Ocean temperature is a vital physical variable of the oceans. Accurately predicting the long lead dynamics of the three-dimensional ocean temperature (3D-OT) can help us identify in advance potential extreme events (e.g., droughts and floods) that may be caused by the changes of the 3D-OT, which however remains a challenge. To achieve this goal, a deep learning (DL) model was proposed to make predictions of the monthly 3D-OT for one year ahead using time series gridded Argo data. The DL model is comprised of a one-dimensional convolution (Conv1D) layer which is used for extracting latent features from the time series ocean temperature data, two long short-term memory (LSTM) layers which are used for capturing the long-term temporal dependencies hidden in the 3D-OT based on the features extracted by the Conv1D layer, and a fully-connected layer to output the predictions. The proposed DL model can well model the temporal dependencies and dynamic patterns of the ocean temperature at different spatial locations and in different depths by learning from simply the historical time series gridded Argo data. Experiments conducted in a sub-area of the South Pacific Ocean that predict the monthly 3D-OT with the lead time from 1 to 12 months show that the developed DL model surpasses the persistence model, the AdaBoost model, and the feedforward backpropagation neural network model (BPNN) when compared from multiple spatiotemporal perspectives using multiple statistics, indicating that the proposed DL model is a highly strong model for long lead monthly 3D-OT predictions.

海洋温度是海洋的重要物理变量。准确预测三维海洋温度（3D-OT）的长导动态可以帮助我们提前识别可能由 3D-OT 的变化引起的潜在极端事件（例如，干旱和洪水），但仍然存在一个挑战。为了实现这一目标，提出了一种深度学习 (DL) 模型，以使用时间序列网格化 Argo 数据对未来一年的每月 3D-OT 进行预测。DL 模型由用于从时间序列海洋温度数据中提取潜在特征的一维卷积 (Conv1D) 层、用于捕获长期时间数据的两个长短期记忆 (LSTM) 层组成。基于 Conv1D 层提取的特征隐藏在 3D-OT 中的依赖关系，和一个全连接层来输出预测。所提出的 DL 模型可以通过简单地从历史时间序列网格化 Argo 数据中学习，很好地模拟不同空间位置和不同深度的海洋温度的时间依赖性和动态模式。在南太平洋的一个子区域进行的预测每月 3D-OT 的实验，提前期为 1 到 12 个月，表明开发的 DL 模型优于持久性模型、AdaBoost 模型和前馈反向传播神经网络模型（BPNN）当使用多个统计数据从多个时空角度进行比较时，表明所提出的 DL 模型是用于长领先每月 3D-OT 预测的高度强大的模型。所提出的 DL 模型可以通过简单地从历史时间序列网格化 Argo 数据中学习，很好地模拟不同空间位置和不同深度的海洋温度的时间依赖性和动态模式。在南太平洋的一个子区域进行的预测每月 3D-OT 的实验，提前期为 1 到 12 个月，表明开发的 DL 模型优于持久性模型、AdaBoost 模型和前馈反向传播神经网络模型（BPNN）当使用多个统计数据从多个时空角度进行比较时，表明所提出的 DL 模型是用于长领先每月 3D-OT 预测的高度强大的模型。所提出的 DL 模型可以通过简单地从历史时间序列网格化 Argo 数据中学习，很好地模拟不同空间位置和不同深度的海洋温度的时间依赖性和动态模式。在南太平洋的一个子区域进行的预测每月 3D-OT 的实验，提前期为 1 到 12 个月，表明开发的 DL 模型优于持久性模型、AdaBoost 模型和前馈反向传播神经网络模型（BPNN）当使用多个统计数据从多个时空角度进行比较时，表明所提出的 DL 模型是用于长领先每月 3D-OT 预测的高度强大的模型。