基于人工智能的IOD预报模型

印度洋偶极子（IOD）对全球气候和生态系统动态有重大影响，但由于其复杂性，准确预报仍具有挑战性。在这里，我们提出了一个可解释的深度学习框架--STPNet，通过利用 CMIP6 数据中的海面温度异常（SSTA）和海面高度异常（SSHA），实现了前所未有的为期八个月的秋季 IOD 事件预报。通过 STPNet 的可解释性特征和有针对性的灵敏度实验，我们不仅证实了之前已知的 IOD 前兆，还确定了东太平洋沿岸的一个新前兆。随后的滞后回归分析揭示了这一前兆与厄尔尼诺/南方涛动介导的外热带和副热带太平洋 SST 模式之间的耦合关系，从而完善了 IOD 前兆的全球地图。我们的发现极大地推动了对 IOD 机制的理解，并为业务预报提供了一个强大的框架，对全球气候适应战略具有直接影响。