基于GHSOM网络的南海风场时空变化特征分析
时间：2023-01-22 14:10:05 来源：柠檬阅读网 本文已影响 人 
周益飞，廖光洪
(河海大学海洋学院，江苏 南京 210013)
海表面风场和上层海水运动息息相关，是上层海洋中重要的外强迫场。海面风场会影响和调节大气和海洋之间的热量、水汽等物质交换，也是海流、波浪、混合层形成的重要驱动力[1]，同时海面风场也对沿海城市居民生活及海上运输、海洋工程等产生重要的影响[2-3]。
受热带海洋性季风气候影响，南海是目前世界上热带季风最强盛的地区之一。南海风场的变化对中国南方气候有着重要的影响：夏季盛行的西南风给中国南方带来强烈的暖湿气流，从而对降水有一定的调制作用；
冬季盛行的东北风给中国南方带来强盛的干冷气流，造成大幅度降温[4]。
许多学者对南海海表面风场(SSW)的时空变化特征进行了研究：王静 等[5]、齐义泉 等[6]利用T/P卫星高度计反演的南海海面风场资料，对南海风速距平进行了经验正交函数(EOF)分解，结果表明，第一模态和第二模态分别揭示了南海季风强盛时期和季风转变过渡时期(春、秋季)的风场特征，而第三模态则显示为受限于陆地地形等因素影响的风场特征；
梅勇 等[7]利用1957—2002年ERA40的海表之上10 m风场数据，分析了北印度洋-南海海域海面风场的年际变化特征；
裘沙怡 等[8]使用QUIKSCAT卫星散射计风场数据资料，采用矢量经验正交函数(VEOF)方法对南海风场距平进行了分析，得到的结果与齐义泉 等[6]基本一致；
赵喜喜[9]和陈心一 等[10]分别探讨了中国近海海面风场的时空变化特征。
大量研究表明南海风场变化与厄尔尼诺-南方涛动(ENSO)、印度洋偶极子(IOD)等存在紧密联系。CHAO et al[11]和LIANG et al[12]分析了南海海面风场异常与ENSO事件之间的相关关系；
沈春 等[13]使用QUIKSCAT卫星散射计风场资料，分析了南海海面风场的变化特征，结果显示南海海表风速除了存在着明显的季节变化外，还与南方涛动指数(SOI)和太平洋年代际涛动指数(PDO)存在一定的相关关系；
王佳莹 等[14-15]对南海海面风场和海面风应力旋度场展开分析，结果显示南海风场和风应力旋度场均与ENSO、IOD密切相关；
邹玮 等[16]使用欧洲中期天气预报中心(ECMWF)提供的海表面10 m风场资料(1979—2017年)，采用小波分析、EOF等方法，对南海风场风速距平进行分析，结果表明南海近海面风场的第一模态呈现年代际变化特征，并与ENSO在某些特殊时段有着相似的振荡周期，但是在1990年后其相关性逐渐减小，而第二模态和第三模态与ENSO的相关性增强。
综上所述，前人对南海风场的研究大多基于线性理论的EOF分析方法，或数据资料时间跨度较短，或空间分辨率比较低。最近几十年以来，自组织映射(SOM)、增长型分层自组织映射(GHSOM)神经网络方法在物理海洋学领域得到了广泛的应用，例如LIU et al[17-18]应用SOM和GHSOM方法成功提取了西佛罗里达陆架海表温度(SST)和海流的变化模态；
徐晓华 等[19]利用GHSOM神经网络方法对南海北部-西太平洋海表面高度(SSH)以及中尺度涡旋的变化进行分析研究，成功识别出了SSH的季节和年际变化特征。本文将利用欧洲中期天气预报中心(ECMWF)提供的40年再分析海面10 m风场资料，应用增长型分层自组织映射(GHSOM)方法对南海近海面风场进行研究，提取南海近海面风场变化的主要模态，分析其季节变化和年际变化特征，以期比传统的线性分析方法揭示出更多南海风场变化的细节特征。
1.1 资料来源
本文使用的海表10 m风场数据资料来源于欧洲中期天气预报中心(ECMWF)的再分析资料ERA-interim产品(https://apps.ecmwf.int/)，空间分辨率为0.25°× 0.25°，时间跨度为1979年1月到2018年12月，其研究区域覆盖了整个南海海域。Nio 3.4指数产品数据来自于美国National Oceanic and Atmospheric Administration(NOAA，https://www.cpc.ncep.noaa.gov/)。
