.png){kind=icon}
返回
Combined dynamical-deep learning ENSO forecasts
.png){kind=icon}
OA
AI
DOI：10.1038/s41467-025-59173-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
提高厄尔尼诺-南方涛动（El Niño-Southern Oscillation, ENSO）的预测能力对社会至关重要。在过去半个世纪中，ENSO预测取得了显著进步。近期研究表明，深度学习（DL）模型相较于单个动力模型，能够显著提升ENSO的预测能力。然而，如何有效整合深度学习和动力模型的各自优势以进一步改进ENSO预测能力，仍是需要深入研究的重点课题。本文表明，这些深度学习预测（包括使用卷积神经网络和3D-Geoformer的预测）与基于动力模型平均的动力预测具有可比的ENSO预测能力。更重要的是，我们提出了一种结合动力-深度学习的预测方法，该方法整合了深度学习预测与动力模型预测。提出了两种不同的结合动力-深度学习策略，两者均显著优于单独的深度学习或动力预测。我们的发现表明，ENSO预测能力可以在多种预测时效范围内得到进一步改善，这可能对气候预测产生深远影响。
Keyword:
SPRING PERSISTENCE BARRIER
TO-INTERANNUAL PREDICTION
EL-NINO
MODEL
VARIABILITY