Réseau neuronal profond pour la prévision de la température de la surface de la mer : conclusions et travaux futurs

Tableau des liens

• Résumé et introduction
• Arrière-plan
• Méthode proposée
• Résultats expérimentaux et analyse
• Conclusions et travaux futurs
• Les références

V. CONCLUSIONS ET TRAVAUX FUTURS

Dans cet article, nous présentons une approche de prédiction SST basée sur la correction des connaissances physiques, qui utilise les données historiques observées pour affiner et ajuster la composante physique dans les données du modèle numérique. Plus précisément, un réseau préalable a été utilisé pour extraire des connaissances physiques à partir des données observées. Par la suite, nous avons généré un SST amélioré par la physique en appliquant le réseau préalable pré-entraîné aux données du modèle numérique. Enfin, les données générées ont été utilisées pour entraîner le réseau ConvLSTM à la prédiction SST. De plus, les données améliorées basées sur les connaissances physiques ont été exploitées pour entraîner le réseau ConvLSTM, ce qui a encore amélioré les performances de prédiction. La méthode proposée a obtenu les meilleures performances par rapport aux six méthodes de pointe. Bien que la partie physique des données du modèle numérique ait été corrigée par la méthode proposée, les performances de prédiction pourraient être encore améliorées si un modèle interprétable est utilisé. À l’avenir, nous prévoyons d’extraire des connaissances plus pertinentes des réseaux profonds, puis de concevoir des modèles interprétables plus adaptés aux applications pratiques.