基于STL的南海海表温度组合预测模型

海表温度（sea surface temperature,SST）是海洋科学研究的重要内容之一。SST的异常波动导致海洋灾害、气象灾害现象时有发生，SST的精确预测对海洋环境保护和海洋经济发展有重要意义。针对SST序列的季节性、非平稳性，首先利用周期趋势分解算法（seasonal-trend decomposition procedure based on loess, STL）对数据进行预处理，分解得到季节分量、趋势分量和残差分量子序列，依次选择相应的预测方法构建组合模型。季节分量应用具有时间嵌入编码模块的Transformer网络预测，充分挖掘序列全局信息，解决时间序列长时间依赖问题；趋势分量应用线性回归模型预测；残差分量应用自回归模型预测。选取南海海域单点SST数据，应用基于STL的SST组合预测模型建模，预测5 d的SST值。实验结果表明，本文模型在单点SST预测任务中，能够有效捕获SST变化规律，提高预测精度。