机领域TOP期刊Expert Systems with Applications,题目为“Effective Attention Model for Global Sea Surface Temperature Prediction”。论文第一作者为中山大学大气科学学院博士研究生潘信亮,我实验室地球系统模式创新团队核心成员、中山大学大气科学学院崔廷伟教授以及昆明理工大学张震博士为论文通讯作者,合作者包括山东科技大学江涛教授、自然资源部第一海洋研究所孙伟富高级工程师以及中山大学大气科学学院本科生谢佳伟、巫品臻。
该研究得到了南方海洋科学与工程广东省实验室(珠海)自主科研项目的支持。
原文链接:https://doi.org/10.1016/j.eswa.2024.124411