在全球气候变化日益严峻的背景下，提高极端高温事件的次季节预测能力，对于有效应对灾害、减少风险和保障社会稳定具有重要意义。以往研究已表明，热带季节内振荡和中高纬度的次季节变率是次季节预测的主要可预测性来源，而这些扰动又受到厄尔尼诺-南方涛动等年际信号的影响。这表明，综合考虑多时间尺度的信息可能是提升次季节预报能力的有效途径。针对中国夏季极端高温事件次季节预报中的薄弱环节，我院徐邦琪教授团队研发了一种基于卷积神经网络（CNN）的深度学习统计预测模型，该模型考虑了多变量及其多尺度（次季节变率与年际变率）相互作用过程，能够有效整合不同时间尺度对中国气温调制过程的关键信息（图1）。回报试验评估结果显示，在超过20天的预测时效下，该模型明显优于中国气象局（CMA）和欧洲中期天气预报中心（ECMWF）的次季节-季节动力预报模式。通过可解释性分析发现，中国次季节地表气温的可预测性主要受到热带海域和欧亚大陆上季节内扰动演变以及年际尺度模态对次季节扰动调制的共同影响。该研究为进一步提高中国地表气温和高温热浪的预测能力提供了新思路和应用价值。

该成果已发表在《Geophysical Research Letters》上。

论文信息：

Xie, J., P.-C. Hsu, Y. Hu, H. Zhang, and M. Ye, 2024: Advancing Subseasonal Surface Air Temperature and Heat Wave Prediction Skill in China by Incorporating Scale Interaction in a Deep Learning Model. Geophysical Research Letters, 51, e2024GL111076, https://doi.org/10.1029/2024GL111076.

图1. （a）预训练CNN和（b）多变量CNN的架构。不同颜色代表不同的网络层，底部显示了对应的尺寸信息。橙色的输入层包含来自不同前期时间步长的预报因子，而深红色的输入层提供与初始预测时刻月份信息相关的编码信息。由3个二维卷积层和两个池化层组成的卷积块（虚线方框）旨在提取预报因子的潜在特征。全连接层用于将从输入提取的特征链接到输出层（黑色），输出层表示未来时间步长（即 10、15、20、25或30天）的预报量。