基于深度学习的全球平均表面温度年际信号时间序列的预测

利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF)。在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究。结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2~6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变。通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一。

影响全球平均表面温度的主要过程

全球平均表面温度(GMST)的变化反映了气候系统对外部辐射强迫与内部自然变率共同作用的综合响应,是深入了解人类活动影响全球气候变化的关键指标之一.前期工作基本确定了厄尔尼诺-南方涛动(ENSO)、太平洋年代际变异(PDO)和北大西洋多年代际变异(AMO)等全球海洋与大气的主要物理模态对GMST的贡献.在此基础上,利用观测数据,进一步分析了1910~2018年间火山爆发、变暖"减缓"、海洋观测设备转型等人为因素等物理过程对GMST变化的影响作用.估计1950年后5次较大的火山爆发事件约累积导致ERSST v3b和Had ISST v1.1数据的GMST下降0.32~0.47和0.45~0.67℃;20世纪40年代中期,海表面温度观测方式变化引入的观测系统误差对100多年来GMST的变暖趋势产生约0.21~0.22℃的影响.研究发现,在移除ENSO、PDO和AMO等3个主要气候模态之后,GMST仍然存在1998~2012年间的上升速度减缓现象,说明这些主要气候模态的变化对GMST的影响并不能完全解释全球气候变暖"减缓"的现象,强调了从气候系统能量收支平衡的角度理解导致全球气候变暖"减缓"关键物理过程的必要性.