Глубокая нейронная сеть для прогнозирования температуры поверхности моря: выводы и будущая работа

Таблица ссылок

• Аннотация и введение
• Фон
• Предлагаемый метод
• Экспериментальные результаты и анализ
• Выводы и будущая работа
• Рекомендации

ВЫВОДЫ И БУДУЩАЯ РАБОТА

В этой статье мы представляем подход к прогнозированию ТПО, основанный на коррекции физических знаний, который использует данные исторических наблюдений для уточнения и корректировки физического компонента в данных числовой модели. В частности, предыдущая сеть использовалась для извлечения физических знаний из наблюдаемых данных. Впоследствии мы сгенерировали SST с физическими улучшениями, применив предварительно обученную априорную сеть к данным числовой модели. Наконец, сгенерированные данные были использованы для обучения сети ConvLSTM прогнозированию SST. Кроме того, расширенные данные, основанные на физических знаниях, были использованы для обучения сети ConvLSTM, что еще больше повысило производительность прогнозирования. Предложенный метод показал наилучшие результаты по сравнению с шестью современными методами. Хотя физическая часть данных численной модели была скорректирована с помощью предложенного нами метода, эффективность прогнозирования может быть дополнительно улучшена, если использовать интерпретируемую модель. В будущем мы планируем извлекать более важные знания из глубоких сетей, а затем разрабатывать интерпретируемые модели, более подходящие для практического применения.