paint-brush
Deniz Yüzeyi Sıcaklığı Tahmini için Derin Sinir Ağı: Arka Planile@oceanography
152 okumalar

Deniz Yüzeyi Sıcaklığı Tahmini için Derin Sinir Ağı: Arka Plan

Çok uzun; Okumak

Bu yazıda araştırmacılar, fiziksel bilgiyi tarihsel gözlemlerden sayısal modellere aktararak SST tahminini geliştirmektedir.
featured image - Deniz Yüzeyi Sıcaklığı Tahmini için Derin Sinir Ağı: Arka Plan
Oceanography: Everything You Need to Study the Ocean HackerNoon profile picture
0-item

Yazarlar:

(1) Yuxin Meng;

(2) Feng Gao;

(3) Eric Rigall;

(4) Ran Dong;

(5) Junyu Dong;

(6) Qian Du.

Bağlantı Tablosu

II. ARKA PLAN

A. Üretken Rekabet Ağı


2014 yılında Goodfellow ve ark. [16], çekişmeli bir şekilde eğitilmiş yeni bir üretken model çerçevesi ortaya koydu. Yöntemlerinde, üretken bir G modeli ve ayrımcı bir D modeli aynı anda eğitildi. G modeli, girdi verilerinin D modeli aracılığıyla dağılımını dolaylı olarak yakalamak ve benzer veriler oluşturmak için uygulandı. D modeli, girdi örneklerinin G modeli yerine eğitim verilerinden gelme olasılıklarını tahmin ederken, G'nin eğitim süreci D'nin olasılık hataları tarafından yönlendirildi. Bu çekişmeli süreçte G ve D, öğrenmeye rehberlik eder ve yavaş yavaş birbirlerinin yeteneklerini güçlendirir. olağanüstü performans elde etmek için.


GAN'lar fiziksel olarak ilgili görevlerde uygulanmıştır. Örneğin Yang ve ark. [17] yüksek boyutlu problemleri çözmek için fizik bilgili GAN'ları uyguladılar ve stokastik diferansiyel denklemleri çözdüler, Lutjens ¨ ve diğerleri. [18] sayısal model verilerindeki özellikleri öğrenmek için GAN'ları kullanarak daha gerçekçi kıyı taşkın verileri ürettiler, Zheng ve ark. [19] bilinmeyen mekansal verileri GAN'lar tarafından öğrenilen potansiyel fiziksel yasayla çıkardı. Ancak bu çalışmalar, bizim çalışmamızdan oldukça farklı olarak, sayısal modelin tamamını değiştirmek için GAN'ı kullanarak modellerini gerçekleştirmişlerdir. Bu yazıda, sayısal modeldeki fiziksel özelliği düzeltmek ve geliştirmek amacıyla, gözlemlenen verilerden fiziksel bilgiyi sayısal model verilerine aktarmak için GAN modelini benimsiyoruz. Ayrıca mevcut yöntemler, kodlayıcının ürettiği kodun GAN tarafından öğrenilen anlamsal bilgiye uygun olup olmadığına bakılmaksızın sadece deterministik bir model öğrenmektedir.


B. Evrişimli Uzun Kısa Süreli Bellek


2015 yılında yağış şimdi tahminini çözmek için ConvLSTM [20] önerildi. ConvLSTM'nin ağ yapısı, Uzun Kısa Süreli Bellek (LSTM) bloklarından miras alınan sıralı bir ilişki oluştururken, klasik evrişimli sinir ağlarında (CNN) [21] olduğu gibi yerel mekansal özellikleri yakalayabilir. Ayrıca yazarlar, ConvLSTM'nin uzaysal-zamansal ilişkide LSTM'den daha iyi performans gösterebildiğini göstermek için deneyler yaptılar. Hava tahmini görevlerinin yanı sıra, ConvLSTM çeşitli uzaysal-zamansal sıralı tahmin problemlerine, örneğin eylem tanımaya uygulanabilir [22], [23].


