CN109978279A - 海洋表面温度区域预测方法 - Google Patents
海洋表面温度区域预测方法 Download PDFInfo
- Publication number
- CN109978279A CN109978279A CN201910282598.0A CN201910282598A CN109978279A CN 109978279 A CN109978279 A CN 109978279A CN 201910282598 A CN201910282598 A CN 201910282598A CN 109978279 A CN109978279 A CN 109978279A
- Authority
- CN
- China
- Prior art keywords
- grid
- time
- surface temperature
- term memory
- memory network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000007787 long-term memory Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000006403 short-term memory Effects 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 11
- 210000004027 cell Anatomy 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008447 perception Effects 0.000 abstract 1
- 239000000843 powder Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海洋表面温度区域预测方法，具体涉及海洋表面温度预测技术领域。该预测方法采用网格长短期记忆网络(Grid‑LSTM)对区域的海表温度数据进行建模和预测，三维的网格结构使用三维Grid‑LSTM块沿着经度、纬度和时间三个方向堆叠而成，前两个维度对空间关系进行建模，将每个网格的温度与它的邻近网格的温度相关联，第三个维度对时间关系进行建模，最后使用一个卷积层，将Grid‑LSTM的输出映射到最后的预测结果。本发明提出的方法与支持向量回归、多层感知机、长短期记忆网络相比，以区域平均的均方误差(RMSE)对预测结果进行了衡量，可以同时对整个区域进行建模和预测，具有明显的优势。
Description
技术领域
本发明涉及海洋表面温度预测技术领域，具体涉及一种海洋表面温度区域预测方法。
背景技术
海洋表面温度(Sea surface temperature,SST)是地球表面能量平衡系统中的一个重要参数，也是衡量海水热量的一个关键指标，在地球表面和大气层热量交换中扮演非常重要的角色。由于海洋占据了地球表面积的近四分之三，海表温度对于全球气候和生态系统都有着不可估量的影响。近年来人们对于海表温度越来越关注，对于海表温度的预测也成为了热点研究问题。在很多应用领域，如海洋气候预报、海上活动如钓鱼和采矿、海洋环境保护、海洋军事等，海表温度预测都是一个重要的基础问题。然而，由于许多不确定因素，特别是在沿海水域，海表温度预测的精度始终比较低。
目前存在的预测海表温度的方法，根据建模方式的不同，大致可以分为两大类。一类方法基于物理学原理，也称为数值模式。另一类方法基于数据，也称为数据驱动模型。前者试图利用一系列微分方程来描述海温的变化，这个过程通常比较复杂，因此计算复杂度通常比较高。此外，在不同的海域需要建立不同的数值模型。而后者试图使用机器学习的方法从数据中学习规律，比如线性回归(linear regression)，支持向量机(Support VectorMachines，SVM)，神经网络(Neural Network)等等。
现有技术有的使用长短期记忆(long short-term memory，LSTM)网络对海洋表面温度数据进行建模，将海表面温度预测问题归结为一个时间序列的回归问题，并进行了一天、三天的短期预测，和周平均、月平均的长期预测。网络结构包括LSTM层和全连接层。LSTM层用于建模时序关系，全连接层用于将LSTM层的输出映射为最终的预测结果。该研究工作于2017年10月发表于IEEE Geoscience and Remote Sensing Letters期刊上。该方法的缺陷在于仅能对一个地点的海表面温度序列进行建模。如果需要对某个区域的海表面温度进行预测，则需要对每个点进行单独建模，然后单独进行预测，并且每个点彼此之间是互相独立的。
发明内容
本发明的目的是针对上述不足，提出了一种使用网格长短期记忆网络对待测区域的海洋表面的整个区域温度数据进行建模和预测的海洋表面温度区域预测方法。
