| 基于循环神经网络的欧亚中高纬夏季极端高温年代际预测模型研究 |
| |
| 引用本文： | 索朗多旦,黄艳艳,陈雨豪,王会军.基于循环神经网络的欧亚中高纬夏季极端高温年代际预测模型研究[J].大气科学学报,2024,47(2):273-283. |
| |
| 作者姓名： | 索朗多旦 黄艳艳 陈雨豪 王会军 |
| |
| 作者单位： | 南京信息工程大学 气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心, 江苏 南京 210044;工布江达县气象局, 西藏 林芝 860000;南京信息工程大学 气象灾害教育部重点实验室/气候与环境变化国际合作联合实验室/气象灾害预报预警与评估协同创新中心, 江苏 南京 210044;南方海洋科学与工程广东省试验室(珠海), 广东 珠海 519080 |
| |
| 基金项目： | 国家自然科学基金资助项目(41991283;42088101) |
| |
| 摘 要： | 近几十年来频繁发生的极端高温事件严重威胁着自然生态系统、社会经济发展和人类生命安全。针对生态环境脆弱的欧亚中高纬地区,首先评估了当前主流动力模式(CMIP6 DCPP)对于该地区夏季极端高温的年代际预测水平,并构建了基于循环神经网络(Recurrent Neural Networks,RNN)的年代际预测模型。多模式集合平均(Multi-Model Ensemble,MME)的评估结果显示,得益于大样本和初始化的贡献,当前动力模式对于60°N以南区域(South Eurasia,SEA)展现了预测技巧,准确预测出了其线性增长趋势和1968—2008年间主要的年代际变率,然而模式对于60°N以北区域(North Eurasia,NEA)极端高温的年代际变率几乎没有任何预测技巧,仅预测出比观测低的线性增长趋势。基于86个初始场的动力模式大样本预测结果,RNN将2008—2020年间NEA和SEA极端高温的年代际变率预测技巧显著提高,距平相关系数技巧从MME中的-0.61和-0.03,提升至0.86和0.83,均方差技巧评分从MME中的-1.10和-0.94,提升至0.37和0.52。RNN的实时预测结果表明,在2021—2026年,SEA区域的极端高温将持续增加,2026年很可能发生突破历史极值的极端高温事件,NEA区域在2022年异常偏低,而后将呈现波动上升。
|
| 关 键 词： | 极端高温 DCPP 年代际预测 循环神经网络 |
| 收稿时间： | 2024/2/3 0:00:00 |
| 修稿时间： | 2024/2/25 0:00:00 |
Decadal prediction of summer extreme high temperatures in Eurasian mid-high latitudes using on Recurrent Neural Networks |
| |
| Suo Langduodan,HUANG Yanyan,CHEN Yuhao,WANG Huijun.Decadal prediction of summer extreme high temperatures in Eurasian mid-high latitudes using on Recurrent Neural Networks[J].大气科学学报,2024,47(2):273-283. |
| |
| Authors: | Suo Langduodan HUANG Yanyan CHEN Yuhao WANG Huijun |
| |
| Institution: | Key Laboratory of Meteorological Disaster, Ministry of Education(KLME)/Joint International Research Laboratory of Climate and Environment Change(ILCEC)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC-FEMD), Nanjing University of Information Science & Technology, Nanjing 210044, China;Xizang Gongbujiangda Meteorogical Administration, Linzhi 860000, China;Key Laboratory of Meteorological Disaster, Ministry of Education(KLME)/Joint International Research Laboratory of Climate and Environment Change(ILCEC)/Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters(CIC-FEMD), Nanjing University of Information Science & Technology, Nanjing 210044, China;Southern Marine Science and Engineering Guangdong Laboratory(Zhuhai), Zhuhai 519080, China |
| |
| Abstract: | |
| |
| Keywords: | extreme high temperature DCPP decadal climate prediction Recurrent Neural Network |
|
| 点击此处可从《大气科学学报》浏览原始摘要信息 |
| 点击此处可从《大气科学学报》下载免费的PDF全文 |
|