1.2 分析方法
1.2.1 自组织映射
自组织映射(self-organizing map，SOM)是KOHONEN[20]在1981年提出的一种基于无监督竞争学习的人工神经网络方法。作为模式识别和分类的工具，SOM神经网络方法在许多学科领域中都有成功实践。自21世纪以来，该方法在大气和海洋学界受到了广泛欢迎，许多研究人员纷纷利用SOM的非线性拟合能力来提取数据变量的特征信息。
SOM网络结构一般由输入层和输出层构成。输入层由输入样本组成，输出层通常由K个神经单元构成的阵列组成[19]，每一个神经单元(标记为j，j=1,2,3,…,K)代表一个输出的类，且有一个相应的权重向量，其维数与输入样本维数一致。本文中输入网络中的总样本由M×N阵列的10 m风场数据构成(M是空间网格点总数，N是选取的时间序列长度)。
将总样本输入SOM网络中进行无监督训练。每一次训练都会随机选取一个输入样本x(维数为M×1),通过式(1)来计算x与各输出神经单元j之间的距离，得到与x距离最小的获胜神经单元，即最佳匹配单元(Best Matching Unit，BMU)，距离度量一般采用欧氏距离：
(1)
式中：Rj是指第j个输出神经单元的权重向量，与输入样本x同维度。神经单元的权重向量会按照式(2)进行更新：
Rj(t+1)=Ri(t)+γ(t)·ε(t)·[x-Ri(t)]
(2)
式中：γ(t)为学习率，0<γ(t)<1，随着训练时间的推移而逐渐下降到零；
ε(t)是邻域函数, 是以获胜神经单元为中心的一个区域，邻域范围会随着训练时间的增长而不断缩小；
Ri为第i个神经单元对应的权重向量，i=1,2,3,…,K。
SOM算法能够自组织、自学习地计算出样本之间的相似度，然后将相似的样本自动地就近分配到同一类中。SOM网络训练过程如下。
(1)神经单元的权重向量都用小的随机值进行初始化；
(2)随机(或依次)选取一个样本x输入到SOM网络中；
(3)按式(1)计算得到样本x对应的最佳匹配单元；
(4)按式(2)更新各神经单元的权重向量；
(5)判断是否达到所设定的要求, 若是，训练结束，否则返回步骤(2)。
尽管SOM得到了广泛的应用，但它也存在一些固有缺陷。第一，它使用静态网络架构(开始训练之前必须确定输出神经单元的数量和排列)，对于大量的复杂数据而言，很难在训练之前确定一个合适的网络结构；
第二，在可视化显示中难以反映输入数据之间的层次关系。增长型分层自组织映射(GHSOM)神经网络很好地解决了这两个缺陷，是提取南海风场模态特征的优异方法之一。
1.2.2 增长型分层自组织映射
增长型分层自组织映射(growing hierarchical self-organizing map, GHSOM)神经网络是在SOM网络的基础上衍生而来的。它是一种能够自动增长、分层的神经网络，包含多层结构，并且每一层都由一个或者多个相互独立的动态成长的SOM网络构成。GHSOM网络可以根据样本数据之间的特征自适应地调整每一个SOM网络的尺寸和整个网络的深度，尽可能地表征输入数据的内部结构。
本文采用平均量化误差(mqe)来对GHSOM网络增长进行全局控制。这里定义两个参数：
(1)平均量化误差：
(3)
式中:n是输入样本的数量。
(2)每一个SOM的平均量化误差：
(4)
式中:d是第m个SOM网络中神经单元的个数。
GHSOM网络算法从整体上分为横向扩展和纵向扩展。其网络训练过程如图1所示，具体算法如下。
图1 GHSOM网络训练流程图
(1)第0层神经单元初始化。第0层仅有1个神经单元，其权重向量为所有输入数据样本的平均值,并计算该层的平均量化误差。
(2)在第1层建立2×2单元的SOM网络,并对各神经单元权重向量赋初始值，开始网络训练，进行学习。
(3)SOM网络进行横向扩展。GHSOM网络通过参数控制每一个SOM 横向扩展。在经过一定次数的无监督训练之后，GHSOM将会计算一次该层SOM的平均量化误差s_mqem，然后与上一层相应的父系单元的平均量化误差(mqej)above比较，如果这两者不满足式(3)，就会在该SOM中最大量化误差的神经单元和与之距离最远的邻近神经单元之间多增加额外的一列或者一行，继续进行训练，直到满足式(5)时，结束横向扩展：
