Effective forecast of Northeast Pacific sea surface temperature based on a complementary ensemble empirical mode decomposition–support vector machine method

海洋表面温度(sea surface temperature,SST)对气候有着很大影响,但其所具有的非线性、无明显周期、强随机性等特点,给SST预测分析带来了很大的困难。本文将互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)与支持向量机(support vector machine,SVM)相结合来研究对海洋表面温度异常(SSTA)的预报,并从预报准确性、可预报时长、不同起报时间对预报精度影响等方面设计了多组数值实验。实验结果显示CEEMDSVM方法预测12个月SSTA的效果较好,平均绝对误差在0.3°C左右,相关系数达到了0.85,而且试验中未出现春季预报障碍问题。