共查询到16条相似文献，搜索用时 375 毫秒
1.
基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究 总被引：3，自引：1，他引：2
基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。 相似文献
2.
为了对海表温度(SeaSurfaceTemperature,SST)和海表盐度(SeaSurfaceSalinity,SSS)数据进行精确的短期预报,基于多站位海洋观测浮标获取的海表温度和海表盐度数据,利用反向传播(BackPropagation,BP)和径向基函数(RadialBasisFunction,RBF)两种神经网络方法开展了短期预测。首先,在预测时长固定为5d的情况下,对比不同训练时长的预测结果的均方误差(MeanSquaredError,MSE),进而确定以20d的观测数据作为训练集的预测结果均方误差最小。然后,以 PAPA 站观测浮标获取的2009年1月、4月、7月和10月各月的前20d温盐数据作为训练集,分别训练BP和 RBF神经网络,将训练好的2种神经网络模型应用于各月第21至25日的温盐数据预测。结果表明:BP和 RBF神经网络均能有效预测海表温盐数据的季节性变化,但 RBF神经网络对不同预测时间的整体预测效果优于 BP神经网络。多站点数据的预测实验进一步验证了 RBF神经网络模型具有较强适用性和更高的准确性。RBF神经网络模型可以作为海表温盐数据短期预报的有力工具。 相似文献
3.
4.
针对海洋中的海浪高度数据存在非线性和非平稳性的特点,海浪高度的预测就变得相对复杂。基于变分模态分解(VMD),在引入注意力机制(AM)的基础上,对传统长短期记忆(LSTM)神经网络算法进行了改进,提出了一种基于混合模型的海浪高度预测算法。算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测。为了比较和说明,以太平洋东北海盆海域和马尾藻海域的4个站点浮标数据进行实验。实验结果表明,本文提出的混合模型(VALM)将海浪高度数据分解为更平稳和更规则的子序列;可以更好的区分数据之间的重要程度,并能够携带更多信息的数据;与支持向量回归(SVR)、人工神经网络(ANN)和LSTM等模型进行比较,VALM模型的预测效果最好且具备一定的鲁棒性。 相似文献
5.
针对传统人工神经网络对叶绿素a浓度预测存在训练速度慢、收敛精度低、易陷入局部最优，尤其是无法灵活的利用任意长度的历史信息对叶绿素a浓度进行预测等问题，本文根据海洋各要素与叶绿素a浓度之间的长短期依赖程度，对叶绿素a浓度与各要素间的关系进行界定，分别将各要素与叶绿素a浓度之间的长期依赖关系与短期依赖关系分割开来，并且在长短期记忆(Long Short-Term Memory, LSTM)神经网络模型的基础上构建融合的LSTM预测模型，模型中的长期依赖关系与短期依赖关系分别使用不同的神经元，最终在模型的最上层进行长短期融合。本文选取三都澳站位的连续监测资料作为实验数据，实验结果表明本文构建的模型不仅具有训练误差下降快的优点，与其他3种经典的神经网络模型相比，预测精度也有显著提高。 相似文献
6.
海表面二氧化碳分压(pCO2)的未来变化趋势,对统计评估全球碳收支以及理解全球气候变化背景下的海洋酸化现象至关重要。目前传统的海面pCO2预测方法大部分基于有限的实测数据,然而实测数据存在着时间和地理方面的制约,且计算成本较高。近年来,随着时空观测数据的爆炸性增长,基于深度学习的数据驱动模型在海表面pCO2预测方面中表现出良好的潜力。然而,由于多种环境因素与海表面pCO2之间的关系错综复杂,到目前为止尚无十分简单有效的相关模型来对海表面pCO2进行预测。为应对这一挑战,利用时空卷积长短时记忆神经网络(ST-ConvLSTM)模型,通过海面温度(sea surface temperature, SST)、海面盐度(sea surface salinity, SSS)、叶绿素a浓度(chl a)和海面pCO2数据,预测南海的海面pCO2,并将2019年1～12月的数据作为测试集对模型的表现进行了验证。结果显示, ST-ConvLSTM模型... 相似文献
7.
8.
河口潮汐过程受上游径流、外海潮波等综合因素影响,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;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
9.
海面高度异常是反映海洋环境状况的主要变量之一。本文使用1993—2019年的融合月均海面高度异常数据,建立了基于深度学习的海面高度异常预测神经网络模型,提出了基于融合U型网络(U-Net)和卷积长短记忆网络(ConvLSTM)的中长期海面高度异常预报模型。在研究海域0.25°×0.25°的空间分辨率下,模型测试集预报结果的均方根误差和平均绝对误差分别为0.039 m和0.027 m,均优于全连接LSTM预报模型和ConvLSTM+CNN预报模型,为大中尺度的海面高度异常预报提供了新的方法。 相似文献
10.
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
11.
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
12.
13.
风速是重要的海洋状态参数之一，对海面风速的准确提取是实现海洋环境监测和沿海工程应用的重要保证。目前，作为新兴海洋环境监测设备，高频雷达在风速提取方面仍然存在挑战。本文提出了一种基于人工神经网络的风速提取方法，利用历史浮标测量海态数据训练风速提取网络，实现风速与有效波高、波周期、风向及时间因素之间的非线性映射。测试结果表明了这一网络在时间和空间上的稳定性；进而将已训练的网络应用到便携式高频地波雷达OSMAR-S的风速反演中，得到的风速与浮标测量风速间的相关系数达到0.849，均方根误差为2.11 m/s。这一结果明显优于常规由浪高反演风速的SMB方法，验证了该方法在高频雷达风速反演中的可行性。 相似文献
14.
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
15.
为了提高使用SSM/I资料反演全球海面风速的精度,发展了一个新型的神经网络方法.在这个方法中,使用高风速、中、低风速状态和天气状态分类的方法分别训练神经网络,然后根据其类别的不同使用不同的神经网络计算风速.此方法较好地去除了由于高风速和云天天气状态下训练样本数据的缺少所产生的误差,改进了在高风速状态下反演风速值比实际风速偏低的情况,使得反演的高风速值被校正到了正常位置.本方法反演海面风速的值与浮标实测风速值之间的均方根误差达到1.60m/s. 相似文献
16.
基于二元LSTM神经网络的船舶运动预测算法研究 总被引：1，自引：1，他引：0
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,会产生误差偏移,影响预测的准确性。针对这一问题,在常规长短期记忆网络（LSTM）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,更准确的对船舶运动进行预测。 相似文献