检索结果-南通市图书馆

图学学报 2022年第4期43卷 677-684页

作者：贺琪李汶龙宋巍杜艳玲黄冬梅耿立佳上海海洋大学信息学院上海201306 国家海洋局东海标准计量中心上海201306

海面温度(SST)与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确地预测SST是一个重要课题。现有区域型SST预测方法将SST时间序列处理为二维矩阵序列并作为模型输入,每个矩阵对应着特定时刻的区域SST,通过提取时空特征来实现其... 详细信息

海面温度(SST)与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确地预测SST是一个重要课题。现有区域型SST预测方法将SST时间序列处理为二维矩阵序列并作为模型输入,每个矩阵对应着特定时刻的区域SST,通过提取时空特征来实现其预测,但未充分考虑不同时空特征在时间维度和空间维度上对SST影响的不均衡性,限制了预测精度地提高。为了解决该问题,提出了一种结合时间注意力机制和空间注意力机制的区域SST预测方法(CRA-ConvLSTM),使得模型动态关注不同时刻的时间特征和区域内不同点的空间特征,赋予不同的影响权重,进而提高SST预测精度。具体来说,首先将输入的区域SST时间序列通过卷积神经网络(CNN)编码为多层特征向量,提取局部特征;然后构建了残差时间注意力模块,自适应地学习不同时刻的注意力权重,提取时间维度上的关键特征,并设计了残差空间注意力模块,提取区域内不同点在空间维度上的关键特征,此外,将注意力机制结合残差结构避免了网络中信息量过少导致的性能下降问题;最后通过卷积长短时记忆神经网络(ConvLSTM)将特征向量映射为SST预测结果。实验结果显示,该模型的均方根误差(RMSE)和预测精度(PACC)分别达到了0.19和99.43%,均优于其他方法,有效提高了SST的预测精度。

关键词：时间序列海面温度预测时空特征注意力机制残差结构

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于ConvLSTM模型的海面温度时空预测方法研究

基于ConvLSTM模型的海面温度时空预测方法研究

引用

作者：张秋阳哈尔滨工程大学

学位级别：硕士

随着我国海洋经济的发展和海洋战略地位的提高,对于海面温度预测的要求也在逐渐提高。实现快速、精准的海面温度预测能够为我国各类海洋产业的发展和海洋国防安全提供坚实可靠的保障。传统的海面温度预测大多采用数值预报方法,存在物理... 详细信息

随着我国海洋经济的发展和海洋战略地位的提高,对于海面温度预测的要求也在逐渐提高。实现快速、精准的海面温度预测能够为我国各类海洋产业的发展和海洋国防安全提供坚实可靠的保障。传统的海面温度预测大多采用数值预报方法,存在物理方程复杂、预报时长有限的问题。基于数理统计方法的海面温度统计预报,预测精度较低。目前深度学习模型被广泛应用于海面温度预测,但大多只考虑了海面温度的时间特征,只能实现单点海面温度时间序列预测,缺少对海面温度空间特征和空间联系的研究。事实上,海面温度不仅具有周期性、季节性、趋势性等时间特征,还具有明显的空间特征与空间联系。为了充分考虑海面温度的时空特征,本文构建了一种基于卷积长短期记忆神经网络(Convolutional long-short term memory,ConvLSTM)的海面温度时空预测模型,通过卷积运算实现对海面温度空间特征的提取,再通过长短期记忆神经网络(Long short-term memory,LSTM)实现对长时间海面温度序列周期性、季节性、趋势性等时间特征的记忆与学习,最终实现南海海域高精度的海面温度时空预测。首先,通过对南海海面温度的时间变化规律、空间分布特征、时间序列自相关性和全局空间相关性的分析与研究,发现南海海面温度存在明显的时空特征,且海面温度不仅受其自身历史温度的影响,空间临近位置的温度也会对其产生很大影响,证明了海面温度时空预测的可行性与必要性。其次,通过构建LSTM模型,实现了单点海面温度时间序列预测,并分别构建了BP神经网络模型和循环神经网络(Recurrent Neural Network,RNN)模型作为对比模型。三种模型的预测结果对比表明,在单点海面温度时间序列预测时,LSTM模型的预测效果优于两种对比模型,更适合处理长时间复杂的海面温度时间序列。但由于缺少海面温度的空间信息,LSTM模型的预测结果也存在不同点的预测效果差异较大和在某些海面温度极值点处的预测误差较大等问题。最后,通过构建ConvLSTM模型,实现了南海部分海域的海面温度时空预测,预测结果表明,基于ConvLSTM模型的海面温度时空预测效果优于LSTM模型的时间序列预测效果,且很好的解决了 LSTM模型在海面温度预测时存在的问题,证明了海面温度的空间特征和空间联系对于海面温度预测的重要性。并分别构建卷积神经网络(Convolutional Neural Network,CNN)与 LSTM 相串联的 CNN+LSTM 模型和时空经验正交分解(Empirical Orthogonal Function,EOF)模型作为对比模型。预测结果表明,ConvLSTM模型的预测效果优于两种对比模型,证明了本文构建的基于ConvLSTM的海面温度时空预测模型具有优异的预测效果。