s_mqem<τ1·(mqej)above
(5)
(4)SOM网络进行纵向扩展。GHSOM网络通过参数τ2控制神经单元纵向扩展。当横向扩展结束后，GHSOM计算出该SOM网络中所有神经单元的平均量化误差mqej，然后与上一层相应的父系单元的平均量化误差(mqej)above进行比较，如果这两者不满足式(4)，就会在下一层建立一个2×2单元的子SOM网络，更新权重向量并返回到步骤(3)继续训练，直到每一个神经单元都满足式(6)时，全局终止训练：
mqej<τ2·(mqej)above
(6)
一般来说，在GHSOM网络中是按照1>τ1>τ2>0的标准来选择τ1和τ2的。在GHSOM工具箱里，τ1和τ2分别被称为宽度控制参数和深度控制参数。一般τ1参数越小，神经单元越多，SOM数组会越大；
τ2参数越小，层次越深。
2.1 GHSOM控制参数选择
将南海10 m风场数据用GHSOM网络进行训练分类。首先，通过调整宽度控制参数(τ1)和深度控制参数(τ2)进行多次实验，其实验结果如表1所示。比对分析各组实验结果，本文选择了(τ1，τ2)=(0.9，0.04)这组结果进行研究。该组结果有两层SOM, 已足够描述南海近海面风场特征，也利于可视化呈现。
表1 不同参数下 GHSOM训练结果
2.2 原始风场的GHSOM第一层结果分析
图2是GHSOM网络第一层SOM的输出结果，它将南海近海面风场信息分成了4类，这4类模态代表着南海近海面风场季节转变的主要特征。
模态1代表西南风模态(图2a)，表示在南海上空由西南气流所控制，并在南海北部近岸呈现弱气旋式旋转。模态2是东北风转西南风过渡模态(图2b)，表示在南海由偏东风控制，在北部湾海域附近呈反气旋式旋转，风向发生改变。模态3代表了东北风发展模态(图2c)，表示在南海北部由强烈的东北风控制；
在南海南部由弱气旋式风场主导，其风速较弱，风向发生转变。模态4代表强盛的东北风模态(图2d)，其环流形势十分稳定，在整个南海上空风向主要是NE—SW方向，在4个模态中，模态4的风场最为强盛，平均风速最大，最大风速达到 9.8 m/s。
图2 GHSOM网络训练原始SSW数据输出的第一层结果
给每一份输入样本数据定义一个最佳匹配单元(简称BMU), 可以根据最小欧式距离来识别BMU，即与输入样本数据矢量距离最近的输出神经单元。BMU时间序列(图3)表现出明显的季节性波动变化，几乎每年都会按照模态4→模态2→模态1→模态3→模态4的顺序发生。为了进一步表征这种季节循环特征，计算了GHSOM网络第一层4个模态各月的发生频率(图4)。从图中发现，模态1主要发生在5—9月(夏季风); 模态2主要发生在2—5月(冬季风向夏季风的过渡), 在3月和4月出现的频率最高；
模态3主要发生在10—11月(夏季风向冬季风过渡), 在10月出现的频率最高; 模态4发生在11月至次年3月(冬季风), 在12和1月的发生频率最高。
图3 GHSOM网络训练原始SSW数据输出的第一层最匹配单元(BMU)的时间序列
图4 GHSOM网络训练原始SSW数据输出的第一层4个模态在各月的发生频率曲线
为了验证上述利用GHSOM神经网络方法得到的南海近海面风场的季节特征，给出了4个季节气候态的近海面风场分布。春季气候态平均场(图5a)显示，整个南海环流形势复杂，风向多变，风速分布均匀；
夏季气候态平均场(图5b)显示,在夏季期间，整个海域风向比较一致，盛行西南风，这是由于副热带高压在南海海域上空活动频繁[21-22]，南海南部平均风速大于北部平均风速；
从秋季气候态平均场(图5c)可以看出，东北风增强,西南风减弱，南海北部由东北风控制，南部海域则由弱气旋式风场控制；
冬季气候态平均场(图5d)显示,南海上空盛行东北风，其风速在4个季节处于最大，齐义泉 等[21-22]认为这主要是由于地貌的影响，在台湾海峡和巴士海峡的狭管效应作用下，会增强冬季南海的东北季风。
图5 南海海表风场季节平均分布
