| 摘 要： | 海表面高度作为一项重要的海洋观测指标,对海洋生态系统和气候变化研究具有重要影响。传统基于循环神经网络(recurrent neural network, RNN)的时空序列预测模型在更新记忆状态时,存在一个关键问题：旧的记忆状态会被立即刷新,模型无法有效地保留时间序列的长期依赖关系和变化趋势。这导致在多步海洋预测中,模型无法充分挖掘时间域的重要特征,从而使预测误差随着预测步长的增加而严重累积。为解决这个问题,设计一种原型校正时空网络(prototype corrected spatiotemporal network, PCST-Net)来实现准确的端到端多步海表面高度时空预测。PCST-Net采用基于RNN的网络结构,并设计记忆状态更新(memory state update, MSU)单元作为模型的核心构建单元。MSU单元利用原型校正模块(prototype correction module, PCM)来学习海表面高度样本的原型特征,从而提取时间域中的关键信息,并校正当前时间步的海表面高度高维特征,有效缓解多步预测中的严重误差累积问题。此外,提出一种多步信息输入策略,使模型能够从更广泛的时间步长中获得更全面准确的上下文信息,进而提高预测性能。通过对热带太平洋日平均海表面高度异常(sea surface height anomaly,SSHA)数据的多步时空预测验证了所提出的模型。结果表明：PCST-Net模型对未来5 d多步SSHA时空预测的平均均方根误差、平均绝对误差和皮尔逊相关系数分别为0.634 cm、0.488 cm和0.995。研究表明,PCST-Net模型可以准确地预测SSHA的时空变化趋势,这为多步海表面高度时空预测模型提供了一种可行性方法。
|
