客观地评估和比较深度学习预报模型（DLM）与业务化海洋学预报系统（OFS）的预报技巧是一个基础且重要的问题。然而，鲜有研究使用相同的参考数据来比较它们的预报误差。本研究针对南海海表温度（SST）、海表高度异常（SLA）和海表流场，发展了三个物理合理的DLM，然后采用测试集和“OceanPredict”预报系统间比较与验证工作组第四类数据（Class 4）评估了三个DLM的预报技巧，并与OFS进行了横向比较。结果显示，分别采用测试集和Class 4数据集作为参考数据，DLM在后者上的均方根误差分别增加了44%（SST）、245% （SLA）、302%（流速）和109%（流向）。这说明不同的参考数据对评估结果存在显著影响，使用相同且独立的参考数据比较DLM和OFS是必要的。相对于Class 4数据集，DLM对SLA的预报技巧显著优于OFS，而对其他变量的技巧略高于OFS。DLM和OFS预报误差的空间分布存在一定的相似性，这可从可预报性的角度加以解释。对极端事件而言，SLA和流速的预报均存在较大的预报误差，但DLM和OFS并不存在显著的差别；对SST和流向预报，DLM的误差可能更大。本文对DLM的评估结果，可为DLM的应用提供参考，同时本文也为不同DLM之间的横向比较提供了一个参考范例。本文首次从业务预报的角度评估了深度学习预报模型的预报技巧，并与业务化海洋学预报系统进行了横向比较。从总误差、误差的水平分布和对极端事件的预报误差三个方面，揭示了两种预报方法下预报误差的相对水平，以及误差分布结构的共性和差异，并从可预报性的角度解释了误差分布的共性特征。
 

深度学习预报模型,业务化海洋学预报系统,预报误差