基于LSTM-RNN的海水表面温度模型研究

论文摘要

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。

论文目录

• 1 实验原理和数据
•   1.1 物理原理
•   1.2 LSTM-RNN技术原理
•   1.3 数据获取与预处理
• 2 模型构建及结果分析
•   2.1 实验数据和神经网络结构
•   2.2 实验和结果
• 3 结论

文章来源

类型: 期刊论文

作者: 朱贵重,胡松

关键词: 海洋物理学,神经网络

来源: 应用海洋学学报 2019年02期

年度: 2019

分类: 基础科学

专业: 海洋学

单位: 上海海洋大学海洋科学学院

分类号: P714.1;P731.11

页码: 191-197

总页数: 7

文件大小: 2049K

下载量: 561