基于深度学习的南海海表面温度的智能化预测研究

海表面温度(sea surface temperature, SST)是影响海洋和气候变化的重要因素之一，准确预测SST的变化对于海洋生态环境、气象和航行等至关重要。传统的SST预测方法通常依赖于数值模式，但是其计算成本较高。该文基于深度学习模型(3D U-Net)，将SST、海表面高度异常(sea surface height anomalies, SSHA)以及海表面风(sea surface wind, SSW)作为输入变量成功构建了南海SST的快速化智能预报模型。结果表明，与卷积长短时记忆(convolutional long short-term memory, ConvLSTM)模型相比，3D U-Net模型在所有预测时间中均显示出更高的准确度，其均方根误差(RMSE)为0.53℃，皮尔逊相关系数(R)达到0.96。在不同季节和南海不同区域，3D U-Net模型均表现出较小的预测误差，而且在季风盛行期间也具有较强的鲁棒性。此外，3D U-Net模型在预测2021年南海的海洋热浪(marine heatwave, MHW)事件时，大部分海域的准确率达到了80%以上，总体上精确率和召回率分别为0.89和0.45。敏感性实验结果表明，SSHA和SSW对模型的预测性能有显著影响，并在不同的预报阶段中发挥着不同的作用。综上所述，结合多源海表数据的3D U-Net模型能够快速准确地预测出南海SST，并为预测MHW事件提供了新方法。

海洋与湖沼