低数据 regime 下 El Ni\~no 南方涛动的混合深度学习模型
机器学习
2025-04-29 v2 大气与海洋物理
摘要
虽然深度学习模型在 El Ni\~no 南方涛动 (ENSO) 预测中已展现出优异的前瞻能力（可达一年），但这些模型主要是在气候模型仿真数据上训练的，仿真数据提供了数千年的训练样本，却引入了气候模型偏差。而基于观测记录的简单线性逆模型 (LIM) 虽然在短暂的观测数据上也能实现准确的 ENSO 预测，但未能捕捉可预测的非线性过程。这促使我们提出一种混合方法，结合 LIM 的数据需求较小优势与深度学习对 LIM 的非马尔可夫性修正。对于约 100 年的数据集，我们得到的混合模型在 LIM 基础上更具技能，同时也优于完整的深度学习模型。此外，虽然最可预测的 ENSO 事件仍由 LIM 提前识别，但混合模型在预测这些事件方面表现更佳，尤其是在西热带太平洋地区，对于约 9 个月以上的预测时滞，能够更好地捕捉 ENSO 后续的非对称（温暖相对于寒冷相位）演化。
引用
@article{arxiv.2412.03743,
title = {A Hybrid Deep-Learning Model for El Ni\~no Southern Oscillation in the Low-Data Regime},
author = {Jakob Schloer and Matthew Newman and Jannik Thuemmel and Antonietta Capotondi and Bedartha Goswami},
journal= {arXiv preprint arXiv:2412.03743},
year = {2025}
}