面向长时间尺度的ENSO预测的可解释深度学习模型

本研究解决了ENSO长期预测中的复杂气海交互问题，提出了CTEFNet模型，该模型结合卷积神经网络和变换器，能够将有效预测的时间延长至20个月，并超越传统动力模型和现有深度学习方法。此外，CTEFNet通过基于梯度的灵敏度分析提供了具有物理意义和统计显著性的洞察，揭示了影响ENSO动态的关键前兆信号，展现了深度学习在气候预测中的巨大潜力。

本研究提出CTEFNet模型，结合卷积神经网络与变换器，解决ENSO长期预测中的气海交互问题，预测时间延长至20个月，超越传统方法，揭示关键前兆信号，展示深度学习在气候预测中的潜力。

CTEFNet ENSO 气候预测 气海交互 深度学习
原文中文，约300字，阅读约需1分钟。发表于：。
阅读原文
分享给好友