海表面温度（SST）在台风—海洋相互作用中发挥重要作用。开展台风期间海表面温度预报具有重要的科学意义和应用价值。

先进的神经网络方法可以有效地挖掘并利用复杂的时空依赖关系来预测SST。最近，我室何海伦副研究员和南京工业大学史本云教授合作开展利用深度学习方法的SST预报研究。研究团队构建新型时空卷积神经网络模型，开发一种基于注意力的上下文融合网络模型，称为ACFN，以增强SST数据中的潜在时空相关性。继而，针对渤海SST开展1～10天提前预报试验，并选取3个台风（2021年烟花；2019年利奇马和2018年努比亚）开展分析研究（图 1）。

图 1 研究区域图。黑色等值线显示等深线。品红色三角形代表浮标。绿线代表渤海海峡。彩色线表示台风最佳路径，其中红线表示三级热带气旋（台风），黄线表示二级热带气旋，蓝线表示一级热带气旋。台风最佳路径中的数字为台风日期（天）。

结果表明，ACFN持续优于卷积长短期记忆神经网络(ConvLSTM)和时空预测递归神经网络（PredRNN）模型。在台风烟花期间，ACFN更好地预测台风导致的SST降温（图 2），其渤海平均SST的平均绝对误差为0.27oC，均方根误差为0.33oC（图 3）。进一步，本研究考察了预测时间对预测技巧的影响，结果表明，随着预测时间的延长，ACFN的表现逐渐下降（图 4）。可见，对ACFN模型的全面评价可为深度学习方法在区域台风SST预测中的应用提供参考。

图 2 台风烟花期间SST快照。（a-d）D0-1（7月29日）、（e-h）D0（7月30日）\（i-l）D0+1（7月31日）和（m-p）D0+2（8月1日），其中（i-l）D0是台风到达日。（a，e，i，m）OSTIA （预报试验选用的真值），（b，f，j，n）ConvLSTM，（c，g，k，o）PredRNN和（d，h，l，p）ACFN。ConvLSTM、PredRNN和ACFN的预测时间为1天。烟花的生命周期是从7月16日至7月31日。

图 3 提前1天预报的台风期间渤海平均SST的时间序列。（a）烟花，（b）利奇马和（c）努比亚。灰色线表示台风到达日。

论文引用：He, Hailun, Benyun Shi*, Yingjian Hao, Liu Feng, Xinyan Lyu and Zheng Ling. Forecasting sea surface temperature during typhoon events in the Bohai Sea using spatiotemporal neural networks. Atmospheric Research, 2024, 309: 107578, doi: 10.1016/j.atmosres.2024.107578. https://doi.org/10.1016/j.atmosres.2024.107578

相关成果：

Shi, Benyun, Yingjian Hao, Liu Feng, Conghui Ge, Yue Peng and Hailun He*. An Attention-Based Context Fusion Network for Spatiotemporal Prediction of Sea Surface Temperature. IEEE Geoscience and Remote Sensing Letters, 2024, 21: 1504405, doi: 10.1109/LGRS.2024.3431586.

https://ieeexplore.ieee.org/document/10605830