可解釋的深度學習方法揭示海表鹽度在長期ENSO預報中的關鍵作用
近日,海洋所李曉峰研究團隊研究開發(fā)了一種深度學習模型-時空金字塔網(wǎng)絡(STPNet),并探討了海表鹽度(SSS)在提高厄爾尼諾-南方濤動(ENSO)預測中的作用。該模型成功將ENSO的預測提前到24個月,并在解決春季可預測性障礙(SPB)問題上取得了顯著進展。成果近日發(fā)表于國際學術期刊npj Climate and Atmospheric Science (IF 8.5)。
傳統(tǒng)的ENSO預測大多依賴海表溫度(SST)數(shù)據(jù)。然而,隨著近年來衛(wèi)星觀測技術的發(fā)展,海表鹽度數(shù)據(jù)的可獲得性逐漸增加。研究表明,SSS通過影響海洋層化結構和熱量再分配,對ENSO的發(fā)展和強度有著重要影響。具體而言,該研究揭示了SST對于短期預測(小于一年)的關鍵作用,而SSS則在中長期預測(超過6個月)中占據(jù)重要地位。
研究團隊應用深度學習技術,結合多尺度金字塔結構和時空特征提取模塊,開發(fā)了STPNet模型。STPNet模型在2000年至2021年期間,成功延長了ENSO的有效預測時長,并顯著降低了春季可預測性障礙的影響。?

上圖為STPNet架構,下圖為該模型在SST和SST/SSS為輸入時的不同表現(xiàn),以及同經(jīng)典CNN、ResCNN模型的比較
該研究的另一大亮點是其算法的可解釋性。通過基于梯度反向傳播的顯著性圖方法,研究人員能夠評估SST和SSS在ENSO預測中的相對重要性。這一方法不僅有助于揭示深度學習模型的內(nèi)部機制,也為理解ENSO的發(fā)展過程提供了全新的視角。研究結果表明,在中長期預測中,SSS的貢獻顯著增強,特別是在中央太平洋區(qū)域,SSS的變化是預測未來ENSO事件的關鍵。并揭示了ENSO事件的全球時空變化特征,強調了不同海盆之間、熱帶與非熱帶區(qū)域之間的相互作用對ENSO預測的重要性。?

圖(a)顯示 ENSO 相關的 SST 信號在南緯 10 度和北緯 10 度之間的平均隨提前預報時間的變化。圖(b)顯示ENSO相關 SST 信號在所有經(jīng)度平均隨提前預報時間的變化。。圖(c) ENSO 相關 SSS 信號與圖 a 相同。圖(d) ENSO 相關 SSS 信號與 b 圖相同。圖(e)2002-2021年期間,STPNet利用不同海盆和(f)不同緯度帶的 SST 和 SSS 作為輸入,觀測STPNet模型預報能力的變化。?
該項研究為未來ENSO預測模型的發(fā)展提供了新的方向。隨著更多衛(wèi)星SSS數(shù)據(jù)的獲取,以及對SSS與ENSO關系的進一步探索,預計該模型將在實際操作中展示出更強的應用潛力。研究團隊還計劃在未來的工作中加入海洋次表層溫度和鹽度數(shù)據(jù),以進一步提升ENSO預測的準確性。
本文第一作者是中國科學院海洋研究所博士研究生王浩宇,通訊作者為李曉峰研究員,其他合作者包括Duke大學胡世能助理教授和海洋所官聰副研究員。由中國科學院戰(zhàn)略性先導科技專項等多項基金資助,相關成果下載網(wǎng)頁:?
Wang, H., Hu, S., Guan, C. Li, X., The role of sea surface salinity in ENSO forecasting in the 21st century. npj Clim Atmos Sci 7, 206 (2024). https://doi.org/10.1038/s41612-024-00763-6
附件下載:
魯公網(wǎng)安備37020202001323號 | 古鎮(zhèn)口園區(qū)地址:青島市西海岸新區(qū)海軍路88號 南海路園區(qū)地址:青島市市南區(qū)南海路7號 科考船碼頭基地:青島市西海岸新區(qū)長江東路8號 |
郵編:266000 郵件:iocas@qdio.ac.cn 電話:0532-82898611 傳真:0532-82898612 |
