第二届未来大气科学论坛

年代际气候预测可以为政府等政策制定者提供关键科学指导，并支撑社会经济可持续发展。然而，当前最先进的动力模型在提前数年预测欧亚大陆中高纬度地区的地表气温的复杂年代际变率时仍存在困难。本研究提出一种混合深度学习模型——融合批归一化与注意力机制的门控循环单元（GRUBA），该模型通过对多模式集合输出进行后处理，显著提升了年代际预测能力。研究通过引入K-Means时间聚类识别欧亚大陆地表气温的年代际变化特征，利用GRUBA依次对每个地表气温聚类进行后处理预测。在2004—2021年的测试时段内，相较于多模式集合平均，GRUBA将20个聚类的平均距平相关系数技巧从-0.23提升至0.83，均方根技巧评分从-0.37提升至0.68。这种显著提升部分得益于注意力机制有效降低了模式离散度。此外，基于SHAP可解释性方法的分析表明，GRUBA实现显著提升的可能原因是会对性能更优的集合成员赋予更高的权重。
 

深度学习,年代际预测,地表气温,欧亚大陆