海表温度（Sea Surface Temperature, SST）是影响气候变化的重要海洋变量，在海气相互作用中发挥重要作用，并对热量、淡水和碳的输送产生显著影响。因此，精确预测SST对于理解气候变化、保护海洋生态系统具有重要意义。本研究提出了一种基于深度学习的混合模型，用于预测热带太平洋的SST，该模型由两个单一深度学习模型组合构成。分析结果表明，与单一模型相比，该混合模型在各个预测提前期内均表现出更高的预测精度。具体而言，在厄尔尼诺（El Niño）时期，混合模型预测结果的均方根误差（RMSE）、平均绝对误差（MAE）和皮尔逊相关系数分别约为0.54 °C、0.40 °C和0.98；而在拉尼娜（La Niña）时期，上述指标分别约为0.55 °C、0.39 °C和0.98。值得注意的是，相比单一模型，混合模型更准确地捕捉了厄尔尼诺-南方涛动（El Niño-Southern Oscillation, ENSO）事件期间SST的空间分布特征。此外，混合模型在不同海域的预测误差更低，相关性更高。消融实验表明，海表风（Sea Surface Wind, SSW）对SST在不同时段具有不同程度的影响，通过融合SST与SSW数据，模型能够在不同气候条件下做出更加精准的预测。该混合模型能够在ENSO期间快速、准确地预测SST，并表现出更好的稳健性。
 

海表面温度,深度学习,混合模型,预测,热带太平洋