144 Lesungen

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

von Oceanography: Everything You Need to Study the Ocean1m2024/05/29

Zu lang; Lesen

In diesem Artikel verbessern Forscher die SST-Vorhersage, indem sie physikalisches Wissen aus historischen Beobachtungen auf numerische Modelle übertragen.

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

Autoren:

(1) Yuxin Meng;

(2) Feng Gao;

(3) Eric Rigall;

(3) Der Vorsitzende;

(3) Johannes B.;

(6) Qian Du.

Linktabelle

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.