上述分析显示：模态1和模态4与南海夏季风和冬季风十分吻合；
模态2与模态3可被认为是季风转换的过渡模态，与南海春季风场和秋季风场相匹配。但是GHSOM第一层结果和气候态季节风场分布又有着一些细微差异，例如，在GHSOM第一层模态1中，在南海北部出现弱气旋式旋转，在夏季气候态中则不明显。接下来对GHSOM第二层训练结果展开分析。
2.3 原始风场的GHSOM第二层结果分析
由表1可知，GHSOM网络第一层中4个模态都增长到了第二层。模态1和模态4分别在第二层中都扩展成2×2的子SOM图，这些模态都进一步解释了南海夏季和冬季风场的细节特征。同样，模态2和模态3也分别在第二层扩展成2×2的子SOM图，更加清楚地呈现了冬、夏季风转换时期的风场特征。
第一层模态1(图2a)在第二层扩展成2×2的SOM图(图6a～6d)。模态1代表的盛行夏季风场在第二层中被分成4类。其中模态1-1和模态1-2的环流形势相似，以SW—NE风向为主，在南海中南部，模态1-1风速强于模态1-2；
模态1-3和模态1-4风向相似，但模态1-3整体风速强于模态1-4，与模态1-1和模态1-2不同，模态1-3和模态1-4在南海北部沿海岸一带盛行风向是偏东风。从各模态的发生频率曲线(图6e)中可以看到，模态1-1和模态1-2主要出现在6—8月，模态1-3出现在9月，模态1-4出现在5月。频率峰值出现顺序依次为模态1-4→模态1-2→模态1-1→模态1-3。模态1-1和模态1-2呈现了南海盛夏时期的近海面风场的主要空间分布特征，模态1-4代表着春末时南海海面风场特征，而模态1-3则代表初秋时南海的风场特征。模态1-3和模态1-4是图2a中南海北部近岸的弱气旋式风场的细节展现。
图6 第一层GHSOM中的模态1向下增长的第二级原始SSW自组织特征图和各模态的月发生频率
第一层模态2(图2b)在第二层扩展成2×2的SOM图(图7a～7d)。模态2向下扩展的4个模态风向比较相似，但风速大小存在差异。其中，模态2-4和模态2-2风速相近且最大，模态2-3次之，模态2-1最小。频率曲线图(图7e)显示，模态2-2、模态2-3和模态2-4几乎都集中在2—4月，而模态2-1则主要出现在5月。同样按照频率峰值排序，各模态出现顺序为模态2-4→模态2-2→模态2-3→模态2-1，揭示了南海春季风场强度逐渐减弱的变化特征。
图7 第一层GHSOM中的模态2向下增长的第二级原始SSW自组织特征图和各模态的月发生频率
第一层模态3(图2c)在第二层扩展成2×2的SOM图(图8a～8d)。模态3-1、模态3-2，模态3-3和模态3-4在南海北部均呈现为强烈的东北风，但强盛的东北风在这4个模态中的向南延伸情况各不相同，在模态3-4中东北风向南延伸得最远；
南海南部则是由弱的气旋式风场主导，但气旋中心位置不尽相同。从频率曲线图(图8e)中可见，模态3-1、模态3-2，模态3-3都集中在10月，模态3-4则主要出现在11月。秋季是夏季风向冬季风转换的过渡时期，其东北风风速增大，而西南风风速减小。
图8 第一层GHSOM中的模态3向下增长的第二级原始SSW自组织特征图和各模态的月发生频率
第一层模态4(图2d)在第二层扩展成2×2的SOM图(图9a～9d)。模态4代表的冬季风场特征在第二层中被分成4类。这4类模态空间差异细微，风向和风速几乎相近，在南海海盆上空都呈现为NE—SW走向，最大风速都超过了11 m/s。在频率曲线图(图9e)中，这4个模态主要出现在11月—次年2月，按照峰值排序，依次是模态4-1→模态4-3→模态4-4→模态4-2。
图9 第一层GHSOM中的模态4向下增长的第二级原始SSW自组织特征图和各模态的月发生频率
总的来说，GHSOM训练原始风场数据第一层结果揭示了南海近海面风场的季节变化特征，第二层结果很好地呈现了南海近海面风场的月变化特征。
基于原始风场数据，以某一个空间网格点为例，对数据作如下处理可得到异常风场：(1)分别求出风场分量月气候态；
(2)用原始风场分量分别减去对应月气候态，得到该点风场异常；
(3)分别对异常风场的时间序列进行6个月滑动平均。经过上述处理可以得到年际以上的异常风场信号。
