深度学习在湖南次季节气温预测业务中的应用

摘要

利用1981—2023年NCEP/NCAR逐日再分析资料、NOAA逐日向外长波辐射资料、湖南省97个站点逐日气温及NCEP、CMA两家次季节-季节(sub-seasonal to seasonal, S2S)预测业务模式预报产品，使用卷积神经网络(convolutional neural network, CNN)和迁移学习方法，建立了湖南次季节尺度气温预测模型，并与动力模式预报技巧进行对比评估。结果表明：CNN模型在不同起报时间(提前1～10 d)对月气温距平预测的空间相关系数相比两家动力模式具有显著优势，同时时间相关系数、符号一致率和均方根误差也得到一定的提高。可解释性分析显示，热带印度洋地区在深度学习模型中关注度最高，这些区域的预测因子可能是气温预测的重要可预报性来源。

关键词

气温预测 / 深度学习 / 迁移学习