共查询到17条相似文献，搜索用时 171 毫秒
1.
海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。 相似文献
2.
利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。 相似文献
3.
类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。 相似文献
4.
为探明九龙江河口地区地面沉降情况,本研究采用小基线集合成孔径雷达干涉测量（small baseline subset interferometric synthetic aperture radar, SBAS InSAR）和永久散射体合成孔径雷达干涉测量（persistent scatterer interferometric synthetic aperture rader, PS InSAR）技术获取了2017年1月至2022年3月地面沉降的时空分布信息和演变规律,并结合实地调查数据和水文地质调查监测资料对地面沉降成因进行了系统分析。研究结果表明：SBAS InSAR和PS InSAR两种方法均发现在研究期间九龙河口地区地面整体呈现出沉降趋势,SBAS InSAR监测结果发现研究区沉降速率为6.2 mm/a;研究期间该区域的沉降中心持续扩大且沉降量呈增加趋势,最大累积沉降量达到250 mm以上,主要分布在浮宫镇中南部地区、海澄镇、东园镇中南部地区、角美镇和榜山镇东南部地区;该区域由于大量抽取地下水用于养殖,地下水位下降,引起淤泥层发生固结排水、压密,从而导致地面沉降。 相似文献
5.
研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。 相似文献
6.
近年来长沙市由地面沉降导致的地质灾害问题频繁发生。针对这一问题,利用94景Sentinel-1A卫星影像,基于时序SBAS-InSAR技术,获取了长沙市主城区2017年3月~2020年5月间的地表沉降速率和累积形变。估计的地表形变速率与长沙市GPS连续运行参考站观测的地表沉降速率高度吻合。结果表明:在长沙市5个主城区中,开福区地面沉降范围最广,岳麓区和雨花区次之,芙蓉区和天心区沉降区较少;最大累积沉降量达225mm,平均沉降速率达74 mm/年。研究结果表明长沙市区地面沉降多由地面和地下工程建设引起。 相似文献
7.
为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,longshort-termmemory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24 h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radialbasisfunctionneuralnetwork,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。 相似文献
8.
InSAR技术作为一种遥感技术,具有大范围、高精度监测的优点,可以应用于大范围的城市群地表沉降灾害监测。但目前对于苏州无锡常州城市群的监测研究相对较少。以苏州、无锡、常州城市群为例,使用两个轨道共104景哨兵数据,以一种改进的PS-InSAR技术获取了2019年这3个地区的地表沉降结果。结果表明:苏州和常州的沉降面积和量级都较大,最大累积沉降量均超过60mm,无锡地表沉降相对较小;沉降主要发生在沿湖沿江的农业种植区域,产生的原因可能与农业灌溉有关。最后将获取的时序InSAR结果与该地区的水准数据进行比较分析,两种数据具有良好的一致性,以水准数据为参考,InSAR数据的监测精度达到3.0mm/年,表明了InSAR形变监测的高精度和可靠性。 相似文献
9.
珠江口是我国沿海地面沉降灾害较严重地区之一,长期地面沉降威胁着人类生产生活的质量和安全。针对传统InSAR在河口等沿海地区空间采样率不足的现状,采用基于KS检验和特征分解的DS-InSAR时序分析方法,获得了珠江口地区2015—2018年间地面沉降监测数据,并分析了几处沉降严重地区的沉降特征和原因。采用的DS-InSAR方法在沥青路面、裸土等非城市区域提取了较大密度的高相干点,提高了时序InSAR形变反演的精度。研究表明,研究区域总体呈地面沉降趋势且分布不均匀,珠江三角洲西北部和东南部为主要沉降区,最大沉降速率可达25 mm/a,珠江口西岸沉降相对东岸分布更广,沉降量更大。 相似文献
10.
11.
