第九届青年地学论坛

为了探究机器学习的原理及其在气候预测中的潜在应用，本拟研究三种（或以上）典型的机器学习方法对PDO、ENSO、AO等气候指数的预报预测能力，并探究多种机器学习方法对多个气候指数的预报技巧。本文选取NOAA天气与气候预测中心的1950年1月到2022年2月共866个月的NAO、EA、EP、PNA气候指数时间序列。气候指数时间序列采用3个月的滑动平均和标准化后进行切片处理，进而将时间序列划分为训练集、验证集和预测集，利用机器学习方法模拟预测。结果表明，机器学习方法对气候指数都有较好的预报能力，对NAO、PNA的预报效果相对最好，其次是EA、EP，并且CNN和SARIMA—SVM模型对气候指数NAO、EP的预测能力相当，且LSTM模型有效利用时序信息，因此对PNA、EA、EP的预报效果优于CNN、SARIMA—SVM模型，但NAO的预报出现较大偏差，是由于利用了过多的非线性信息和季节性波动。而就预报技巧而言，CNN和SARIMA—SVM模型对气候指数能达到1%到5%，而LSTM模型预报技巧则能够达1%以下，因而SVM、CNN、LSTM都是比较预报准确率较高的模型，但LSTM模型却能较为准确的反应模型的波动趋势。
 

机器学习，气候指数，预报技巧，准确率