海面温度(Sea Surface Temperature, SST)的定义为海平面至海平面以下0.5 m的平均温度, 它是海洋中最重要的参数之一^[1]。SST对于大气和海洋之间的水汽、能量、动量交换有重要作用, 直接或间接影响全球气候、人类生产生活以及地球生态系统。SST数据可以用于台风预报, 作为预报热带气旋强度以及气旋未来发展趋势的重要依据^[2]。南海是热带气旋的重要源地之一, 每年南海产生的热带气旋常常会在中国南方沿海地区造成严重的破坏。提高南海SST的预报水平有利于我们进一步改进对台风路径和强度的预报精度, 对于减少台风的灾害损失以及相关政策的制定具有重要意义。

目前预报SST的方法大致可以分为传统的数值模式方法和新兴的神经网络方法^[3-4]。传统的数值模式方法基于物理机制建立数值模式, 通过综合考虑相关的物理过程以及边界条件等, 建立一系列的微分物理方程来描述、模拟SST的变化。Krishnamurti等^[5]利用一套13个大气-海洋耦合模式探讨了海温异常的季节预测。Stockdale等^[6]利用海洋耦合大气环流模式研究了热带大西洋SST预测。Li等使用多元线性回归方法将各种海洋参数与南海北部的涡流传播位置变化联系起来, 建立了一种涡流传播轨迹预测模型^[7]。利用一系列复杂的方程来描述复杂的物理过程, 利用数据同化方案来预测海洋变量^[8]。基于物理过程的数值模型需要考虑海洋中复杂的动态和物理过程, 因此对计算能力的要求很高。而经过训练的深度学习模型可以用较少的计算资源在短时间内提供预报结果, 这极大地扩展了预测模型的应用。因此, 人工神经网络(Artificial Neural Networks, ANN)因其灵活性和对数据中隐藏的复杂模式进行建模的强大能力而被广泛使用^[9]。

神经网络算法在SST预报有许多实例, Pozzi等^[8]证明了ANN在预报SST和氧同位素值的有效性; Garcia等^[9]利用气象变量作为ANN的输入, 以卫星遥感反演的SST数据作为训练目标, 成功预报了地中海西部海区的季节性和年际SST变化。目前的研究还利用循环神经网络(Recurrent Neural Network, RNN)和卷积神经网络(Convolutional Neural Network, CNN)来训练SST的非平稳数据^[10-11]。长短时记忆(Long and Short Term Memory, LSTM)网络是一种特殊的RNN, 常用于解决时序预报问题的网络结构, 是循环神经网络的改进变体^[12]。Zhang等^[13]利用全连接层拼接LSTM层组成一个复合的LSTM网络, 对渤海的SST进行了短期和长期的预报, 实验结果证明深度学习的预报结果要明显好于浅层网络的预报结果。Xie等^[14]提出了一个创新的3D U-Net深度学习模型, 该模型整合了多源数据来预测海面温度和海洋热浪。Qi等^[15]探索了一个多模型集成机器学习方法来估计太平洋海洋次表层热结构, 结合了多种机器学习模型的优势, 以提高太平洋海洋次表层热结构估计的准确性。

由于SST序列的非线性和波动性, 现有的深度模型不但预报精度有限, 且无法克服噪声对预报结果的影响^[16]。而变模态分解(Variational Mode Decomposition, VMD)能够处理一系列非平稳、非线性的SST时间序列, 将其分解为若干个本征模态函数(Intrinsic Mode Function, IMF), 每个IMF具有限定的频谱特性, 且呈现出明确的振荡模式, 使得它们在频谱上相对独立, 这一步骤有助于分离出信号中的不同频率成分。Xu等^[17]利用VMD与MIM模型相结合预报南海SST, 结果表明, VMD-MIM可以通过准确呈现SST的精细结构(1/10)°, 显著提高了预报精度。

而麻雀搜索算法(Sparrow Search Algorithm, SSA)通过模拟麻雀的觅食和逃避行为, 可以有效地在解空间内进行全局或局部搜索, 寻找最优解。故本文提出利用VMD和SSA对LSTM算法进行优化, 并首次将优化算法应用于海面温度的预报中。优化的VMD-SSA-LSTM模型结合了VMD的数据处理优势以及SSA在找寻参数上的优势, 解决深度学习预报SST模型中存在的预报技巧不足问题, 极大地提高了LSTM的预报精度。