将经上述处理的异常风场数据采用GHSOM网络进行训练分类，首先调整宽度控制参数(τ1)和深度控制参数(τ2)进行了多组实验(表略)。通过比对分析，选取τ1=0.8,τ2=0.08这组训练结果来展开分析。
3.1 异常风场的GHSOM第一层结果分析
图10是GHSOM网络训练异常风场数据输出的第一层结果，它揭示了南海4类异常风场模态。模态1显示，南海海域上空表现为东北风异常的风场特征，在南海中部异常风速强于北部和南部(图10a)；
而模态4呈现的异常风场特征与模态1正好相反，南海上空表现为西南风异常(图10d)；
模态2(图10b)和模态3(图10c)两者环流形势恰恰相反，在南海上空分别表现为受显著的反气旋式异常风场和气旋式异常风场控制，其中心都位于吕宋岛西部海域。对比发现，这4类模态与前人对南海风场进行VEOF分析得到的结果十分类似[14-15]。不同的是，GHSOM神经网络方法不受对称偏差的影响[17-18]，例如，模态2揭示的反气旋式异常风场强度明显大于模态3揭示的气旋式异常风场强度，异常风场中心位置也存在偏差；
此外，模态 1和模态4在南海中部的异常风向并不是完全一致反向。为了量化表示这4类模态，进一步计算了其相对出现频率(所属模态的样本个数除以总的样本个数)，模态1～4的相对出现频率依次为29.8%、22.1%、23.5%和24.6%。
图10 GHSOM网络训练SSW异常数据输出的第一层结果
为了进一步识别GHSOM第一层4个模态的年际变化信号，给出了第一层最匹配单元BMU和Nio3.4指数的时间演变(图11)。从图中可以看到，模态2主要出现在厄尔尼诺年期间，而模态3则主要出现在拉尼娜年期间，特别是在1982—1983年，1997—1998年,2015—2016年等强厄尔尼诺年份以及1998—2000年，2007—2009年，2010—2011年等强拉尼娜年份。此外，还发现模态2一般是在厄尔尼诺趋于成熟后才开始出现，即存在一定的滞后效应，并且在1982—1983年，1997—1998年，2009—2010年，2015—2016年这些强厄尔尼诺年，反气旋性异常风场的持续时间也比较长；
而模态3在1999—2001年期间出现次数最多，持续时间最长。前人研究认为[23-26]，在厄尔尼诺事件发生的年份，西太平洋暖池海域异常变冷，抑制西太平洋上空对流活动发展，而中东太平洋异常变暖，共同引发沃克环流发生异常，造成在西北太平洋沃克环流出现下沉异常，因此，在西北太平洋上空出现一个异常反气旋环流，而模态2可能是该异常反气旋的一部分；
当拉尼娜事件发生时，西太平洋暖池异常增暖，在南海上空呈现模态3的气旋性异常风场特征。模态1和模态4则与ENSO并没有显著的联系，在一些强厄尔尼诺年份和强拉尼娜年份里几乎很少出现，而在弱ENSO年以及非ENSO 年期间出现的次数较多。
图11 GHSOM网络训练SSW异常数据输出的第一层最匹配单元(BMU)的时间序列(a)以及Nio3.4指数(b)
由上述分析可知，模态2和模态3与ENSO存在一定的联系。为了进一步揭示它们之间的关系，分别计算了南海异常风场时间序列与GHSOM第一层4个模态权重矢量的欧氏距离。图12是模态2和模态3与南海异常风场数据欧氏距离之倒数随时间的发展图。对于模态2(图12a)，可以看出，欧氏距离倒数的峰值与Nio3.4序列的峰值有着很好的对应，但略微滞后于Nio3.4指数。对两者进行超前滞后相关分析，当欧氏距离倒数滞后3个月时，其相关系数最大，达到了0.61，并通过了显著性检验。对于模态3(图12b)，其欧氏距离倒数的峰值与Nio3.4序列的谷值有着很好的对应，对两者进行超前滞后相关分析，相关系数达到了-0.57，欧氏距离倒数滞后5个月。总体而言，当位于厄尔尼诺年时，南海近海面风场异常主要呈现出模态2的年际变化特征；
当位于拉尼娜年时，南海近海面风场异常主要呈现出模态3的年际变化特征。
图12 第一层GHSOM网络与SSW异常数据之间欧氏距离倒数的时间演变图
3.2 异常风场的GHSOM第二层结果分析
