Sea Surface Temperature Forecasting During Extreme Weather Using a Multi-variable Patch-Based Deep Learning Framework

Dat Nguyen Khanh

doi:10.1016/j.icte.2026.08.007

Sea Surface Temperature Forecasting During Extreme Weather Using a Multi-variable Patch-Based Deep Learning Framework

2026-08-27

0

OA

AI

DOI：10.1016/j.icte.2026.08.007

原文链接

原文求助

摘要

En 中文

准确的海表温度（SST）预测对于海洋监测至关重要，尤其是在极端天气事件期间，当海气相互作用加剧时。本研究介绍了TCN-PatchTST，作为PatchTST的增强变体，利用台湾周边四个浮标的观测数据进行72小时SST预测。结果表明，TCN-PatchTST在预测精度方面持续优于物理和数据驱动的基准模型，包括HYCOM、XGBoost、LSTM和标准PatchTST，并且在极端天气条件下表现出更大的稳定性。此外，SHAP分析解释了影响SST变化的主要因素。研究发现，这种多变量方法显著提高了在不同环境条件下SST预测的可靠性。

Keyword:

Explainable AI (SHAP)

Forecasting

Patch-based deep learning

Sea surface temperature

Typhoon

Sea Surface Temperature Forecasting During Extreme Weather Using a Multi-variable Patch-Based Deep Learning Framework

摘要

期刊

机构