paint-brush
Rede Neural Profunda para Previsão da Temperatura da Superfície do Mar: Referênciaspor@oceanography
144 leituras

Rede Neural Profunda para Previsão da Temperatura da Superfície do Mar: Referências

Muito longo; Para ler

Neste artigo, os pesquisadores aprimoram a previsão de TSM transferindo conhecimento físico de observações históricas para modelos numéricos.
featured image - Rede Neural Profunda para Previsão da Temperatura da Superfície do Mar: Referências
Oceanography: Everything You Need to Study the Ocean HackerNoon profile picture
0-item

Autores:

(1) Yuxin Meng;

(2) Feng Gao;

(3) Eric Rigall;

(4) Ran Dong;

(5) Junyu Dong;

(6) Qian Du.

Tabela de Links

REFERÊNCIAS

[1] AF Shchepetkin e JC McWilliams, “O sistema de modelagem oceânica regional (ROMS): Um modelo oceânico dividido, explícito, de superfície livre e topografia com coordenadas seguintes”, Ocean Modeling, vol. 9, não. 347–404, 2005.


[2] R. Jacob, C. Schafer, I. Foster, et al. “Projeto computacional e desempenho do modelo de atmosfera oceânica rápida”, Anais da Conferência Internacional sobre Ciência Computacional. 2001, pp.


[3] C. Chen, RC Beardsley, G. Cowles, e outros. “Uma grade não estruturada, modelo oceânico costeiro de volume finito: sistema FVCOM,” Oceanography, vol. 19, não. 78–89, 2015.


[4] EP Chassignet, HE Hurlburt, OM Smedstad, et al. “O sistema de assimilação de dados HYCOM (modelo híbrido de coordenadas oceânicas),” Journal of Marine Systems, vol. 65, não. 1, pp. 60–83, 2007.


[5] Y. LeCun, Y. Bengio, G. Hinton. “Aprendizagem profunda”, Nature, vol. 521, pp.


[6] PC Bermant, MM Bronstein, RJ Wood, et al. “Técnicas profundas de aprendizado de máquina para a detecção e classificação da bioacústica de cachalotes”, Scientific Reports, vol. 9, não. 1, pp. 1–10, 2019.


[7] V. Allken V, NO Handegard, S. Rosen, et al. “Identificação de espécies de peixes usando uma rede neural convolucional treinada em dados sintéticos”, ICES Journal of Marine Science, vol. 76, não. 342–349, 2019.


[8] E. Lima, X. Sun, J. Dong, et al. “Aprendendo e transferindo conhecimento de rede neural convolucional para reconhecimento de frente oceânica”, IEEE Geoscience and Remote Sensing Letters, vol. 14, não. 3, pp. 354–358, 2017.


[9] L. Xu, X. Wang, X. Wang, “Detecção de naufrágios baseada em rede de geração profunda e aprendizagem de transferência com pequena quantidade de imagens de sonar”, IEEE Data Driven Control and Learning Systems Conference (DDCLS), 2019, pp. 638–643.


[10] Y. Ren, X. Li, W. Zhang, “Um modelo de aprendizagem profunda baseado em dados para previsão semanal da concentração de gelo marinho do Pan-Ártico durante a estação de degelo”, IEEE Transactions on Geoscience and Remote Sensing, vol. 60, pp. 1–19, 2022.


[11] M. Reichstein, G. Camps-Valls, B. Stevens, e outros. “Aprendizagem profunda e compreensão do processo para a ciência do sistema terrestre baseada em dados”, Nature, vol. 566, não. 7743, pp.


[12]ND Brenowitz, CS Bretherton. “Validação prognóstica de uma parametrização física unificada de rede neural”, Geophysical Research Letters, vol. 45, não. 6289–6298, 2018.


[13] O. Pannekoucke e R. Fablet. “PDE-NetGen 1.0: de representações simbólicas de equações diferenciais parciais (PDE) de processos físicos a representações de redes neurais treináveis,” Geoscientific Model Development, vol. 13, não. 7, pp. 3373–3382, 2020.


[14] K. Patil, MC Deo, M. Ravichandran. “Predição da temperatura da superfície do mar combinando técnicas numéricas e neurais”, Journal of Atmospheric and Oceanic Technology, vol. 33, não. 8, pp.


[15] YG Ham, JH Kim, JJ Luo. “Aprendizagem profunda para previsões ENSO plurianuais”, Nature, vol. 573, não. 7775, pp.


