基于深度学习的海面温度预报偏差订正与温度锋预测研究
随着业务化海洋学可以像数值天气预报那样基于海洋数值预报系统常规提供各种海洋要素的预报场，人们开始越来越多地使用海洋数值预报产品。但由于海洋数值预报系统中的动力模式内核、物理参数化方案、预报初始场和边界条件等均存在不确定性，使得海洋数值预报产品不可避免地偏离实际。因此像数值天气预报领域那样，采用经验方法对海洋数值预报产品进行后处理，开展常规的海洋数值预报偏差订正不失为一种有效提高海洋数值预报产品精度的手段。海面温度作为海洋环境的一个重要参数，对数值天气预报、海洋数值预报和气候研究均有着重要影响，因此开展海面温度数值预报偏差订正是一直以来人们关注的前沿方向。本文基于经验正交函数（EmpiricalOrthogonalFunction，EOF）分析的降维性和反向传播（Back-Propagation，BP）神经网络强大的非线性拟合性能，构建了EOF-BP偏差订正模型，并利用卫星遥感融合海面温度数据开展了南海区域的海面温度数值预报产品的偏差订正试验。研究发现，在偏差序列平稳的条件下，该模型可以将偏差高达?3℃的海面温度数值预报产品精度提高至卫星遥感海面温度误差范围内（±0.5℃）；而当偏差序列突现异常时，对于BP神经网络来说，其训练学习预测效果也出现异常，这使得最终的海面温度数值预报偏差订正试验以失败告终。 温度锋是海洋中非常活跃的中尺度现象的显著特征，影响着海洋中的化学物质、营养盐和热量的时空分布。南海北部宽阔的陆架区域常年活跃着海面温度锋。因此，基于海面温度开展南海北部海面温度锋的中长期预测研究具有重要的科学意义和广泛的实际应用价值。本文将EOF分别与长短时记忆神经网络（LongShort-TermMemoryNetwork，LSTM）和门控循环单元（GatedRecurrentUnit，GRU）相结合，研究构建了EOF-LSTM和EOF-GRU两种预测模型，开展了南海区域海面温度中长期预测研究，在此基础上，检验了这两种模型对南海北部海面温度锋的预测效果。相比较而言，在30天的预测时效内，EOF-LSTM模型的预测精度要好于EOF-GRU模型，其30天的海面温度预测均方根误差（rootmeansquareerror，RMSE）和距平相关系数（anomalycorrelationcoefficient，ACC）分别为0.656℃和0.645。基于锋面强度、位置和概率指标检验了EOF-LSTM模型对南海北部海面温度锋的预测效果。结果表明，从锋面强度、位置和概率这三个指标来看，预测结果的偏差并未呈现随着预测时效的增加而增加的特征。锋面强度和锋面位置预测的最大预测偏差分别为0.37℃/100km和33km。对于海面温度锋出现概率高的区域的预测效果要好于出现概率低的区域，且与预测时效长短关系不大。从南海北部典型海面温度锋面的断面检验结果来看，对于海面温度锋强度和中心位置的季节性预测30天时效的偏差位于?0.12~0.08℃/100km和?0.48~0.11km范围内，且强度偏差会随着预测时效的增加而增加，而锋面中心位置的偏差并未呈现这种规律。
海面温度;预报偏差订正;温度锋;经验正交函数分析;神经网络
天津大学
硕士
海洋科学
韩桂军
2022
中文
P457.3
2023-08-29（万方平台首次上网日期，不代表论文的发表时间）