基于經驗正交函數和機器學習的南海海面高度異常預測

作者：白楊,李威,邵祺

摘要：海面高度異常(SSHA)作為重要的海洋要素,對研究海洋溫鹽剖面、海洋渦旋等海洋動力現象具有重要意義。然而,傳統的海洋預測技術存在著預測時效過短、預測過程復雜等諸多問題,現有的機器學習預測方法也只針對幾個點或區域進行平均,忽略了很多重要信息。因此,本文提出了一種基于經驗正交函數和BP神經網絡(一種機器學習方法)的SSHA預測模型(EOF-BPNN)來實現對起報時刻后30天的南海SSHA預測。首先,對1993年1月1日一2013年12月31日的逐日SSHA數據進行距平歸一化預處理,構建相關系數矩陣,并對該矩陣進行EOF分解,獲取主成分。然后將主成分輸入BP神經網絡進行訓練,實現對主成分的預測。最后將主成分預測值與相應的空間模態結合,獲取SSHA預測值。結果表明,相較于慣性預報和氣候態預報,EOF-BPNN模型不僅能夠提供提前30天的較為精確的SSHA和相應的渦旋演化過程預報,且在整個南海區域擁有更高的SSHA相關系數,證明了EOF-BPNN模型具有較好的預測性能。

發文機構：天津大學海洋科學與技術學院

關鍵詞：海洋渦旋主成分經驗正交函數慣性預報氣候態預報ocean eddiesprincipal componentsEmpirical Orthogonal Functionpersistent forecastclimatology

分類號： P731.34[天文地球—海洋科學]