1.一种基于改进卷积神经网络利用热带太平洋次表层海温异常的预测ENSO方法，其特征在于，包括以下步骤：（1）采集热带太平洋次表层海温数据、Nino3.4观测数据，并对数据进行预处理，构建训练数据集；具体如下：选择热带太平洋海域5°N‑5°S，105°E‑90°W海面下5m‑250m共16层的热带太平洋次表层海温数据，其中分辨率为0.5°×0.5°；热带太平洋次表层海温数据处理具体如下：先求逐月的距平，再做纬向距平；Hadley中心观测得到的Nino3.4指数为目标观测数据；预处理具体如下：将采集到的热带太平洋次表层海温数和目标观测数据进行标准化处理；其中，距平公式为：

；

其中， 为距平后结果， 表示x的平均值；

（2）搭建加入了注意力机制SENet的CNN模型；具体如下: 具体如下:在CNN模型的卷积层和全连接层之间引入SENet模块和展平层；改进后的SENet‑CNN模型包括：3个卷积层、SENet模块和1个展平层和3个全连接层；全连接层中的前两层引入Dropout层；其中，每个卷积层都包括：批量归一化层、激活函数层和最大池化层；模型具体过程为：输入数据首先通过卷积模块，然后通过SENet块后，数据被展平并通过全连接层，最后返回输出；

（3）基于训练数据集和模型进行训练；具体如下：将处理好的数据按照年份先后分为训练集与测试集，训练集随机分批次对模型进行训练；利用梯度下降法对比模型结果与目标数据；将Huber作为损失函数，公式如下：；

其中， ，是预测值  与真实值  之间的差异， 是超参数，设为0.5；当 时，Huber损失为MSE函数，当   时，损失变为线性函数；

（4）生成预测产品利用皮尔森积矩相关系数计算得到ENSO预测；计算公式如下：；

其中，r是相关系数，是第i个预测值，是预测值的平均，是第i个实测值，是实测值的平均。