Tiefes neuronales Netzwerk zur Vorhersage der Meeresoberflächentemperatur: Schlussfolgerungen und zukünftige Arbeiten

Linktabelle

• Zusammenfassung und Einleitung
• Hintergrund
• Vorgeschlagene Methode
• Experimentelle Ergebnisse und Analyse
• Schlussfolgerungen und zukünftige Arbeiten
• Verweise

V. SCHLUSSFOLGERUNGEN UND ZUKÜNFTIGE ARBEIT

In diesem Artikel stellen wir einen SST-Vorhersageansatz vor, der auf physikalischer Wissenskorrektur basiert und historische Beobachtungsdaten verwendet, um die physikalische Komponente in den numerischen Modelldaten zu verfeinern und anzupassen. Insbesondere wurde ein vorheriges Netzwerk eingesetzt, um physikalisches Wissen aus den beobachteten Daten zu extrahieren. Anschließend haben wir physikverstärkte SST generiert, indem wir das vorab trainierte vorherige Netzwerk auf numerische Modelldaten angewendet haben. Schließlich wurden die generierten Daten verwendet, um das ConvLSTM-Netzwerk für die SST-Vorhersage zu trainieren. Darüber hinaus wurden die auf physikalischem Wissen basierenden verbesserten Daten genutzt, um das ConvLSTM-Netzwerk zu trainieren, was die Vorhersageleistung weiter verbesserte. Die vorgeschlagene Methode erzielte die beste Leistung im Vergleich zu sechs hochmodernen Methoden. Obwohl der physikalische Teil der numerischen Modelldaten durch unsere vorgeschlagene Methode korrigiert wurde, könnte die Vorhersageleistung weiter verbessert werden, wenn ein interpretierbares Modell verwendet wird. In Zukunft planen wir, mehr relevantes Wissen aus den tiefen Netzwerken zu extrahieren und dann interpretierbare Modelle zu entwerfen, die für praktische Anwendungen besser geeignet sind.