Time-series InSAR analysis(e.g., permanent scatterers(PSInSAR)) has been proven as an effective technology in monitoring ground deformation over urban areas. However, it is a big challenge to apply this technology in coastal regions due to the lack of man-made targets. An distributed scatterers interferometric synthetic aperture radar(DSInSAR) is developed to solve the problem of insufficient samples and low reliability in monitoring coastal lowland subsidence, by applying a spatially adaptive filter and an eigendecomposition algorithm to estimating the optimal phase of statistically homogeneous distributed scatterers(DSs). Twenty-four scenes of COSMO-Sky Med images acquired between 2013 and 2015 are used to retrieve the land subsidence over the Shangyu District on south coast of the Hangzhou Bay, Zhejiang Province, China. The spatial pattern of the land subsidence obtained by the PS-InSAR and the DSInSAR coincides with each other, but the density of the DSs is three point five times higher than the permanent scatterers(PSs). Validated by precise levelling data over the same period, the DSInSAR method achieves an accuracy of ±5.0 mm/a which is superior to the PS-InSAR with±5.5 mm/a. The land subsidence in the Shangyu District is mainly distributed in the urban areas, industrial towns and land reclamation zones, with a maximum subsidence rate –30.2 mm/a. The analysis of geological data, field investigation and historical reclamation data indicates that human activities and natural compaction of reclamation material are major causes of the detected land subsidence. The results demonstrate that the DSInSAR method has a great potential in monitoring the coastal lowland subsidence and can be used to further investigate subsidence-related environmental issues in coastal regions. 相似文献
12.
Yi Zhang Haijun Huang Yilin Liu Yanxia Liu Haibo Bi 《Marine Georesources & Geotechnology》2013,31(2):152-163
ABSTRACTThe Yellow River Delta, which is the second-largest delta in China, has experienced varying degrees of land subsidence since the late 1970s. Although recent studies have identified the natural consolidation and compaction of sediment among the most important contributors to geologic processes, their processes have rarely been quantified. We estimated the sediment compaction over different time ranges to determine the temporal evolution of subsidence parameters (i.e., cumulative compaction). Estimates of primary consolidation, secondary consolidation, and the degree of consolidation in 152 boreholes revealed the spatial–temporal characteristics of sediment compaction and consolidation using geotechnical parameters collected from 152 boreholes, soil mechanics equations and the Kriging interplolation method. In addition, these estimates were partially constrained and cross-validated using the interferometric synthetic aperture radar (InSAR) results from early 2007 to late 2010 which were provided in a previous study. By performing a comparison analysis between theoretical evaluations of compaction for borehole data and InSAR observations, we were able to quantify subsidence due to sediment compaction. The comparison results suggest that the theoretical solutions agreed well with the measurements recorded by the well-validated, advanced InSAR method and that the deviations between the InSAR technique and geotechnical evaluations ranged from ?22 to 3?mm. The results reveal that the land subsidence of the chosen borehole sites during the investigative period was dominated by the primary consolidation and compaction of sediment. The underprediction of subsidence may be explained by fluid withdrawal, oil exploitation and engineering construction. To speculate, more geological disasters may occur if the current subsidence condition extends into the future. 相似文献
13.
河口潮汐过程受上游径流、外海潮波等因素影响,动力机制复杂,潮位预报难度大。本文提出了一种基于非稳态调和分析（NS＿TIDE）和长短时记忆（LSTM）神经网络的混合模型,对河口潮位进行12～48 h短期预报。该模型首先对河口实测潮汐数据进行非稳态调和分析,通过与实测资料对比得到分析误差的时序序列,并以此作为LSTM神经网络的输入数据,通过网络学习并预测未来12～48 h潮位预报误差,据此对NS＿TIDE的预测结果进行实时校正。利用该模型对2020年长江口潮位过程进行了预报检验,结果表明混合模型12 h、24 h、36 h和48 h短期水位预报的均方根误差（RMSE）相比NS＿TIDE模型至多分别降低了0.16 m、0.15 m、0.14 m和0.12 m;针对2020年南京站最高水位预测,NS＿TIDE模型预报误差为0.64 m,而混合模型预报误差仅为0.10 m。 相似文献
14.
