热带海洋海表风应力及上层150米海温异常数据及3D-Geoformer模型多变量预测数据
热带海洋海表风应力及上层150米海温异常数据及3D-Geoformer模型多变量预测数据目前已在中国科学院海洋科学数据中心发布共享（后附链接），同时欢迎国内外专家学者依托中心平台发布更多自研数据产品。
厄尔尼诺与南方涛动（ENSO）现象是气候系统中最强的年际变率信号，因此准确开展ENSO相关的海气耦合过程模拟和预测具有重要科学和社会价值。南京信息工程大学张荣华教授和周路博士基于改进的Transformer模型构建了由数据驱动的多变量3D场的海气系统预测模型（简称为3D-Geoformer；图1 Zhou and Zhang, 2023），并将其成功应用于ENSO现象相关的三维上层海洋温度场及海表风应力场的跨年度时空预测试验（图2），实现了基于AI的ENSO预测从单点（或区域平均）、单变量预测到多变量、三维立体场预测的跨越。3D-Geoformer模型为ENSO预测提供了一个新的智能平台，目前已被广泛应用于ENSO预测和可预报性研究（后附相关论文）。
图1. 基于注意力机制的3D-Geoformer模型架构图。模式细节可参考周路博士毕业论文第4章：周路. 基于深度学习的ENSO建模及其预测和可预报性研究[D]. 中国科学院大学(中国科学院海洋研究所), 2024. DOI:10.27551/d.cnki.gzkhs.2024.000014.
本次发布的热带海洋海表风应力及上层150米海温异常数据及3D-Geoformer模型多变量预测数据由两部分构成：
（1）热带海洋海表风应力及上层150米海温异常数据集，作为3D-Geoformer模型的训练集、验证集和测试集，包括SODA (1871-1979)、ORAS5 (1958-1979) 和GODAS (1980-2023) 再分析数据集以及CMIP6中23个模式历史模拟数据，所有数据已经过距平化处理，并插值为相同分辨率，空间范围为92°E-330°E，20°S-20°N；垂向分辨率5-150米，共计七层；时间分辨率为月平均；空间分辨率5°S-5°N以外2°×1°，5°S-5°N以内2°×0.5°。
（2）3D-Geoformer模型多变量预测数据集，由3D-Geoformer模型以GODAS再分析数据集逐月风应力和海温距平场为初条件预测得到，时间范围为1983年1月至2023年12月，空间覆盖范围、垂向分辨率、时间分辨率和空间分辨率与输入场数据一致，最大提前预测时长可达20个月。
图2. 3D-Geoformer模型分别提前6、9、12个月对多变量异常场(风应力、SST和上层海洋温度)预测的相关系数(PCC)分布；阴影部分为未通过95%显著性检验区域。
目前热带太平洋海气多变量异常数据及3D-Geoformer模型代码、训练权重（共10套）和多变量预测数据已公开共享，后续逐半年更新模型的实时预测结果。用户可以通过中国科学院海洋科学数据中心网站（msdc.qdio.ac.cn）免费获取，欢迎大家下载使用。
获取方式
英文：http://dx.doi.org/10.12157/IOCAS.20221213.001
中文：https://msdc.qdio.ac.cn/data/metadata-special-detail?id=1602252663859298305&otherId=1602252664035459074
相关论文
[1] Zhou L, Zhang R-H*, 2023. A self-attention-based neural network for three-dimensional multivariate modeling and its skillful ENSO predictions, Science Advances, 9(10), eadf2827. (提出了3D-Geoformer模型)
[2] Gao C, Zhou L, Zhang R-H*, 2023. A Transformer-Based Deep Learning Model for Successful Predictions of the 2021 Second-Year La Niña Condition, Geophysical Research Letters, 50(12), e2023GL104034. (基于3D-Geoformer的多年拉尼娜机制分析)
[3] Zhang R-H*, Zhou L, Gao C, Tao L J, 2024. A transformer-based coupled ocean-atmosphere model for ENSO studies, Science Bulletin, 69(15), 2323-2327. (海气耦合智能模型观点性文章)
[4] Zhou L, Zhang R-H*, 2024. ENSO‐related precursor pathways of interannual thermal anomalies identified using a transformer‐based deep learning model in the tropical Pacific. Geophysical Research Letters, 51(12), e2023GL107347.(基于3D-Geoformer的ENSO前兆信号分析)
[5] Zhang R-H*, Zhou L, Gao C, Tao L. 2024. Real-time predictions of the 2023-2024 climate conditions in the tropical Pacific using a purely data-driven Transformer model. Science China Earth Sciences, 67(12): 3709-3726. doi:10.1007/s11430-024-1396-x. (基于3D-Geoformer的2023-2024年ENSO实时预测)
[6] Zhou L, Zhang R-H*, 2025. The 3D-Geofomer for ENSO studies: a transformer-based model formulation with an integrated gradient method for enhancing its explainability, Journal of Oceanology and Limnology, doi: 10.1007/s00343-025-4330-y. (3D-Geoformer可解释性分析)
