| 基于多尺度深度学习对南海海表温度预报的研究 |
| |
| 引用本文： | 张宇,许大志,俞胜宾,等. 基于多尺度深度学习对南海海表温度预报的研究[J]. 海洋学报,2024,46(5)：27–36 doi: 10.12284/hyxb2024034 |
| |
| 作者姓名： | 张宇 许大志 俞胜宾 邢会斌 管玉平 |
| |
| 作者单位： | 1.自然资源部南海预报减灾中心,广东 广州,510310;;2.自然资源部海洋环境探测技术与应用重点实验室,广东 广州 510310;;3.南方海洋科学与工程广东省实验室（珠海）,广东 珠海,519000;;4.中国科学院南海海洋研究所 热带海洋环境国家重点实验室,广东 广州 510301;;5.中国科学院大学 海洋学院,北京 100049 |
| |
| 基金项目： | 自然资源部海洋环境探测技术与应用重点实验室自主设立研究课题（MESTA-2021-D003）;广州市基础与应用基础研究项目（202201011271）;国家海洋局南海预报中心自主立项项目（SCSMF-FR-2021-07）;国家自然科学基金青年科学基金项目（42206027）;中国−东盟国家蓝色伙伴关系建设项目（99950410）。 |
| |
| 摘 要： | 
海表温度是海洋最重要的物理量之一,提供了气候系统的基本信息,准确地预报海表温度有着广泛而重要的应用。近年来,基于人工智能的海温预报方法开始流行,并展现出巨大的潜力。基于卷积长短时记忆神经网络（ConvLSTM）,本文研究了多尺度输入场对南海北部二维海表温度预报结果的影响。文章采用多元集合经验模态分解方法（MEEMD）将日均海表温度分解成多个尺度的空间主模态,并以不同的组合训练ConvLSTM模型进行预报实验。
结果表明,采用前4个海表温度主模态数据训练模型时,预报1～7 d海表温度的均方根误差约为0.4～0.8℃,比仅用原始海表温度训练时减小了0.2～1.2℃;平均绝对百分比误差为1%～6%,减小了0.5%～10%;空间相关系数为99.5%～96.5%,提高了0.5%～3.5%。而且,随机实验也进一步证明该方法具有较高的普适性。基于深度学习的预报模型,需结合海温的物理特性,选择合适的数据进行训练,才能进一步提高其预报精度。本文初步探究了人工智能方法与物理概念在海温预报中的融合,可为以后的研究提供一定的参考。
|
| 关 键 词： | 海温预报 深度学习 ConvLSTM MEEMD |
| 收稿时间： | 2023-08-28 |
| 修稿时间： | 2023-11-28 |
|
| 点击此处可从《海洋学报》浏览原始摘要信息 |
|
点击此处可从《海洋学报》下载免费的PDF全文 |
|