To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at Sta. N01 is 20%, 18% and 23% lower than the conventional numerical wave models in terms of the total root mean square error(RMSE), scatter index(SI) and mean absolute error(MAE), respectively. Particularly, for significant wave height in the range of 3–5 m, the prediction accuracy of the LSTM model is improved the most remarkably, with RMSE, SI and MAE all decreasing by 24%. It is also evident that the numbers of hidden neurons, the numbers of buoys used and the time length of training samples all have impact on the prediction accuracy. However, the prediction does not necessary improve with the increase of number of hidden neurons or number of buoys used. The experiment trained by data with the longest time length is found to perform the best overall compared to other experiments with a shorter time length for training. Overall, long short-term memory neural network was proved to be a very promising method for future development and applications in wave forecasting. 相似文献
15.
海浪直接影响海上活动和航行安全,同时也蕴藏着巨大的可再生能源,对海浪核心参数之一波高预测至关重要。基于2015年7月～2022年6月山东小麦岛(36°N,120.6°E)站点实测的波高数据,利用反向传播神经网络(back-propagation neural network,BPNN)、长短记忆网络(long short-term memory, LSTM)和支持向量机回归(support vector regression, SVR)三种机器学习模型对波高进行预测,并分析了瑞利参数的引入对预测结果的影响。结果显示,模型输入项引入瑞利参数后,对1 h和6 h波高预测提升效果有限,预测值与测试集的相关性提升不超过0.02,均方根误差的降低不超过0.01 m;在12h和24h的预测中,BPNN和LSTM模型预测结果相关性提升0.03～0.07,均方根误差降低0.02～0.03m,而SVR模型预测结果变化不显著。说明瑞利参数有助改善BPNN和LSTM模型中长期海浪预报。此外,特征扰动方法(机器学习中特征重要性的计算方法之一)验证了瑞利参数在波高预测中的重要性,瑞利参数的引入为波高的机器学习预... 相似文献
16.
摘要：在海况环境下,进行船舶运动预测时。由于惯性传感器采集系统本身的电学特性,会产生偏移误差,严重影响一般预测方法的准确性。针对这一问题,在常规LSTM神经网络的基础上,设计改良了一种二元的LSTM网络架构。在船舶运动仿真平台上进行模拟船舶升沉运动实验,并通过惯性传感系统测量仿真平台实时积分位移进行计算验证。验证统计该网络预测结果峰差值均方差0.64%,均值均方差0.42%,峰值均方差0.57%,证实该网络较常规LSTM在船舶运动预测领域具有更好的针对性和适应性,更准确的还原预测实际的船舶运动轨迹。 相似文献
17.
台风轨迹的准确预测对于减少台风灾害及风险评估意义重大。本文提出了一种基于双注意力机制的台风轨迹预测模型(Dual-Attention-Encoder-Decoder),首先根据台风轨迹数据计算台风轨迹的变化曲率,将台风曲率序列与台风轨迹序列一同作为预测模型的特征输入,充分考虑了台风轨迹中隐藏的转向、偏折信息;然后构建双注意力机制增强的编码器-解码器网络(Encoder-Decoder)作为预测模型,利用特征注意力机制和时间注意力机制分别对模型输入和隐藏状态进行权重分配,能够学习输入特征和预测目标之间的关系,并且有效解决编码器-解码器结构对过长序列预测的性能下降问题,编码器和解码器均采用LSTM网络,能够存储长时间依赖并且收敛性好,不易发生梯度消失或爆炸;最后,本文使用1949—2017年中国气象局提供的西北太平洋台风最佳路径数据集,将DA-Encoder-Decoder模型与BP、SVR、LSTM、ELM等模型进行对比,分别对24 h、48 h、72 h台风轨迹进行预测。结果表明:DA-Encoder-Decoder模型的均方根误差和实际误差距离指标均优于其他四种预测方法,验证了本文方法的有效性。 相似文献