本发明具体采用如下技术方案：
洋表面温度区域预测方法，具体包括：
假设待预测区域的网格大小为w×h，每个网格中沿着时间轴都存在一个实数的时间海表面温度序列x1,x2,……,xt，将待预测区域表面温度预测描述为一个二维矩阵的回归：已知一个三维网格数据表示的海洋表面温度预测其未来n天的温度值；
其中，w,h,t分别代表待预测区域网格化之后的宽度、长度和历史数据的时间长度，n表示要预测的时间长度；
构建N维网格长短期记忆网络结构：
将三维网格长短期记忆网络块沿着经度、纬度和时间三个方向堆叠而成，经度和纬度方向对区域的空间信息进行建模，每个长短期记忆网络块都对应于海表面区域的一个网格，每个块的输出都会作为相邻网格下一个时刻的输入，时间方向采用循环结构，对时序序列进行时间建模，其按照时间轴展开后的长度等于时间序列的长度；
对时序的区域海表面温度进行时空建模，时空建模结束后，网格长短期记忆网络的输出应该是m个w*h的特征图，其中m为每个块的隐藏神经元个数，最后使用一个卷积层，将这m个w*h的特征图映射到最后的预测输出。
优选地，N维网格长短期记忆网络结构引入了门机制，具体为：
mt＝ft*mt-1+it*ct (5)
ht＝tanh(ot*mt) (6)
其中，xt代表t时刻的输入数据，it代表输入门(input gate)，ft代表忘记门(forget gate)，ot代表输出门(output gate)，ct代表细胞状态(cell state)，ht代表隐藏层状态(hidden unit)，bi、bf、bo、bc分别代表偏置项。
将上述公式简写为：
N维网格长短期记忆网络结构接受N个h和N个m，如果是第一层还会有N个x输入，然后输出N个h′(即h′1，h′2…，h′N)和N个m’，具体如式(8)所示：
(h′1，m′1)＝LSTM(H，m1，W1)
(h′N，m′N)＝LSTM(H，mN，WN1) (8)
其中，
优选地，构建N维网格长短期记忆网络结构中，使用由NOAA/OAR/ESRL PSD，Boulder，Colorado，USA提供的NOAAHigh Resolution SST数据集，该数据集包含了12868天的每天海表平均温度，覆盖范围包括89.875S至89.875N，0.125E至359.875E，空间分辨率为0.25×0.25度。
本发明具有如下有益效果：
该海洋表面温度区域预测方法采用网格长短期记忆网络(Grid-LSTM)对区域的海表温度数据进行建模和预测，网格结构将每个网格的温度与它的邻近网格的温度相关联，可以同时对整个区域进行建模和预测。
附图说明
图1为传统的长短期记忆网络单元(LSTM cell)示意图；
图2为N等于1时的Grid-LSTM block示意图；
图3为N等于2时的Grid-LSTM block示意图；
图4为N等于3时的Grid-LSTM block示意图；
图5为三维的Grid-LSTM网络示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明：
Grid-LSTM代表网格长短期记忆网络。
如图1-图5所示，假设待预测区域的网格大小为w×h，每个网格中沿着时间轴都存在一个实数的时间海表面温度序列x1，x2，……，xt，将待预测区域表面温度预测描述为一个二维矩阵的回归：已知一个三维网格数据表示的海洋表面温度预测其未来n天的温度值；
其中，w，h，t分别代表待预测区域网格化之后的宽度、长度和历史数据的时间长度，n表示要预测的时间长度；
构建N维网格长短期记忆网络结构，其中图1为传统的LSTM block结构图，
将三维网格长短期记忆网络块沿着经度、纬度和时间三个方向堆叠而成，经度和纬度方向对区域的空间信息进行建模，每个长短期记忆网络块都对应于海表面区域的一个网格，每个块的输出都会作为相邻网格下一个时刻的输入，时间方向采用循环结构，对时序序列进行时间建模，其按照时间轴展开后的长度等于时间序列的长度；
对时序的区域海表面温度进行时空建模，时空建模结束后，网格长短期记忆网络的输出应该是m个w*h的特征图，其中m为每个块的隐藏神经元个数，最后使用一个卷积层，将这m个w*h的特征图映射到最后的预测输出。
N维网格长短期记忆网络结构引入了门机制，具体为：
mt＝ft*mt-1+it*ct (5)
ht＝tanh(ot*mt) (6)
其中，xt代表t时刻的输入数据，it代表输入门(input gate)，ft代表忘记门(forget gate)，ot代表输出门(output gate)，ct代表细胞状态(cell state)，ht代表隐藏层状态(hidden unit)，bi、bf、bo、bc分别代表偏置项。
将上述公式简写为：
N维网格长短期记忆网络结构接受N个h和N个m，如果是第一层还会有N个x输入，然后输出N个h′(即h′1，h′2…，h′N)和N个m’，具体如式(8)所示：