[16] I. Goodfellow, J. Pouget-Abadie, M. Mirza, et al. “Redes adversárias geradoras”,Proceedings of Advances in Neural Information Processing Systems (NeurIPS), 2014.


[17] L. Yang, D. Zhang, GE Karniadakis. “Redes adversárias generativas informadas pela física para equações diferenciais estocásticas”, SIAM Journal on Scientific Computing, vol. 42, não. 1, pp. A292–A317, 2020.


[18] B. Lutjens, B. Leshchinskiy, C. Requena-Mesa, et al. “GANs informados pela física para visualização de inundações costeiras”, pré-impressão arXiv arXiv:2010.08103, 2020.


[19] Q. Zheng, L. Zeng, GE Karniadakis, “Pintura semântica informada pela física: Aplicação à modelagem geoestatística”, Journal of Computational Physics, vol. 419, pp. 1–10, 2020.


[20] X. Shi, Z. Chen, H. Wang, et al. “Rede LSTM convolucional: uma abordagem de aprendizado de máquina para previsão de precipitação”, Proceedings of Advances in Neural Information Processing Systems (NeurIPS), 2015.


[21] J. Gu, Z. Wang, J. Kuen, et al. “Avanços recentes em redes neurais convolucionais”, Pattern Recognition, pp.


[22] H. Ge, Z. Yan, W. Yu, et al. “Uma rede LSTM convolucional baseada em mecanismo de atenção para reconhecimento de ação de vídeo,” Multimedia Tools and Applications', vol. 78, não. 20533–20556, 2019.


[23] W. Che e S. Peng, “Convolutional LSTM Networks and RGB-D Video for Human Motion Recognition,” Proceedings of IEEE Information Technology and Mechatronics Engineering Conference (ITOEC), 2018, pp.


[24] ID Lins, M. Araújo, et al. “Previsão da temperatura da superfície do mar no Atlântico tropical por máquinas de vetores de suporte,” Computational Statistics and Data Analysis, vol. 61, pp.


[25] Patil K, Deo MC. “Previsão em escala de bacia da temperatura da superfície do mar com redes neurais artificiais”, Journal of Atmospheric and Oceanic Technology, vol. 35, não. 7, pp. 1441–1455, 2018.


[26] Q. Zhang, H. Wang, J. Dong, et al. “Predição da temperatura da superfície do mar usando memória de longo e curto prazo”, IEEE Geoscience and Remote Sensing Letters, vol. 14, não. 10, pp. 1745–1749, 2017.


[27] Y. Yang, J. Dong, X. Sun X, et al. “Um modelo CFCC-LSTM para previsão da temperatura da superfície do mar”, IEEE Geoscience and Remote Sensing Letters, vol. 15, não. 2, pp. 207–211, 2017.


[28] K. Patil, MC Deo, “Previsão da temperatura diária da superfície do mar usando redes neurais eficientes”, Ocean Dynamics, vol. 67, não. 3, pp. 357–368, 2017.


[29] S. Ouala, C. Herzet, R. Fablet, “Predição e reconstrução da temperatura da superfície do mar usando representações de redes neurais em nível de patch”, Proceedings of IEEE International Geoscience and Remote Sensing Symposium, 2018, pp.


[30] C. Shorten, TM Khoshgoftaar, “Uma pesquisa sobre aumento de dados de imagem para aprendizagem profunda”, Journal of Big Data, vol. 6, não. 1, pp. 1–48, 2017.


[31] H. Bagherinezhad, M. Horton, M. Rastegari, et al. “Refinaria de rótulos: Melhorando a classificação do Imagenet por meio da progressão de rótulos”, pré-impressão arXiv arXiv:1805.02641, 2018.


[32] K. Chatfield, K. Simonyan, A. Vedaldi, et al. “O retorno do diabo nos detalhes: investigando profundamente as redes convolucionais”, Proceedings of the British Machine Vision Conference (BMVC), 2014.


[33] A. Jurio, M. Pagola, M. Galar, et al. “Um estudo comparativo de diferentes espaços de cores na segmentação de imagens baseada em cluster”, Proceedings of International Conference on Information Processing and Management of Uncertainty in Knowledge-Based Systems, 2010, pp.


[34] Q. Você, J. Luo, H. Jin, et al. “Análise robusta de sentimento de imagem usando redes profundas progressivamente treinadas e transferidas de domínio”, Proceedings of the AAAI Conference on Artificial Intelligence, 2015, pp.


[35] Z. Zhong, L. Zheng, G. Kang, et al. “Apagamento aleatório de aumento de dados”, Anais da Conferência AAAI sobre Inteligência Artificial, 2020, pp.