1 数据与方法 1.1 数据介绍

本文采用欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts, ECMWF) 的第五代再分析数据集(ERA5)作为观测数据。ERA5是由欧盟出资并维护的最新一代再分析资料, 使用物理定律结合模型数据与各国提供的实测结果, 从而生成一个覆盖全球的完整数据集。ERA5的单层逐小时数据包含了1940年至今的SST数据记录, 空间分辨率为0.25°×0.25°。ERA5再分析数据集可以从哥白尼气候数据存储网站获取(https://cds.climate.copernicus.eu/cdsapp#!dataset/reanalysis-era5-single-levels-monthly-means?tab=form)。本文选取1940年1月1日至2022年12月31日的ERA-5单层逐小时SST数据, 并对进行日平均处理后, 用于模型的训练和预报效果的检验SST。

本文以南海为主要研究区域, 南海位于亚欧大陆东南部、太平洋西部, 属于半封闭深水海盆。本文选取了5个位于南海的点构建SST预报模型, 分别为2个近岸点: (109.8° E, 11.6° N)、(110.9° E, 18.5° N), 3个远岸点: (114.3° E, 20.0° N)、(112.8° E, 16.5° N)、(118.8° E, 19.0° N), 利用ERA5的多年日平均SST数据作为输入数据, 建立预报模型。

以站点1940—2022年共82 a的数据为基础, 时间序列中前70%的历史数据作为训练集, 后30%的数据作为测试集, 用于检验模型的预报精度。

1.2 方法介绍 1.2.1 变模态分解

SST场是由不同时间尺度、不同幅度的多个过程叠加而成。SST地图中的每个网格都包含低频分量(例如年周期和季节内变化)和高频分量(日、周)。同时, 极端事件(如台风、海洋热浪)和低频过程也会调节海面温度的日变化^[18]。因此, 很难直接用深度学习预报模型来识别和区分SST。即使深度学习模型成功捕获和预报趋势, 细节特征的缺乏也会使预报结果变得模糊。

而VMD作为一种非递归信号处理方法, 适用于非线性信号的分解, 能将一系列非平稳、非线性的复杂时间序列信号分解为多个具有中心频率和稳定带宽的本征模态函数(IMF), 较适合于海面温度这类受到年际、季节等因素影响的波动信号。VMD的核心是解决以下的约束优化问题, 如式1所示。

$ {\text{min}}_{\left\{{u}_{k}\right\}\text{ }\left\{{\omega }_{k}\right\}}\left\{{\displaystyle }\sum \limits_{k=1}^{K}\Vert \delta \left(t\right)+\frac{j}{2\text{π}}\left(\omega -{\omega }_{k}\right)\text{Η}{\left[{\widehat{u}}_{k}\left(\omega \right)\right]}^{2}\Vert \right\} , $

(1)

其中, ${\hat u_k}\left( \omega \right)$是${u_k}\left( t \right)$的傅里叶变换; Н[·]表示希尔伯特变换; $\delta \left( t \right)$是Dirac Delta函数; ω是频率变量; ω_k是第k个模态的中心。

而后引入拉格朗日乘数$\lambda \left( t \right)$, 并构造拉格朗日函数, 通过交替方向法直到满足收敛条件。构造的拉格朗日函数如式(2)所示:

$ L = \mathop \sum \limits_{k = 1}^K \begin{array}{*{20}{c}} {{{\left\| {\delta \left( t \right) + \frac{j}{{2\pi }}\left( {\omega - {\omega _k}} \right){{\rm H}}\left[ {{{\hat u}_k}\left( \omega \right)} \right]} \right\|}^2}} \\ { + \lambda \left( t \right)\left( {x\left( t \right) - \mathop \sum \limits_{k = 1}^K {u_k}\left( t \right)} \right) + \frac{\alpha }{2}{{\left\| {x\left( t \right) - \mathop \sum \limits_{k = 1}^K {u_k}\left( t \right)} \right\|}^2}, } \end{array} $

(2)

式中的α是一个正则化参数, 用于平衡重构误差和模态带宽。

1.2.2 麻雀搜索算法

麻雀搜索算法(SSA)是一种基于群体智能的优化算法, 目标是通过模拟麻雀的行为找到一个问题的最优解。SSA解决了遗传算法、粒子群优化算法等优化算法在求解过程中容易陷入局部优化的问题^[19]。