C. Deniz Yüzeyi Sıcaklığı Tahmini


Lins ve ark. [24] bir SVM kullanarak tropikal Atlantik'teki SST'yi araştırdılar. Patil ve ark. [25] deniz yüzeyi sıcaklığını tahmin etmek için yapay bir sinir ağını benimsedi. Yalnızca teslim süresinin 1 ile 5 gün arasında olduğu ve ardından doğruluğun düştüğü tahminlerde iyi performans gösterir. Zhang ve diğerleri. [26] LSTM'yi şuna uyguladı:


Şekil 2. Önerilen SST tahmin yönteminin gösterimi. İki aşamadan oluşur: Önceki ağ eğitimi ve geliştirilmiş verilerle SST tahmini. İlk aşamada, fizik destekli SST üretmek için önceki bir ağ eğitilir. İkinci aşamada, ConvLSTM aracılığıyla SST tahmini için fizikle geliştirilmiş SST kullanılır.


SST'yi tahmin edin. Yang ve diğerleri. [27] tamamen bağlantılı bir LSTM modeli oluşturarak SST'yi tahmin etti. Başka bir açıdan Patil ve ark. [28] günlük SST'yi tahmin etmek için dalgacık sinir ağını kullanırken, Quala ve ark. [29] SST tahmini için yama düzeyinde sinir ağı yöntemini önerdi. Ancak bu yöntemler yalnızca verilere dayanır ve arkalarındaki fiziksel bilgiyi göz ardı eder. Ham ve ark. [15] ENSO'yu tahmin etmek ve sınıflandırmak için transfer öğrenmeyi benimsedi. Bu çalışmada karşılaştırmalı deneyler yapıyoruz ve sonuçlar, yöntemimizin uzun vadeli yanlılığın yanı sıra kısa vadeli hataları da azalttığını gösteriyor.


D. Veri Artırma


Shorten ve ark. [30] derin öğrenme için görüntü verisi artırmanın son tekniklerini inceledi. Veri artırmanın amacı sinir ağlarının temsil kabiliyetini arttırmak ve orijinal verinin dağılımını daha iyi öğrenmektir. Son yıllarda iki tür veri büyütme tekniği yaygın olarak kullanılmaktadır: veri dönüştürme ve yeniden örnekleme. Veri dönüştürme yaklaşımı geometrik dönüşümü [31], renk alanı dönüşümünü [32]–[34], rastgele silmeyi [35]–[37], rakipsel eğitimi [38]–[41] ve stil transferini [42]–[45 içerir. ] Yeniden örnekleme tekniği, görüntü karıştırma [46]–[48], özellik alanı geliştirme [49], [50] ve üretken çekişmeli ağ (GAN) [16] gibi yeni örnek kompozisyonuna özellikle vurgu yapar. Geometrik dönüşüm, görüntü çevirme, kırpma, döndürme, çeviri ve gürültü enjeksiyonu gibi güzel performanslar elde edebilir [51]. [30]'daki deneysel sonuçlar rastgele kırpma tekniğinin iyi performans gösterdiğini gösterdi. Renk alanı dönüşümü, büyük bellek tüketiminden ve uzun hesaplama süresinden olumsuz etkilenir. Rastgele silme teknikleri, tıkanma durumlarında maskeler kullanılarak ağın sağlamlığını artırabilir. Her ne kadar çekişmeli eğitim aynı zamanda sağlamlığı da geliştirebilse de, doğal çekişmeli örneklerin sınırlı sayıda olması, pratikte ağ performansını büyük ölçüde sınırlamaktadır. Sinir tarzı aktarım yaklaşımı yalnızca belirli görevler için etkilidir, pratik uygulaması ise sınırlıdır. Özellik alanı büyütme, özellik alanındaki gösterimlerin enterpolasyonu yeteneğini uygular. Mevcut en gelişmiş ağ performansını elde etmek için GAN tabanlı güçlendirme teknikleri uygulanmıştır [52]. Ancak sayısal modelin ve derin öğrenmenin avantajlarından yararlanabilecek etkili bir veri artırma yöntemi mevcut değildir. Bu yazıda, fiziksel bilgiye dayalı yeni bir veri geliştirme tekniği önermeyi amaçlıyoruz. Önerilen teknik, GAN tabanlı güçlendirmeden daha iyi performans elde ediyor.