0 引言
1 IOD相关理论
2 IOD预测的传统研究方法
2.1 统计模型
2.2 数值模式
表1 传统IOD预测方法的优缺点分析Tab.1 Analysis of the advantages and limitations of traditional IOD forecasting methods |
方法 | 优点 | 局限性 |
---|---|---|
统计模型 | 简易且计算效率高 | 对历史数据的过度依赖使其对未知的气候变化处理困难;无法捕捉复杂的非线性关系;对观测误差敏感 |
数值模式 | 可处理复杂的物理机制和相互作用,有助于理解IOD的物理机制;可提供详细的时空分辨率;可进行长期预测 | 对初始条件和参数化方案敏感;计算复杂度高,计算资源需求大 |
3 深度学习在IOD预测中的应用
3.1 基于卷积神经网络的IOD预测
图3 观测到的偶极子指数(DMI)与卷积神经网络(CNN)和北美多模型集合(NMME)预测结果的对比(图件改绘自文献[40]。图例中“cor”表示相关系数,“lead”表示模型能够提前预测的时间长度。) Fig.3 Comparison of the observed dipole mode index (DMI) with the predicted DMI using the convolutional neural network (CNN) and North American Multi-Model Ensemble (NMME) (Figure is redrawn from reference [40]. In legend,‘cor’ refers to the correlation coefficient and ‘lead’ indicates the length of time the model can predict in advance.) |
3.2 基于长短期记忆网络的IOD预测
3.3 基于卷积长短期记忆神经网络的IOD预测
图5 2015—2018年基于前6个月风场数据的ConvLSTM模型和CFSv2模型的IOD指数预测结果对比(图件改绘自文献[50]。图例中“6u”表示过去6个月的风速数据。) Fig.5 Comparison of IOD index prediction results from ConvLSTM model and CFSv2 model based on wind field data of the first 6 months from 2015 to 2018 (Figure is redrawn from reference [50]. In legend,“6u” refers to the wind speed data from the past 6 months.) |
3.4 其他网络模型在IOD预测中的应用
4 深度学习应用分析
表2 深度学习模型预测IOD的优缺点分析Tab.2 Analysis of the advantages and limitations of deep learning models in predicting IOD |
项目 | 优势 | 局限性 |
---|---|---|
数据处理 | 能够有效地处理和分析大规模的气候数据集,从历史数据中发现不易被传统方法察觉的复杂模式和关联。 | 需要大量计算资源的同时还对大数据集有较高的依赖性,对数据质量和完整性比较敏感。 |
拟合能力 | 其卓越的非线性拟合能力,能够建立和模拟数据中复杂的非线性关系,提高预测的准确度。 | 在数据量有限或模型过于复杂时,深度学习模型可能会过度拟合训练数据,从而降低其在新数据上的泛化能力。 |
自动特征 学习 | 能够自动从原始数据中提取有用的特征,减少了对传统特征提取方法的依赖,提高了效率。 | 无 |
可解释性 | 无 | 决策过程的不透明性,使得其预测难以被直观理解和验证,从而可能限制其在关键领域(如灾害预警)的应用。 |