首先生成一个初始种群, 假设种群麻雀个数为N, 搜索的维度为D, 则初始种群X如下:

$ X = \left[ {\begin{array}{*{20}{c}} {\begin{array}{*{20}{c}} {{x_{1, \;1}}}&{{x_{1, \;2}}}& \cdots \\ {{x_{2, \;1}}}&{{x_{2, \;2}}}& \vdots \\ \vdots & \vdots & \vdots \end{array}}&{\begin{array}{*{20}{c}} {{x_{1, \;d}}}& \cdots &{{x_{1, \;D}}} \\ {{x_{2, \;d}}}& \vdots &{{x_{2, \;D}}} \\ \vdots & \vdots & \vdots \end{array}} \\ {\begin{array}{*{20}{c}} {{x_{i, \;1}}}&{{x_{i, \;2}}}& \cdots \\ \vdots & \vdots & \vdots \\ {{x_{N, \;1}}}&{{x_{N, \;2}}}& \cdots \end{array}}&{\begin{array}{*{20}{c}} {{x_{i, \;d}}}& \cdots &{{x_{i, \;D}}} \\ \vdots & \vdots & \vdots \\ {{x_{N, \;d}}}& \cdots &{{x_{N, \;D}}} \end{array}} \end{array}} \right]. $

(3)

将初始的麻雀种群麻雀分为3类: 发现者、跟随者、警戒者。发现者可在任意位置发现食物, 并引导其余麻雀移动, 发现者位置更新为

$ {X}_{ij}^{t+1}=\left\{\begin{array}{c}{X}_{i, j}^{t}\cdot \mathrm{exp}\left(\frac{-i}{\alpha \cdot {\text{iter}}_{\text{max}}}\right), {R}_{2}<ST\\ {X}_{i, j}^{t}+Q\cdot L, {R}_{2}\ge ST\end{array}\right. , $

(4)

式中, ${\text{ite}}{{\text{r}}_{{\text{max}}}}$为最大的迭代次数; ${X_{i, j}}$为第i个麻雀在第j维中的位置; α ∈ [0, 1], 为随机数; R₂∈[0, 1], 为预警值; ST∈[0.5, 1], 为安全值; Q为随机数服从正态分布; L为一个1×d的矩阵, 矩阵中每个元素均为1。

加入者位置更新为

$ {X}_{ij}^{t+1}=\left\{\begin{array}{c}Q\cdot \mathrm{exp}\left[\left({X}_{\text{worst}}-{X}_{i, j}^{t}\right)/{i}^{2}\right], i > n/2\\ {X}_{p}^{t+1}+\left|{X}_{i, j}^{t}-{X}_{p}^{t+1}\right|\boldsymbol{A}^{+}L, 其他\end{array}\right. , $

(5)

式中, ${X_p}$为当前发现者所处的最优位置; ${X_{{\text{worst}}}}$为当前全局最差的位置; A为1×d的矩阵, 其中每个元素随机赋值1或–1。

假设这群麻雀中有10 %~20 %意识到危险。意识到危险的麻雀会迅速向安全区转移, 其警戒者位置表达式为

$ {X}_{ij}^{t+1}=\left\{\begin{array}{c}{X}_{\text{best}}^{t}+\beta \left|{X}_{i, j}^{t}-{X}_{\text{best}}^{t}\right|, {f}_{i} > {f}_{g}\\ {X}_{i, j}^{t}+K\left(\frac{\left|{X}_{i, j}^{t}-{X}_{\text{worst}}^{t}\right|}{\left({f}_{i}-{f}_{w}\right)+\epsilon }\right), {f}_{i}={f}_{g}\end{array}\right. . $

(6)

根据新的位置, 计算每个麻雀的适应度。检查是否满足终止条件。如果未满足终止条件, 重复上述步骤。SSA使用随机数来模拟麻雀的不确定和多样化行为, 这有助于探索解空间并避免陷入局部最优。

1.2.3 长短时记忆网络

长短时记忆网络(LSTM)是一种特殊的循环神经网络(RNN), RNN受到梯度消失的影响, 即过去数据的记忆会随着时间的推移而丢失, 并且不会反映在未来的数据中^[20]。