[36] T. DeVries, GW Taylor, “Regularização melhorada de redes neurais convolucionais com Cutout”, pré-impressão arXiv arXiv:1708.04552, 2017.


[37] A. Mikołajczyk, M. Grochowski, “Aumento de dados para melhorar a aprendizagem profunda em problemas de classificação de imagens”, Proceedings of International Interdisciplinary PhD workshop (IIPhDW), 2018, pp.


[38] SM Moosavi-Dezfooli, A. Fawzi, P. Frossard, “Deepfool: Um método simples e preciso para enganar redes neurais profundas”, Anais da Conferência IEEE sobre Visão Computacional e Reconhecimento de Padrões, 2016, pp. .


[39] J. Su, DV Vargas, K. Sakurai, “Ataque de um pixel para enganar redes neurais profundas”, IEEE Transactions on Evolutionary Computation, vol. 23, não. 5, pp. 828–841, 2019.


[40] M. Zajac, K. Zołna, N. Rostamzadeh, et al. “Enquadramento adversário para classificação de imagens e vídeos”, Anais da Conferência AAAI sobre Inteligência Artificial, 2019, pp.


[41] S. Li, Y. Chen, Y. Peng, et al. “Aprendendo recursos mais robustos com treinamento adversário”, pré-impressão arXiv arXiv:1804.07757, 2018.


[42] LA Gatys, AS Ecker, M. Bethge, “Um algoritmo neural de estilo artístico”, Journal of Vision vol. 16, não. 12, 2016.


[43] D. Ulyanov, A. Vedaldi, V. Lempitsky, “Normalização de instâncias: o ingrediente que falta para estilização rápida”, pré-impressão arXiv arXiv:1607.08022, 2016.


[44] P. Jackson, A. Abarghouei, S. Bonner, et al. “Aumento de estilo: aumento de dados via randomização de estilo”, Anais do Workshop da Conferência Internacional IEEE sobre Visão Computacional e Reconhecimento de Padrões (CVPR), 2019, pp.


[45] J. Tobin, R. Fong, A. Ray, et al. “Randomização de domínio para transferir redes neurais profundas da simulação para o mundo real”, Proceedings of IEEE International Conference on Intelligent Robots and Systems (IROS), 2017, pp.


[46] C. Summers e M. Dinneen, “Melhoria do aumento de dados de exemplos mistos”, Proceedings of IEEE Winter Conference on Applications of Computer Vision (WACV), 2019, pp.


[47] D. Liang, F. Yang, T. Zhang, et al. “Compreendendo os métodos de treinamento Mixup”, IEEE Access, vol. 6, pp. 58774–58783, 2018.


[48] R. Takahashi, T. Matsubara, K. Uehara, “Aumento usando corte e correção de imagens aleatórias para CNNs profundos”, IEEE Transactions on Circuits and Systems for Video Technology, vol. 30, não. 9, pp. 2.917–2.931, 2019.


[49] T. Konno e M. Iwazume, “A cereja do bolo: um método de pós-aprendizagem fácil e rápido que você pode experimentar após o aprendizado profundo”, pré-impressão arXiv arXiv:1807.06540, 2018.


[50] T. DeVries e G. Taylor, “Aumento do conjunto de dados no espaço de recursos”, pré-impressão arXiv arXiv:1702.05538, 2017.


[51] F. Moreno-Barea, F. Strazzera, J. Jerez, et al. “Esquema de ajuste de ruído direto para aumento de dados”, Proceedings of IEEE Symposium Series on Computational Intelligence (SSCI), 2018, pp.


[52] M. Frid-Adar, D. Idit, E. Klang, et al. “Aumento de imagem médica sintética baseada em GAN para aumento do desempenho da CNN na classificação de lesões hepáticas”, Neurocomputing, vol. 321, pp. 321-331, 2018.


[53] J. Zhu, Y. Shen, D. Zhao, et al. “Inversão GAN no domínio para edição de imagens reais”, Proceedings of European Conference on Computer Vision (ECCV), 2020, pp.


[54] Simonyan K, Zisserman A. “Redes convolucionais muito profundas para reconhecimento de imagens em larga escala”, Proceedings of International Conference on Learning Representations (ICLR), 2015, pp.


[55] Dados GHRSST, https://www.ghrsst.org (acessado em 3 de julho de 2022)


[56] Dados HYCOM, https://www.hycom.org (acessado em 3 de julho de 2022)


[57] Zhu JY, Krahenb¨uhl P, Shechtman E, et al. “Manipulação visual generativa na variedade de imagens naturais”, Proceedings of European Conference on Computer Vision (ECCV), 2016, pp.


