| 全新世以来泰国湾古气候演化历史———来自地球化学和矿物学证据 |
| |
| 引用本文： | 袁 帅,张 辉,曹 鹏,李小艳,石学法,范德江,SomkiatKhokiattiwong,NarumolKornkanitnan,刘升发.全新世以来泰国湾古气候演化历史———来自地球化学和矿物学证据[J].海洋科学进展,2022,40(2):233-246. |
| |
| 作者姓名： | 袁 帅 张 辉 曹 鹏 李小艳 石学法 范德江 SomkiatKhokiattiwong NarumolKornkanitnan 刘升发 |
| |
| 作者单位： | 中国海洋大学 海洋地球科学学院,山东 青岛 266100;自然资源部 第一海洋研究所,山东 青岛 266061,自然资源部 第一海洋研究所,山东 青岛 266061;自然资源部 海洋地质与成矿作用重点实验室,山东 青岛 266061,自然资源部 第一海洋研究所,山东 青岛 266061;自然资源部 海洋地质与成矿作用重点实验室,山东 青岛 266061;青岛海洋科学与技术试点国家实验室 海洋地质过程与环境功能实验室,山东 青岛 266061,中国海洋大学 海洋地球科学学院,山东 青岛 266100;青岛海洋科学与技术试点国家实验室 海洋地质过程与环境功能实验室,山东 青岛 266061,泰国海洋与海岸带资源研发中心 海洋与海岸带资源室,泰国 曼谷 10210 |
| |
| 基金项目： | 科技部重大科学仪器专项———海洋物性参数监测仪(2018YFF01014105) |
| |
| 摘 要： | 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。
|
| 关 键 词： | 古气候 全新世 稀土元素 黏土矿物 泰国湾 |
Holocene P aleoclimate Evolution in the Gulf of Thailand: Evidence From Geochemistry and Mineralogy |
| |
| YUAN Shuai,ZHANG Hui,CAO Peng,LIXiao-yan,SHIXue-f,FAN De-jiang,Somkiat Khokiattiwong,Narumol Kornkanitnan,LIU Sheng-fa.Holocene P aleoclimate Evolution in the Gulf of Thailand: Evidence From Geochemistry and Mineralogy[J].Advances in Marine Science,2022,40(2):233-246. |
| |
| Authors: | YUAN Shuai ZHANG Hui CAO Peng LIXiao-yan SHIXue-f FAN De-jiang Somkiat Khokiattiwong Narumol Kornkanitnan LIU Sheng-fa |
| |
| Abstract: | |
| |
| Keywords: | BP neural network model RBF neural network model marine observation buoys data prediction sea surface temperature sea surface salinity |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《海洋科学进展》浏览原始摘要信息 |
| 点击此处可从《海洋科学进展》下载免费的PDF全文 |
|
