第七届青年地学论坛

       区域模式预测的准确性在一定程度上取决于边界条件和初始条件的准确性。海温的误差在时间和空间上是非线性变化的。本研究采用基于集合的深度神经网络来订正模式模拟的海表温度(SST)非线性变化的偏差。我们用模式预测和观测的海表温度数据集（NCEP Climate Forecast System, version 2 (CFSv2) operational forecast和 NOAA Optimum Interpolation Sea Surface Temperature , OISST）来训练和验证深度神经网络，确定CFSv2在30°N以北海域九个月预测的SST偏差。我们开展了神经网络试验包括：单层隐含层与三层隐含层，1个、10个与20个集合神经网络，对比它们在时间和空间、区域和整体上的订正效果表明：总体上，在均方根误差(RMSE)和回归分析方面，各组神经网络订正后的SST与观测值吻合较好，训练集和验证集的相关系数可达0.99，RMSE约为1℃，多层神经网络相关系数稍高于单层，RMSE略小于1℃。受初始随机分配的权值与阈值影响，单个神经网络在时空上订正的海温偏差有所不同，而10个神经网络的集合平均可以有效减小对初值的敏感度，20个网络与10个网络的训练结果、观测与模式SST误差变化在时空上基本一致。各组神经网络校正后的海温偏差明显减小，三层神经网络比单层的神经网络在空间分布上更好地订正了CFSv2-SST与OISST存在的大范围偏差模态，基于集合的神经网络校正效果优于单个的神经网络。区域上，神经网络校正后的格陵兰海、巴伦支海和楚科奇半岛附近7-10月的模式SST暖偏差明显减小，11月至次年1月的冷偏差有所改善。因此，基于集合的深度神经网络可以更好的订正模式预测的海温在不同时间和区域上的偏差。
 

神经网络,模式预测,海温