[58] A. Larsen, S. Sønderby, H. Larochelle, et al. “Autoencoding além de pixels usando uma métrica de similaridade aprendida”, Proceedings of International Conference on Machine Learning (ICML), 2016, pp.


Yuxin Meng recebeu o B.Eng. licenciatura em ciência da computação e tecnologia pela Universidade de Ciência e Tecnologia de Anhui, Huainan, China, em 2010. Atualmente está cursando o doutorado. licenciatura no Vision Lab, Ocean University of China, Qingdao, China, supervisionado pelo Prof. Seus interesses de pesquisa incluem processamento de imagens e visão computacional.


Feng Gao (Membro, IEEE) recebeu o título de Bacharel em Engenharia de Software pela Universidade de Chongqing, Chongqing, China, em 2008, e o Ph.D. graduado em ciência da computação e tecnologia pela Beihang University, Pequim, China, em 2015. Atualmente é professor associado da Escola de Ciência e Engenharia da Informação da Ocean University of China. Seus interesses de pesquisa incluem análise de imagens de sensoriamento remoto, reconhecimento de padrões e aprendizado de máquina.


Eric Rigall recebeu o diploma de Engenharia pela Escola de Pós-Graduação em Engenharia da Universidade de Nantes, Nantes, França, em 2018. Atualmente está cursando o doutorado. licenciatura no Laboratório de Visão, Ocean University of China, Qingdao, China, supervisionado pelo Prof. Seus interesses de pesquisa incluem posicionamento baseado em identificação por radiofrequência (RFID), processamento de sinais e imagens, aprendizado de máquina e visão computacional.


Ran Dong recebeu o diploma de bacharelado em Matemática e Estatística pela Universidade Donghua, Xangai, China, em 2014, e o doutorado. Licenciada em Matemática e Estatística pela Universidade de Strathclyde, Reino Unido, em 2020. Atualmente é professora na Escola de Ciências Matemáticas da Ocean University of China. Seus interesses de pesquisa incluem inteligência artificial, matemática e estatística.


Junyu Dong (Membro, IEEE) recebeu o B.Sc. e M.Sc. graus do Departamento de Matemática Aplicada, Ocean University of China, Qingdao, China, em 1993 e 1999, respectivamente, e o Ph.D. graduado em processamento de imagens pelo Departamento de Ciência da Computação da Heriot-Watt University, Edimburgo, Reino Unido, em 2003. Atualmente é professor e reitor da Escola de Ciência e Tecnologia da Computação da Ocean University of China. Seus interesses de pesquisa incluem análise e compreensão de informações visuais, aprendizado de máquina e processamento de imagens subaquáticas.


Qian Du (bolsista, IEEE) recebeu o doutorado. formada em engenharia elétrica pela Universidade de Maryland em Baltimore, Baltimore, MD, EUA, em 2000. Atualmente é Professora Bobby Shackouls no Departamento de Engenharia Elétrica e de Computação, Universidade Estadual do Mississippi, Starkville, MS, EUA. Seus interesses de pesquisa incluem análise e aplicações de imagens de sensoriamento remoto hiperespectral e aprendizado de máquina. Dr. Du recebeu o prêmio de Melhor Revisor de 2010 da IEEE Geoscience and Remote Sensing Society (GRSS). Ela foi copresidente do Comitê Técnico de Fusão de Dados do IEEE GRSS de 2009 a 2013, presidente do Comitê Técnico de Sensoriamento Remoto e Mapeamento da Associação Internacional para Reconhecimento de Padrões de 2010 a 2014, e Presidente Geral do Quarto IEEE Workshop GRSS sobre Processamento Hiperespectral de Imagens e Sinais: Evolução em Sensoriamento Remoto realizado em Xangai, China, em 2012. Ela foi Editora Associada do RECONHECIMENTO DE PADRÕES e TRANSAÇÕES IEEE SOBRE GEOCIÊNCIA E SENSORIO REMOTO. De 2016 a 2020, foi Editora-Chefe do IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATION AND REMOTE SENSORIAMENTO. Atualmente é membro do Comitê Consultivo e de Revisão de Periódicos do IEEE e do Comitê de Publicações da SPIE. Ela é membro da SPIE-Sociedade Internacional de Óptica e Fotônica (SPIE).


Este artigo está disponível no arxiv sob licença CC 4.0.