测试年份更暖时：我的 SST 基线发生了什么
2026年11月7日
在把任何学习型模型与简单基线比较之前，我想先知道简单基线有多难被超越，对象是每日海表温度（SST）。我在验证年份（2016-2019）看到的方法排名，在测试年份（2020-2025）没有保持。这篇文章讲的是什么变了、关于原因我能说什么和不能说什么，以及我之后加入的一个小型 LSTM。
文中所有数字都来自 sst-baselines 的 README 和 results/ 文件。这是一项基线与评估研究，不是可用于业务的预报系统。
设置
- 数据： NOAA OISST v2.1 每日 SST，1982-01-01 至 2025-12-31，每个区域 16,071 个每日场，网格为 40x40。ERDDAP 聚合数据每个区域缺少 1,194 天，我从 NOAA PSL 补齐，并检查了两个来源在所有重叠日期上一致。
- 区域： 北太平洋的两个 10°×10° 区域。一个是高变率的黑潮延伸区（30.125-39.875°N，145.125-154.875°E），一个是低变率的副热带区（15.125-24.875°N，150.125-159.875°E）。
- 划分： 训练 1982-2015，验证 2016-2019，测试 2020-2025。预报提前量为 1、7 和 30 天。
- 六个基线： 持续性、气候态、距平持续性、阻尼持续性、10 年逐日气候态（OCN）以及逐格点岭回归（Ridge）。
- 方案： 在我看验证或测试分数之前就已固定。测试期只评估一次，在我冻结配置并打上
pre-test-freeze标签之后；否则代码会拒绝运行测试。
我用相对距平持续性的技巧评分来给每个方法打分，距平持续性即“目标日的气候态加上今天的距平”。技巧评分为 1 − RMSE/RMSE_reference，因此大于 0 表示优于距平持续性，小于 0 表示更差。距平持续性是需要超越的标杆，在 1 天提前量时尤其如此。
测试年份发生了什么
Ridge 和阻尼持续性都会让预报向 1982-2015 年的气候态回归。在验证期，它们在大多数提前量上领先于距平持续性。在测试期，它们失去了大部分或全部优势。相对距平持续性的技巧评分（提前 1、7、30 天）：
| 方法，区域 | 验证期（2016-2019） | 测试期（2020-2025） |
|---|---|---|
| Ridge，黑潮区 | +0.041, +0.077, +0.176 | +0.025, +0.007, +0.088 |
| Ridge，副热带区 | +0.022, +0.056, +0.090 | −0.049, −0.049, +0.006 |
| 阻尼持续性，黑潮区 | +0.010, +0.067, +0.164 | −0.017, −0.012, +0.058 |
| 阻尼持续性，副热带区 | −0.004, −0.017, +0.028 | −0.109, −0.178, −0.091 |
黑潮区的 Ridge 在所有提前量上仍然领先，只是 7 天的优势小得多。在副热带区，阻尼持续性在验证期的 1 天和 7 天就已落后，到了测试期则在所有提前量上落后。
一个可能的解释，但并未证实
验证期和测试期的年份都比 1982-2015 年的气候态更暖，测试期更甚。气候态预报的平均偏差从验证期的 −0.500 °C（黑潮区）和 −0.539 °C（副热带区），变为测试期的 −0.827 °C 和 −0.656 °C。阻尼持续性 30 天预报的偏差从 −0.324 和 −0.325 °C 变为 −0.527 和 −0.392 °C。向较旧气候态回归的方法，在海洋比该气候态更暖时付出的代价更大，所以这一解释是吻合的。
但仓库并没有证明变暖偏移就是原因。我没有检验任何其他解释，所以无法对它们排序，也无法排除它们。我能列出的是适用的局限：我没有做去趋势处理（改为加入了 OCN），只有一次固定划分，没有按时间块做交叉验证，六个测试年份是很短的记录，而且 Ridge 是逐格点拟合的，忽略了空间结构。我仍在学习海洋学，所以把这些当作描述，而不是物理解释。
一个小型 LSTM，以及我为什么不据此推广
基线完成之后，我加了一个小型 LSTM。它使用与 Ridge 相同的信息，即单个格点最近 30 天的距平，1 层，隐藏单元数 64（在验证集上选定）。每个区域训练 3 个随机种子，报告各种子的平均值，没有挑选种子，也没有集成。我在加载测试期之前写好方案并打上 pre-lstm-test 标签，然后只运行了一次测试。
测试集上相对 Ridge 的技巧评分（提前 1、7、30 天）：
- 副热带区： +0.029, +0.025, +0.022。LSTM 在所有提前量上都超过了 Ridge。
- 黑潮区： −0.061, −0.017, −0.001。没有超过 Ridge。在验证期，7 天和 30 天的数值原本略为正（+0.006, +0.014），这些优势没有保持。
副热带区的结果比看上去弱。在该区域，Ridge 本身在 1 天和 7 天就比距平持续性差，LSTM 在这两个提前量上也落后于距平持续性（−0.018 和 −0.023）。此外 LSTM 使用完整的 30 天序列加上一年中的日期，而 Ridge 的输入较少，所以 LSTM 的部分提升可能来自输入而不是模型。我没有测试这一点。两个区域给出了不同的答案，所以我从中只得出一点：不要根据一个区域的一个结果编故事。
我的收获
- 在相信验证期得出的排名之前，先检查它在之后的时期是否仍然成立。
- 明确说出哪种解释与数据一致，哪种解释已被证实。
- 一个学习型模型在一个区域赢、在另一个区域输，并不是关于深度学习的结论。
局限：只有两个小区域和一种数据产品（OISST），只有简单的统计基线，没有不确定性区间。代码是公开的，你可以对照 results/test_all.json、results/val_all.json 和 results/lstm_test.json 核对本文的每个数字。
代码由 Claude Code 编写；方法设计、决策与结果验证由我本人完成。