【摘要Abstract】：ENSO作为地球气候系统中最强的年际变率之一，通过遥相关对全球天气和气候产生重要影响，然而ENSO海温异常的纬向分布差异将激发不同的ENSO对流从而带来不同的遥影响，因此，对于季节预测而言，不仅需要给出ENSO指数（比如Nino3.4指数）的精确预测，也需要准确预测ENSO海温异常的纬向分布。然而，当前模型对海温异常纬向分布的预测仍面临着一些问题：一方面，动力模式对ENSO海温异常纬向分布的预测水平较低；另一方面，包括深度学习模型在内的大多数统计模型更多地只关注气候指数的预测，而往往忽视预测对象的空间结构。鉴于上述问题，本研究基于深度学习技术发展了针对ENSO海温异常纬向分布的季节预测模型（CNN-CD），该模型利用卷积神经网络对全球海表面温度和上层海洋热容量的时-空间特征进行深度挖掘，实现了提前1年以上对ENSO海温异常纬向分布的准确预测，预测技巧显著优于动力模式。进一步地，本研究给出了该机器学习模型的可解释性，结果表明不同预报时效下机器学习模型的预报来源是不一样的：模型提早10个月的预测来源主要来自于热带太平洋外的海气信号（包括北太平洋和南太平洋的信号、热带大西洋海温的影响等）；模型提早16个月的预测来源主要来自于热带太平洋自身的ENSO循环。该研究进一步完善了机器学习模型在ENSO海温纬向分布方面的预报，并通过模型可解释性的分析加深了我们对ENSO动力机理的理解。
【报告人简介Speaker Biography】：陈林，南京信息工程大学大气科学学院教授，博士生导师，江苏省特聘教授，江苏省优秀青年基金获得者，江苏双创团队核心骨干。主要研究兴趣包括大尺度海气相互作用，全球气候系统模式发展和应用。近年来在ENSO机理及ENSO模拟与预测等方面取得了一系列的成果，已发表学术论文60余篇。近5年主持国家重点研发计划课题、国家自然科学基金项目等多项国家级科研项目，目前担任Weather and Forecasting的Associate Editor。
【时间 Time】：2025年1月21日 09:30
【地点 Venue】：2号楼1201
【邀请人 Host】：邢雯 研究员
附件：