北太平洋年际涛动（PDO）的变化与海洋生态系统和区域气候现象息息相关。因此，对 PDO 的准确和长期预测非常重要。当前，国内外学者对PDO的产生机理进行了研究，形成了包括ENSO-循环-大气桥、海洋动力学、北太平洋海洋环流等多种不同观点。但研究表明，PDO可能不是单一的物理模式，而是多种现象影响的叠加，这也为通过物理或动力学模式对PDO进行精准预测带来了巨大的挑战。随着深度学习的发展，数据驱动的建模方式为机理不明确的海洋现象预测提供了新的思路。以循环神经网络为代表的时间序列预测方法得到了长足的发展及优越的预测效果。在本研究中，提出了一种基于深度学习方法的季节性门控循环单元（SGRU）模型用于多时间尺度 PDO 指数预测。首先利用时序分解方法，将包含波动性、跳跃性、季节性等多种变化模式的复杂单一时间序列分解为趋势性、季节性和残差这三个分量。在此基础上，构建具有强大非线性序列拟合能力的多通道GRU模型，分别对不同分量的历史时序特征进行提取与建模，采用分而治之的策略来减小模型拟合难度，从而提高各分量连续预测精度、降低累计误差。使用 1979 年至 2020 年的数据作为测试集，结果表明，所提出的SGRU模型远优于对比算法，且该模型可灵活预测不同时间尺度的PDO指数。

时空预测,深度学习,太平洋年代际涛动