基于深度学习的全球平均表面温度年际信号时间序列的预测

摘要：

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF).在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究.结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2～6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变.通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一.

关键词：全球平均表面温度;年际信号时间序列预测;集合经验模态分解;长短期记忆神经网络;深度学习预测模型

所属期刊栏目：27

分类号：P466(气候学)

资助基金：国家自然科学基金41876012、41861144015

在线出版日期：2022-02-24（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：94-104