DualST:基于双重时空网络的ENSO预测模型OA

准确的厄尔尼诺-南方涛动(El Niño-Southern Oscillation,ENSO)预测对于预防极端天气、气候事件具有重要意义。近年来,深度学习在ENSO预测领域已取得显著进展,但现有模型在捕捉复杂动态时、空关联方面仍存在局限。为解决上述问题,以英国气象局哈得来中心提供的全球海温信息为研究数据,提出了一种基于双重时空网络架构(Dual Spatial Temporal network,DualST)的ENSO预测模型,该模型创新性地设计了时空图卷积网络(Spatiotemporal Graph Convolutional Network,ST-GCN),通过新颖的边计算模块学习ENSO时空数据之间的相关,并将其转换为图数据,使得图卷积网络能够精准捕捉ENSO复杂的时、空动态特性。此外,利用注意力机制擅长捕捉长距离依赖的优势,来提高ENSO长期预测准确度。试验结果表明,DualST在Nino3.4指数预测相关系数上显著优于对比的其他深度学习模型,并可以达到20个月的有效ENSO预测。此外,MAE和RMSE的增长也较为平缓。从而表明,DualST模型通过边计算等创新模块有效建模了海温场之间的动态相关,显著提升了ENSO的长期预测性能。