近期，我室张翰副研究员及其合作者在Deep Sea Research Part I: Oceanographic Research Papers上发表了题为“Deep learning approach for forecasting sea surface temperature response to tropical cyclones in the Western North Pacific”的研究成果。本研究构建了一种深度学习模型用于预报西北太平洋热带气旋过后海表温度的变化。张翰为论文第一作者，合作者包括上海交通大学朱燕民教授及其研究生景梦圆和李隆杰，我室与上海交通大学联合培养的研究生张浩宇，中国气象局上海台风研究所汤杰研究员、郑运霞副研究员，我室田娣副研究员。

热带气旋能引起海表冷却，这个过程对热带气旋发展和区域海气相互作用均很重要。热带气旋引起的海表冷却的形态和预报是目前科学研究和业务预报的挑战之一。本研究采用一种长短期记忆神经网络（LSTM）模型来预报西北太平洋热带气旋引起的海表冷却。采用2002-2016年数据作为训练集，2017-2018年数据作为预报和测试集。研究结果显示，热带气旋引起的海表冷却偏向其右后方，平均最大冷却约0.6°C，海表冷却幅度在高纬度比低纬度更大。深度学习模型采用初始的海表10米风、海表高度、海表温度和100米深处海温作为输入场，将6小时后的海表温度作为输出场。模型预报准确率较高，其中平均绝对误差约0.081°C,均方根误差约0.126°C，空间异常相关系数约0.948。本研究表明，热带气旋过后的海表温度遵循相似的物理过程以及与初始风、海表高度和海洋温度的非线性关系，特别是深水区域。该研究的深度模型有被应用到业务预报的潜力。

图1. 本研究采用的机器学习神经网络模型的流程图

图2.2017年热带气旋南玛都（Nanmadol）、海鸥（Hato）以及兰恩（Lan）引起的海表温度异常，（a-c）为遥感观测、（d-f）为机器学习、（g-i）为观测减去机器学习的结果

论文引用：

Zhang H, Jing M, Zhang H, Li L, Zheng Y, Tang J, Tian D, Zhu Y, 2023. Deep learning approach for forecasting sea surface temperature response to tropical cyclones in the Western North Pacific. Deep Sea Research Part I: Oceanographic Research Papers, 197, 104042. https://doi.org/10.1016/j.dsr.2023.104042