为了解决这个问题, Hochreiter等^[21]提出了一种记忆先验信息的网络结构——LSTM网络, 其网络结构如图 1所示。

在LSTM结构相比于RNN, 增加了遗忘门f_t、控制记忆状态C_t和隐含状态h_t, 能够实现对数据的长期记忆及学习, 从而能够处理时间序列数据中的长期依赖关系。

1.2.4 预报检验方法

本文采用均方根误差(root mean square error, RMSE, 记为E_RMS)、平均绝对误差(mean absolute error, MAE, 记为E_MA)、平均绝对百分比误差(mean absolute percentage error, MAPE, 记为E_MAP)和相关系数(correlation coefficient, R)作为模型精度评价指标, 公式如下。

$ {E_{{\text{RMS}}}} = \sqrt {\frac{1}{n}\mathop \sum \limits_{i = 1}^n \left( {\widehat {{T_i}} - {T_i}} \right)} , $

(7)

$ {E}_{\text{MA}}=\frac{1}{n}{\displaystyle }\sum \limits_{i=1}^{n}\left|{\widehat{T}}_{i}-{T}_{i} \right|, $

(8)

$ {E_{{\text{MAP}}}} = \frac{{100\% }}{n}\mathop \sum \limits_{i = 1}^n \left| {\frac{{{{\hat T}_i} - {T_i}}}{{{T_i}}}} \right|, $

(9)

$ R({\hat T_i}, {T_i}) = \frac{{{\text{Cov}}\left( {{{\hat T}_i}, {T_i}} \right)}}{{\sqrt {{\text{Var}}\left[ {{{\hat T}_i}\left] {{\text{Var}}} \right[{T_i}} \right]} }}. $

(10)

RMSE对异常点敏感度较高, MAPE可计算误差与真实值的比率, 更准确地显示预报值和真实值之间的误差, r可以直观表现出两组数据的相关性。

2 海面温度预报模型构建 2.1 LSTM预报模型的构建

本文利用LSTM构建了5个站点的预报模型, 构建预报模型时, 输入过去SST的时间长度对于预报精度有决定性的影响, 将输入天数记为k, 不断调整, 通过MAPE、MAE及RMSE确定k的值, 来预报未来1 d的SST, 测试集结果如表 1所示。

以RMSE、MAPE、MAE作为评价指标, 如图 2所示。结果显示, 预报精度并没有随着输入天数的提前期增加而单调地提高或下降。当k=1时, 预报误差最大, 而当k=8时, 预报误差最小, k > 8时, 预报误差呈现增长趋势。因此, 最终选择通过输入过去8 d的SST来进行预报。构建LSTM模型时, 采用优化算法Adam, 最大训练次数70, 梯度阈值1, 初始学习率0.01, 学习率调整模式为'piecewise', 学习率调整因子0.2, 正则化参数为0.01。

2.2 VMD-LSTM预报模型的构建

VMD-LSTM的模型预报流程为: 首先, 输入预报时间序列, 利用VMD将预处理后的SST时间序列分解为n个模态(IMF)和原始信号; 再将得到的各个IMF和原始信号分别输入LSTM中, 得到各个预报模型, 并将每个模型的预报值相加得到最终的SST预报值。为保持测试集的独立性和评估的公正性, 使用VMD时需要在训练阶段不接触测试集, 以防止数据泄漏。故本文采用如下方法: 单独分解前70%的训练集, 然后分解整个数据集, 提取最后30%作为测试集的分解结果。

采用VMD方法对原始SST数据进行分解时, IMF个数n的取值对分解效果影响很大, 分解个数较大时, 会产生混频现象; 分解个数较小时, 原始信号的信息容易丢失。分别试算不同的n值, 通过观察不同n值对应的中心频率发现: 当n=7时, IMf7产生的中心频率与n=6时IMF6中心频率相似。故将SST序列分解为6个模态, 可以考虑到原始信号的变化又不会造成混频。n=6时, VMD分解得到的信号如图 3所示。

选择部分时间序列进行分解, 可以清楚地观察到每个模态的周期, 如图 4所示。所有模式都显示出不同的功率谱。这意味着VMD是一种有效的方法, 可以将原始信号分解为具有不同频率的不同模式。

