厄尔尼诺影响洋流(厄尔尼诺现象对水圈的影响)

导语：可解释的深度学习对厄尔尼诺和河流流量的洞察力

厄尔尼诺南方涛动（ENSO）是热带中部和东部太平洋海面温度（SST）的半周期性波动，它通过长程依赖或远程连接影响世界各地区域水文的年际变化。最近的研究表明，深度学习（DL）方法对改善ENSO预测的价值，以及复杂网络（CN）对理解远程连接的价值。然而，对ENSO驱动的河流流量的预测理解存在差距，包括DL的黑箱性质，使用简单的ENSO指数来描述一个复杂的现象以及将基于DL的ENSO预测转化为河流流量预测。在此，我们展示了基于显著性地图的eXplainable DL（XDL）方法，可以提取全球SST中包含的可解释的预测信息，并发现与河流流量相关的新的SST信息区域和依赖结构，与气候网络的构建相配合，可以提高预测理解。我们的研究结果揭示了全球SST中除ENSO指数外的其他信息内容，对SST如何影响河流流量有了新的认识，并产生了改进的河流流量预测的不确定性。观测数据、再分析数据和地球系统模型模拟被用来证明基于XDL-CN的方法对未来年际和十年尺度气候预测的价值。

《Explainable deep learning for insights in El Nino and river flows》

论文地址:http://arxiv.org/abs/2201.02596v1

本文内容由小涵整理编辑！