GHSOM第一层中模态2(反气旋模态)和模态3(气旋模态)揭示了在厄尔尼诺事件和拉尼娜事件期间南海近海面10 m异常风场的特征。下面将进一步分析这2个模态向下增长的第二层结果。
第一层GHSOM中的反气旋模态在第二层增长为2×2的子SOM特征图(图13)。南海上空反气旋式异常风场特征可以分为4类，根据BMU时间序列图(图略)，这4类风场特征几乎都出现在厄尔尼诺年份，这是显而易见的，因为它们都衍生于厄尔尼诺年出现的反气旋异常风模态。这4类风场保留了第一层GHSOM 中模态2的主要信息，同时又揭露了更多的细节特征。例如，模态2-2(图13b)代表的异常风场明显强于其他3个模态,其异常中心未出现在南海海域，并且该模态仅出现在1982—1983年、1992—1993年、1997年末—1998年初，集中在 2—5月，其相对出现频率仅为11.3%。模态2-1(图13a)与第一层模态2相比，其异常中心偏向于西北，该模态的相对出现频率为22.6%。模态2-3(图13c)和模态2-4(图13d)与第一层模态2的环流形势类似，并且这两个模态的相对出现频率都比较高，分别达到了 35.9% 和30.2%。(注意：这里的相对出现频率计算中，总样本个数仅指第一层中模态2的所属样本总数，即每个子模态的出现频率总和为100%)。
图13 第一层GHSOM 中的模态2向下增长的第二级SSW异常自组织特征图
第一层GHSOM中模态3在第二层增长为3×2的子SOM特征图(图14)，它揭露了更多在拉尼娜年期间南海气旋式异常风场的特征。例如，模态3-1(图14a)在整个南海海域上空并未表现出明显的气旋式异常风场特点，该模态在1985—1990年以及2004年之后出现频繁。模态3-2(图14b)和模态3-4(图14d)同第一层模态3的环流形势比较相似，但就异常风速而言，模态3-2偏弱，模态3-4偏强，并且模态3-2几乎在每一个拉尼娜年份都会出现，其相对出现频率在这6个子模态中最高，达到了23.9%，模态3-4仅在1999—2002年和2009—2010出现。模态3-3(图14c)、模态3-5(图14e)、模态3-6(图14f)，这3个子模态的异常气旋中心与第一层模态3有很大的差异，与之相比，模态3-3偏西南，靠近越南沿岸，模态3-5偏北，模态3-6偏西北。模态3-3在1997年之后出现次数较多，模态3-6仅出现在1994—1995年，1999—2000年，2012—2013年期间，其相对出现频率最低，仅为7.9%。
图14 第一层GHSOM 中的模态3向下增长的第二级SSW异常自组织特征图
本文基于1979—2018年欧洲中期天气预报中心(ECMWF)的ERA-interim海面10 m风场再分析资料，应用增长型分层自组织映射(GHSOM)神经网络方法对南海近海面10 m风场进行展开，提取南海近海面风场变化的主要模态，分析其季节变化和年际变化特征，得到以下主要结论。
(1)GHSOM神经网络训练原始风场数据输出的第一层结果揭示了南海近海面风场的4个模态，高度概括了南海风场的季节变化特征。夏季南海由西南风控制；
冬季表现为东北风；
冬季风速显著大于夏季；
季风转换时期的春、秋两季风向多变，环流形势复杂。南海10 m气候态风场分布验证了GHSOM神经网络方法提取矢量风场数据特征模态的优异能力。GHSOM 第二层特征图提取了更多的南海近海面风场变化模态，揭示了南海近海面风场的月变化特征。
(2)GHSOM神经网络训练异常风场数据输出的第一层结果提取出了南海近海面风场4个异常模态。模态2和模态3揭示了反气旋式异常和气旋式异常风场特征；
模态1和模态4揭示了东北风异常风场和西南风异常风场特征。BMU时间演变图显示模态2和模态3与ENSO事件存在紧密联系。应用欧氏距离定义的模态2 和模态3与Nio 3.4指数序列延迟相关。模态2和模态3向下扩展的特征图也揭露了上层异常环流模态更多的细节特征。
(3)GHSOM神经网络训练异常风场的结果揭露了南海异常风场的一些不对称现象。例如，模态2揭示的反气旋式异常风场强度明显大于模态3揭示的气旋式异常风场，异常中心位置也出现偏差；
此外，模态 1和模态4在南海中部的异常风向也不完全一致反向，这两个模态的发生频率存在差异。