图 4(a)选取了站点1的10 a的分解数据, 并对其进行频谱分析, 结果如图 4(b)所示, 可以清晰看出10 a内各IMF的循环次数, 从而推断出每个IMF的周期。

IMF1为长期变化趋势, IMF2的周期约为365 d左右, 并且变化规律符合SST的年际变化规律, IMF3到IMF6的周期分别为180 d、90 d、60 d, 45 d左右。从低频到高频, IMF1至IMF3分别代表长期趋势、年周期、半年周期, IMF4代表了季节内振荡, IMF5至IMF6代表周期小于60 d的信号。

各个模态在功率谱特征上具有明显的差异。这意味着VMD可以有效地将原始SST信号分解为具有不同频率的模态。尝试用不同n值进行验证, 将SST信号序列分解为n个模态, 输入LSTM模型中, 建立VMD-LSTM模型, 得到的结果如下图所示。n=6时, 既不会出现混频又能充分考虑到原始数据的变化。因此我们认, 为将原始数据分解为6个模态时, 预报效果将达到最佳水平。

以RMSE、MAPE、MAE作为评价指标, 如图 5所示, 当n=6时, 预报误差最小, 得出将SST时间序列分解为6个IMF时, VMD-LSTM的预报效果最好。构建VMD-LSTM模型时, 采用与LSTM预报模型相同参数。

2.3 VMD-SSA-LSTM模型的构建

利用SSA对LSTM的隐含层神经元数H、训练次数E和学习率η进行寻优, VMD-SSA-LSTM模型预报流程为:

(1) VMD分解。输入SST信号后, 采用VMD分解序列, 将预处理后的SST序列分解为n个分量;

(2) 初始化。首先初始化SSA算法的种群规模大小、最大迭代次数、种群初始位置等参数, 明确以LSTM模型的惩罚系数γ和核参数σ为寻优目标, 然后根据输入数据构建LSTM神经网络, 对初始权值和阈值进行初始化;

(3) 获取初始适应度。每一只麻雀代表一组γ和σ参数组合, SSA算法通过MSE函数计算适应度值, 将计算的适应度值进行排序得到全局最优和最差适应度;

(4) 更新位置。根据式(9)—式(11)分别更新发现者、跟随者、警报者对应的γ和σ位置参数;

(5) 更新适应度。计算每只麻雀位置更新后的新适应度值, 与之前最优数值对比得到当前全局最优适应度并更新;

(6) 验证终止条件, 判断当前迭代是否满足终止条件, 不满足则返回流程(3), 满足则终止算法迭代, 将得到的最优γ和σ作为LSTM的参数输入;

(7) 训练LSTM神经网络, 将流程(1)得到的各个IMF分别输入LSTM, 得到n个预报模型, 并将每个模型的预报值相加得到最终的SST预报值, 流程图如图 6所示。

VMD-SSA-LSTM模型中设置麻雀的种群数N为20, 最大迭代次数M为5, 发现者占种群数量的20%。预警值为0.8, 当预警值小于0.8时为无捕食者出现; 否则有捕食者出现, 威胁种群的安全, 需去其他地方觅食。麻雀搜索算法搜索LSTM的4个参数H1、H2、E、η的范围分别为[1, 100]、[1, 100]、[1, 100]、、[0.001, 0.01]。

3 结果与分析

利用构建的LSTM、VMD-LSTM、VMD-SSA-LISM模型对海面温度进行预报, 采用均百分比误差(MAPE)、平均绝对误差(MAE)和均方根误差(RMSE)指标对模型预报性能进行评价。

SST原始时间序列及3种模型预报SST序列如8(a)所示, 由图 7可知, 相较于其他两种模型, VMD-SSA-LSTM更贴近于实测值, 特别是在高温(高于28 ℃)和低温(低于24 ℃)的极端情况下, VMD-SSA-LSTM对于SST的变化趋势的模拟效果较好。3种模型的误差如8(b)所示, 在长达24.6 a的测试集中, VMD-SSA-LSTM的绝对误差始终在0.1左右, 远远小于LSTM及VMD-LSTM模型。

3种模型检验性能统计结果如表 2所示。表 2列出了不同的性能评估结果。VMD-SSA-LSTM模型相比于LSTM及VMD-LSTM, 拟合程度最好, 预报精度最高。

