Geosci. Front. | 基于物理引导深度学习的全球海表温度预测：多时间尺度下精度与稳定性的平衡

背景：海表面温度（SST）是调节海气交换的关键气候变量，其跨时间尺度高精度预测面临挑战。日尺度预测依赖自回归模型易不稳定和过度平滑，月尺度预测则受数据稀疏和复杂海洋动力学限制。研究目的：为应对这些挑战，本文提出名为SSTFormer的新型物理引导深度学习框架，旨在通过统一架构平衡多时间尺度预测的精度与稳定性。结论：SSTFormer在日尺度（1-15天）和月尺度预测上均表现出优于基准模型的精度（RMSE分别为0.17°C和0.60°C），其创新的“双阶段序列集成”策略有效缓解了误差累积，洋流信息的引入提升了短期预测准确性，模型在刻画ENSO等气候模态及极端事件中也展现出更强的鲁棒性和空间一致性，证明了统一框架处理多尺度SST预测的潜力。