关键词：海面温度预测时间序列预测时空预测 LSTM ConvLSTM

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于时空多维影响力的海面温度深度学习预测方法

基于时空多维影响力的海面温度深度学习预测方法

引用

作者：张吉缘上海大学

学位级别：硕士

在全球气候研究、海洋生态系统研究和海洋相关领域应用中,对海面温度(Sea Surface Temperature,SST)进行精准有效的观测和预测具有重要意义。然而,各种物理因素和环境因素都会影响海面温度的变化,使其具有高度的随机性和不确定性。因此... 详细信息

在全球气候研究、海洋生态系统研究和海洋相关领域应用中,对海面温度(Sea Surface Temperature,SST)进行精准有效的观测和预测具有重要意义。然而,各种物理因素和环境因素都会影响海面温度的变化,使其具有高度的随机性和不确定性。因此,提出一种精度高的海面温度预测方法仍是一项挑战。基于时间影响力的海面温度预测方法往往专注于捕获历史海面温度的静态影响力,却忽视了预测过程中的动态影响力,所以这类方法存在明显的性能瓶颈。为了有效地捕获静态和动态影响力以及增强处理时间信息的能力,本文提出了门控循环单元(Gate Recurrent Unit,GRU)编码器-解码器(GRU Encoder–Decoder,GED)来预测渤海和南海区域的海面温度。除此之外,为了融合时空多维影响力以及进一步提高海面温度预测的准确度,本文还提出了卷积门控循环单元多层感知机(Convolutional GRU with Multilayer Perceptron,CGMP)来预测渤海和南海区域的海面温度。论文主要的研究内容和创新点具体如下:(一)提出了一种同时考虑静态影响力和动态影响力的具有SST码(SST Codes)和动态影响链(Dynamic Influence Link,DIL)的GED。一方面,SST码是基于注意力机制由GRU编码器的所有隐藏状态计算得到的,并且还与每个被预测的未来海面温度进行了关联,因此,它可以更加有效地捕获静态影响力。另一方面,DIL将SST码、早期被预测的未来海面温度以及未被预测的未来海面温度链接了起来,因此,它可以更加有效地捕获动态影响力。本文分别在渤海和南海区域上进行了三种不同模式(日均值、周均值和月均值)和多种不同预测尺度的海面温度预测实验。结果表明,GED的预测性能在不同海域、不同模式和不同预测尺度上均要优于其它经典模型的预测性能。尤其是在长尺度和月均值海面温度预测中,GED的预测性能优势表现得最为明显。另外,本文还得出了平衡预测性能和时间性能的最优观测窗口大小,以及历史海面温度与未来海面温度的注意力关系。(二)提出了一种考虑邻居影响力的时空结合的CGMP。CGMP的卷积层可以更加有效地在空间维度上捕获邻居影响力,这弥补了基于时间影响力的海面温度预测方法未考虑空间影响力的不足。CGMP的GRU层和多层感知机层可以更加有效地在时间维度上处理历史信息。本文同样地分别在渤海和南海区域上进行了三种不同模式(日均值、周均值和月均值)和多种不同预测尺度的海面温度预测实验。结果表明,CGMP的预测性能在不同海域、不同模式和不同预测尺度上均要优于其它对比模型,而且在周均值和月均值海面温度预测中,它的预测性能相比于GED得到了进一步的提升。另外,本文还探讨了渤海海面温度日均值预测实验中的误差分布规律。

关键词：海面温度预测深度学习注意力机制卷积神经网络海洋要素

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：