用于海面温度预测的深度神经网络：提出的方法

链接表

• 摘要和简介
• 背景
• 提出的方法
• 实验结果与分析
• 结论和未来工作
• 参考

三、提出的方法

数值模型可以同时预测 SST 的空间分布及其全球遥相关。它在 SST 预测的短时间内表现良好。然而，我们认为从观测数据中迁移物理知识可以进一步提高数值模型对 SST 预测的性能。为此，我们采用 GAN 来学习观测数据中的物理知识。

Zhu等[53] 提出了一种 GAN 反演方法，不仅可以如实地重建输入数据，而且可以确保反演后的潜在编码具有语义意义。他们证明了仅仅学习目标图像的像素值是不够的，学习到的特征无法在语义层面表示图像。受此工作的启发，我们在 GAN 中设计了一个编码器来从观测数据中学习物理知识，称为先验网络。这个先验网络不仅学习目标观测数据的像素值，还捕捉物理信息。它有效地提高了 SST 预测精度。

接下来，我们介绍所提出的方法：1）方法概述，2）先验网络，3）使用增强数据的 SST 预测。

A.方法概述

在本小节中，我们总结了所提出的 SST 预测方法，并详细描述了每个阶段的输入和输出。如图 2 所示，所提出的 SST 预测方法包括两个阶段：先前网络训练和使用增强数据的 SST 预测。

1）先验网络训练。此阶段包含三个步骤。第一步，使用观测到的 SST（GHRST 数据）进行 GAN 模型训练。第二步，使用预训练的生成器和 GHRSST 数据训练编码器。第三步，将预训练的生成器和编码器组合成先验网络。先验网络用于将观测数据的物理知识转移到数值模型。然后将数值模型 SST（HYCOM 数据）输入先验网络以增强其特征表示。

2）增强数据的SST预测。将物理增强数据输入ConvLSTM模型进行SST预测。分别预测第二天、接下来的3天和接下来的7天的SST。

需要注意的是，大多数现有研究 [26] [27] 仅使用观测数据进行 ConvLSTM 训练。相比之下，我们的方法利用物理增强数据进行 ConvLSTM 训练。接下来，我们详细描述了先前的网络训练和使用增强数据的 SST 预测。

B. 第一阶段：先前的网络训练

我们构建一个先验网络来学习观测数据中的物理知识，并在训练后保持其语义/物理信息不变。如图 2 所示，先验网络训练包括三个步骤：GAN 模型训练、编码器训练和物理增强数据生成。接下来我们将对每个步骤进行详细描述。

GAN 模型训练。GAN模型用于从观察到的 SST 中学习数据分布。目标函数如下：

GAN 模型的训练过程总结在算法 1 中。我们在观察到的 SST 上训练模型，直到生成器 G 从观察到的 SST 数据中捕获物理特征。

其中F(·)表示通过VGG网络进行特征提取。VGG网络是Visual Geometry Group[54]提出的网络，是一种经典的深度卷积神经网络。

编码器的训练如算法2所示，生成器G的参数固定，而编码器E和鉴别器D的参数分别基于公式2和公式3进行更新。

第 1 阶段的动机是构建一个先验网络，以纠正数值模型数据中的错误成分。为此，我们首先设计了一个 GAN 模型，该模型可以捕获观测到的 SST 的数据分布并生成高质量的 SST 数据。随后，训练编码器以确保生成的潜在代码保留观测到的 SST 中的语义/物理信息。我们认为，通过对抗学习，先验网络（由编码器和生成器组成）可以纠正输入数据中的错误部分，因为物理知识已经嵌入在先验网络中。因此，在第三步中，当数值模型数据被输入先验网络时，嵌入的物理知识可以纠正数值模型数据中的错误成分。

C. 第 2 阶段：使用增强数据进行 SST 预测

ConvLSTM 是一种预测时空数据的有效工具。它是一种循环神经网络，在输入到状态和状态到状态的转换中都包含卷积块。与传统的 LSTM 层不同，ConvLSTM 不仅保留了顺序关系，还从数据中提取了空间特征。通过这种方式，我们可以利用它来捕获稳健的时空特征。ConvLSTM 的目标函数如下：

物理增强的SST数据被输入到ConvLSTM模型中进行SST预测，如下所示：

生成器获得的权重在算法 2 中被重用，其中只有生成器权重是固定的。引入的编码器和鉴别器在观察到的 SST 上经历另一个训练过程。它们的权重分别基于等式 2 和等式 3 更新。训练后，编码器生成的代码将体现学习到的物理知识。

最后，利用上述预训练模型，得到基于物理知识的强化数据。

重复使用算法 2 中的生成器和编码器，并利用数值模型 SST 来生成物理增强数值模型数据。

在算法 3 中，利用物理知识增强的数据来训练时空 ConvLSTM 模型以进行 SST 预测。本文分别预测第二天、未来 3 天和未来 7 天的 SST。对于这部分，我们进行了消融研究以有效利用增强数据。