马登–朱利安振荡(Madden-Julian Oscillation,MJO)作为热带季节内变率的主要模态,其准确预测对于提升次季节预测能力至关重要。然而,MJO具有多尺度演变特征和高度非线性动力过程,现有预测方法在捕捉其复杂时空结构方面仍存在不足。为此...马登–朱利安振荡(Madden-Julian Oscillation,MJO)作为热带季节内变率的主要模态,其准确预测对于提升次季节预测能力至关重要。然而,MJO具有多尺度演变特征和高度非线性动力过程,现有预测方法在捕捉其复杂时空结构方面仍存在不足。为此,本文提出了一种融合多模态数据与时空特征的MJO预测模型(Multimodal data and Integrated Spatiotemporal features for MJO prediction,MISM)。该模型以历史实时多变量MJO指数(Real-time Multivariate MJO index,RMM)和多个气象因子作为联合输入,通过压缩激励模块、卷积模块和Swin Transformer模块构建空间特征提取模块,并引入自回归注意力机制实现非线性时间序列建模。实验结果表明,MISM模型的预测技巧可延伸至30 d以上,并在25 d以上的长期预测阶段表现优于传统的动力学和统计学方法。此外,本文利用显著性图对气象因子贡献区域进行分析,结果显示西太平洋及印尼群岛在不同提前期均呈现较高敏感性,海洋区域贡献普遍强于陆地。水汽和海温异常在短期与中期作用更突出,而低层风场和对流活动在长期阶段贡献较强,高层环流则在各时效保持稳定影响,体现了模型对MJO演变机制的识别能力。展开更多
文摘马登–朱利安振荡(Madden-Julian Oscillation,MJO)作为热带季节内变率的主要模态,其准确预测对于提升次季节预测能力至关重要。然而,MJO具有多尺度演变特征和高度非线性动力过程,现有预测方法在捕捉其复杂时空结构方面仍存在不足。为此,本文提出了一种融合多模态数据与时空特征的MJO预测模型(Multimodal data and Integrated Spatiotemporal features for MJO prediction,MISM)。该模型以历史实时多变量MJO指数(Real-time Multivariate MJO index,RMM)和多个气象因子作为联合输入,通过压缩激励模块、卷积模块和Swin Transformer模块构建空间特征提取模块,并引入自回归注意力机制实现非线性时间序列建模。实验结果表明,MISM模型的预测技巧可延伸至30 d以上,并在25 d以上的长期预测阶段表现优于传统的动力学和统计学方法。此外,本文利用显著性图对气象因子贡献区域进行分析,结果显示西太平洋及印尼群岛在不同提前期均呈现较高敏感性,海洋区域贡献普遍强于陆地。水汽和海温异常在短期与中期作用更突出,而低层风场和对流活动在长期阶段贡献较强,高层环流则在各时效保持稳定影响,体现了模型对MJO演变机制的识别能力。
