登录 | 注册 | 退出 | 公司首页 | 繁体中文 | 满意度调查
综合馆
基于LSTM-RNN的海水表面温度模型研究
  • 摘要

    针对数值模式和统计学习方法在海表面温度(SST)建模中的不足,将长短时记忆循环神经网络(LSTM-RNN)应用于SST的建模.使用研究海区24 a月平均的SST和太阳辐射、风场、蒸发降水等物理参数,通过LSTM-RNN构建西太平洋研究海区SST时间序列变化模型,用于预报研究海区下个月SST.建立了两个模型model1和model2,model1仅使用SST数据作为model2的对照,model2使用SST和其他物理参数.结果表明:model2在验证数据中的MAE为0.15℃,RMSE为0.19℃,相关性系数为0.978,和model1相比总体准确性提升31%,表明LSTM-RNN应用于SST建模是可行的;LSTM-RNN可以建立其他物理参数与SST的关系,从而显著提升海水表面温度模型的准确性.

  • 作者

    朱贵重  胡松  ZHU Gui-chong  HU Song 

  • 作者单位

    上海海洋大学海洋科学学院,上海,201306

  • 刊期

    2019年2期 ISTIC PKU

  • 关键词

    海洋物理学  LSTM-RNN  SST  神经网络 

相似文献 查看更多>>
3.215.182.81