#科研热点# 【基于深度学习改进欧亚地表气温的年代际预测】为突破当前年代际气候预测瓶颈，针对具有复杂年代际变异特征的欧亚地地表气温（SAT）,近日有研究团队用大样本集合驱动深度学习模型（GRUBA），学习大气的混沌特性，通过赋予预测技巧较高成员更高的权重，显著改进了未来6-10年的欧亚SAT的年代际预测水平。
研究首先通过K-means时间聚类方法分析了欧亚大陆SAT的年代际变化时空特征，共识别出20类，再利用GRUBA分别对每个聚类进行后处理，用以降低噪声和数据降维。GRUBA模型结合门控循环单元（GRU），批归一化（Batch Normalization）及注意力机制（Attention）。在2004至2021年的测试时段，GRUBA模型在20个聚类平均的相关系数技巧从多模式集合平均（MME）的-0.23提高到0.83，均方差技巧评分也从-0.37提高到0.68，预测能力显著提升。此外，研究还基于SHAP可解释性分析方法，定量分析了每个初始场成员的权重，并计算了贡献最高的10个初始场成员预测结果的集合平均（GRUBA-10）。与随机10个初始场成员的集合平均（Random-10）以及MME的对比结果表明，GRUBA的显著提升效果可能得益于其内部的注意力机制对有更好表现的初始场成员赋予了更高的权重，这一优势在中高纬区域更为明显。查看更多 http://t.cn/AXJyA9YJ