东亚大气环流的 S2S (次季节至季节) 预报长期以来对传统数值天气预报模式构成了巨大挑战。 近年来, 深度学习模型在提升 S2S 预报性能方面展现出显著潜力, 有望在一定程度上突破数值模式的预测能力。 然而, 目前多数 S2S 深度学习预报模型普遍忽略了对多圈层关键预测因子的建模, 而这些因子对于提升 S2S 预报的准确性具有不可或缺的作用。 为此, 本文提出了一个东亚大气环流 S2S 深度学习预报模型——EAAC-S2S。 该模型通过引入交叉注意力机制来耦合东亚大气环流与来自大气、陆地和海洋圈层的代表性变量, 提供覆盖全年各季节的最长提前 12 候的逐候东亚环流预报。 实验结果表明, 在 S2S 时间尺度上, EAAC-S2S 在全部 17 个预报量上的预报技巧均优于 ECMWF S2S 集合预报结果 (平均 RMSE 降低 3.8%, 平均 ACC 提高 8.6%)。 此外, 该模型在极端高温热浪事件预报和中长期干旱预警等下游任务中亦展现出良好性能。 本文采用多圈层归因分析与注意力可视化的方法, 首次对东亚环流 S2S 深度学习预报模型开展了可解释性分析, 所揭示的多圈层可预报性来源与既有气象理论高度一致。 本文有望推动数据驱动的 S2S 预报研究进一步发展。

次季节,东亚大气环流,深度学习,中长期干旱预警