由表 2可知, 单一的LSTM模型预报误差较大, 5个站点RMSE为0.3左右, 而在加入VMD分解后, 使得SST数据序列变得平滑稳定, 再经过LSTM模型预报, 使得RMSE下降了18.7%, MAPE下降了21.6%, MAE下降了20.5%, 提升了模型的预报性能。引入SSA算法建立的VMD-SSA-LSTM模型, 相比于LSTM, RMSE下降了67.0%, MAPE下降了65.8%, MAE下降了65.6%, 预报精度显著提升, 如图 8所示, 体现了VMD和SSA在优化LSTM预报精度的准确性。

图 9展示了LSTM、VMD-LSTM、VMD-SSA-LSTM对5个站点在测试集上的散点密度图。虽然3种模型预报的SST与参考SST之间都表现出较强的相关性, R均大于0.95, 但经过优化的VMD-SSA-LSTM的预报性能更好, 不仅相关系数高达0.99, 同时数据更加集中, 拟合曲线与y=x曲线基本重合。

由图 9可知, 当SST低于25 ℃或高于28 ℃时, LSTM的预报性能不佳, 在低温时预报结果偏大, 在高温时预报结果偏小, 没有掌握到SST在低温和高温时的变化规律, 呈现出偏“S”型的曲线形状, 造成预报精度下降, 此现象在站点3及站点5的预报中较为明显。引入VMD方法后, 在极端温度区域内, 预报精度得到了一定的提升。在此基础上, 利用SSA, 构建VMD-SSA-LSTM后, SST在全温度区域内预报精度良好, 解决了LSTM在低温与高温时出现的预报误差, 极大地提升了预报模型的鲁棒性, 证明了SSA及VMD方法可以有效地预报SST。

为进一步展现VMD-SSA-LSTM组合模型在极端温度预报上的优越性, 将5个站点的三种预报模型的结果在极端温度下进行详细对比, 如图 10所示。由图可知, LSTM在极端温度下预报效果不佳, 低温下RMSE为0.50, 高温时为0.54, 预示着模型在预测22 ℃至25 ℃的低温时容易产生偏差。图中的平直趋势线, 表明LSTM在预报22~25 ℃的低温时, 可能会出现随机预测的问题。相比之下, 在模型中引入VMD技术后, 此类问题有所缓解, 预测准确性有了显著提高, 相关系数的增长证明了该方法在改善预测能力方面的效果。而VMD-SSA-LSTM模型的预报结果更为准确, 其预测结果的拟合线更接近理想的对角线, 相关系数提升至0.96至0.97。极端SST的预报对比图展现了VMD-SSA-LSTM模型在处理极端温度预报时的显著优势, 凸显了其在温度预测模型中的应用潜力。

4 结论

本研究针对单一LSTM模型在预测SST时, 在低温及高温极端情况下预报性能不佳的问题进行了深入探讨。通过引入VMD方法, 将SST分解为6个具有中心频率的IMF, 从而有效捕捉到SST的年际变化和季节内振荡等重要特性。基于此建立了VMD-LSTM模型, 并进一步通过SSA的参数搜索能力, 优化了LSTM模型的参数, 形成了VMD-SSA-LSTM模型。研究结果表明:

1) VMD-LSTM模型通过融合深度学习和信号处理技术, 显著提高了模型对SST复杂动态的分析和预测能力。具体表现在, 相较于传统的深度学习模型, VMD-LSTM在减少模型对SST预测的误差方面取得了显著成效: RMSE降低了18.7 %, MAPE降低了21.6 %, MAE降低了20.5%。这一改进不仅减轻了模型预测结果的模糊性, 还增强了模型对SST年际变化及季节振荡的捕捉能力。

2) 通过引入SSA算法对LSTM模型的惩罚系数γ和核参数σ进行寻优, 能够显著降低低温及高温的极端情况下的预报误差, 相比于LSTM, RMSE下降了67 %, MAPE下降了65.8 %, MAE下降了65.6 %, 显著提高了模型的预报精度。

3) 尽管VMD-SSA-LSTM模型在提升SST预测精度方面取得了成效, 但仍需考虑到海面温度的日变化和长期变化受到多种因素的影响, 包括海洋动力过程、大气条件、季节性变化等。因此, 未来研究需进一步探讨这些因素对SST变化的具体影响及其相互作用机制。