基于深度学习改进次季节至季节尺度全球海表温度预测能力

《Advanced Science》：Improved Skills for Predicting Sub-Seasonal to Seasonal Global Sea Surface Temperature

　　

在次季节至季节（sub-seasonal to seasonal，S2S）时间尺度上准确预测全球海表温度（Sea Surface Temperature，SST）对干旱与洪涝预报以及提升人类社会灾害防范能力具有关键作用。业务化基于物理的数值模式可用于预测S2S海表温度及厄尔尼诺-南方涛动（El Ni?o-Southern Oscillation，ENSO）等相关气候指数，但这些模式受计算效率低、海气初始条件快速耗散、显著不确定性与偏差等问题的制约。研究人员提出一种新型时空深度学习神经网络，用于建模非线性且复杂的耦合大气-海洋天气系统。该模型命名为CAS-Canglong，融合气候与时间特征，并采用自注意力机制（self-attention mechanism）以增强全球S2S海表温度空间型预测能力。相比物理模式，该模型具有更高计算效率与更强预测能力，在对陆地S2S变率具有主导影响的六个海洋区域中，将1至3个月海表温度预测技巧提升55.6±14.1%至63.4±15.5%。该成果凸显了深度学习在大幅提升陆地S2S时间尺度预报技巧方面的巨大潜力。

论文《Improved Skills for Predicting Sub-Seasonal to Seasonal Global Sea Surface Temperature》发表在《Advanced Science》。研究背景方面，次季节至季节（sub-seasonal to seasonal，S2S）位于天气与气候过渡带，时间尺度为两周到数月，是全球预测中的难点。海表温度（Sea Surface Temperature，SST）是数值天气与气候模式的重要下边界和初始条件，其中热带太平洋海温异常所驱动的厄尔尼诺-南方涛动（El Ni?o-Southern Oscillation，ENSO）对区域与全球极端事件有显著影响。现有通用环流模式（General Circulation Models，GCMs）依赖偏微分方程和物理参数化，存在海气相互作用表征不足、计算资源受限导致分辨率与集合规模偏低、大气混沌使初始条件记忆在两周后迅速衰减等问题，因此S2S海温预测技巧普遍偏低。此前深度学习模型多以长短期记忆网络（Long Short-Term Memory，LSTM）为主，擅长局部时序但难以刻画高维多变量海气耦合；少数人工智能（Artificial Intelligence，AI）气象模型聚焦两周内天气尺度，专门针对S2S全球海温的深度学习模型此前未见报道。为此，研究人员开展基于Transformer架构的S2S全球海温预测研究。

主要关键技术方法方面，研究人员使用ERA5再分析月数据，空间分辨率0.25°×0.25°，输入为前16个月的8个变量，包括SST、海平面气压、纬向风与经向风速、850 hPa和500 hPa位势高度、地表潜热通量以及净太阳辐射；训练、验证、测试时段分别为1959年至2009年8月、2009年9月至2016年4月、2016年5月至2022年12月。模型采用Swin-Transformer编码器-解码器结构，引入窗口多头自注意力（Window Multi-head Self-Attention，W-MSA）与地球系统专用位置偏置，以原始SST为输入输出，联合均方误差、海温异常损失和相关性损失进行优化，并用Adam优化器与余弦学习率衰减，在A100 GPU上训练，同时通过不同初始化形成集合预测。

研究结果部分，2.1 Hindcast Comparisons显示，在2016至2020年与ECMWF S2S及NMME多模式比较中，CAS-Canglong在Ni?o 3.4、北极涛动（Arctic Oscillation，AO）、暖池（Warm Pool，WP）、南大西洋、南印度洋（Southern Indian Ocean，SIO）、南太平洋（Southern Pacific Ocean，SPO）等区域取得更优异常相关系数（Anomaly Correlation Coefficient，ACC）与更低异常均方根误差（Anomaly Root Mean Square Error，ARMSE），全球ARMSE显著低于22个数值模式中21个，六区ARMSE降幅为55.6%至63.4%。2.2 Hindcast in Major Regions显示，1个月预测试验中暖池面积预测为4.76×10⁷ km²，ERA5为4.27×10⁷ km²，误差10.3%；南大洋3个月领先平均空间相关达0.41；整个测试期Ni?o 3.4指数1至3个月相关为0.90、0.89、0.66，ENSO事件3个月提前命中率75%。2.3 Near Real-Time Forecasting显示，对2024年Ni?o 3.4区从厄尔尼诺向拉尼娜转换的预测早于IRI动力与统计集合平均，且精度接近或超过ECMWF S2S模式。

讨论部分指出，S2S海温可调制陆地降水和极端事件，1至3个月是大气记忆衰减后的“可预测荒漠”；CAS-Canglong直接用多维变量一次性输出多领先时刻全球海温，避免迭代滚动导致长期平滑，且在多数指数与集合指标上优于3D-CNN、3D-Geoformer等AI模型。模型局限包括Perlin噪声扰动集合并非物理约束型集合、高纬度AO受大气噪声影响、SIO受南极模态（Southern Annular Mode，SAM）风场与锋面涡旋影响、块嵌入带来微小信息损失、以及深度学习缺乏显式物理可解释性。

研究结论部分译为：总之，研究人员开发了新型深度学习模型CAS-Canglong，用于在每个0.25°×0.25°网格上预测全球海表温度。验证与预测表明，CAS-Canglong在S2S海温变化预测方面具有出色能力。该模型可直接用于其他次季节地球系统天气预测任务，有望成为地球科学中可推广的标准深度学习模型。由于海表温度是陆地S2S天气预报的基础，本工作为降水等陆地S2S天气预测奠定基础，对未来实现高技巧S2S预报具有重要意义。