(h′1，m′1)＝LSTM(H，m1，W1)
(h′N，m′N)＝LSTM(H，mN，WN1) (8)
其中，
构建N维网格长短期记忆网络结构中，使用由NOAA/0AR/ESRL PSD，Boulder，Colorado，USA提供的NOAA High Resolution SST数据集，该数据集包含了1981/09到2016/11共12868天的每天海表平均温度，覆盖范围包括89.875S至89.875N，0.125E至359.875E，空间分辨率为0.25×0.25度(1440×720个网格)。
大洋中温度变化相对平稳，而在近海水域温度变化则比较剧烈。所以以渤海海域为例。渤海是一个近封闭的内海，地处中国大陆东部北端，即北纬37.07N至-41N，东经117.35E至122.15E的区域。渤海海域面积77284平方千米，大陆海岸线长2668千米，平均水深18米，最大水深85米，20米以下的海域面积占一半以上。渤海湾为世界上最为繁忙的港口之一，我们从NOAA SST数据集中取出了渤海海域对应的部分(16×15的网格)构成了一个新的数据集，命名为Bohai SST数据集。
采用上述预测方法对渤海区域的海表面温度进行了1天和3天的预测，并将本发明提出的方法(Grid-LSTM)分别与支持向量回归(SVR)、多层感知机(回归MLPR)、长短期记忆网络(LSTM)进行了对比，以区域平均的均方误差(RMSE)对预测结果进行了衡量。表1的实验结果显示，本发明提出的方法具有明显的优势，并且可以同时对整个区域进行建模和预测。
表1
| 方法 | 预测一天 | 预测二天 |
| SVR | 0.3998 | 0.6158 |
| MLPR | 0.6633 | 0.8215 |
| LSTM | 0.0767 | 0.1775 |
| Grid-LSTM | 0.0567 | 0.1276 |
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (3)
1.海洋表面温度区域预测方法，其特征在于，具体包括：
假设待预测区域的网格大小为w×h，每个网格中沿着时间轴都存在一个实数的时间海表面温度序列x1,x2,……,xt，将待预测区域表面温度预测描述为一个二维矩阵的回归：已知一个三维网格数据表示的海洋表面温度预测其未来n天的温度值；
其中，w,h,t分别代表待预测区域网格化之后的宽度、长度和历史数据的时间长度，n表示要预测的时间长度；
构建N维网格长短期记忆网络结构：
由三维网格长短期记忆网络块沿着经度、纬度和时间三个方向堆叠而成，经度和纬度方向对区域的空间信息进行建模，每个长短期记忆网络块都对应于海表面区域的一个网格，每个块的输出都会作为相邻网格下一个时刻的输入，时间方向采用循环结构，对时序序列进行时间建模，其按照时间轴展开后的长度等于时间序列的长度；
对时序的区域海表面温度进行时空建模，时空建模结束后，网格长短期记忆网络的输出应该是m个w*h的特征图，其中m为每个块的隐藏神经元个数，最后使用一个卷积层，将这m个w*h的特征图映射到最后的预测输出。
2.如权利要求1所述的海洋表面温度区域预测方法，其特征在于，N维网格长短期记忆网络结构引入了门机制，具体为：
mt＝ft*mt-1+it*ct (5)
ht＝tanh(ot*mt) (6)
其中，xt代表t时刻的输入数据，it代表输入门(input gate)，ft代表忘记门(forgetgate)，ot代表输出门(output gate)，ct代表细胞状态(cell state)，ht代表隐藏层状态(hidden unit)，bi、bf、bo、bc分别代表偏置项。
将上述公式简写为：
N维网格长短期记忆网络结构接受N个h和N个m，如果是第一层还会有N个x输入，然后输出N个h′(即h′1，h′2…，h′N)和N个m’，具体如式(8)所示：
(h′1，m′1)＝LSTM(H，m1，W1)
(h′N，m′N)＝LSTM(H，mN，WN1) (8)
其中，
3.如权利要求1所述的海洋表面温度区域预测方法，其特征在于，构建N维网格长短期记忆网络结构中，使用由NOAA/OAR/ESRL PSD，Boulder，Colorado，USA提供的NOAA HighResolution SST数据集，该数据集包含了12868天的每天海表平均温度，覆盖范围包括89.875S至89.875N，0.125E至359.875E，空间分辨率为0.25×0.25度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282598.0A CN109978279B (zh) | 2019-04-10 | 2019-04-10 | 海洋表面温度区域预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910282598.0A CN109978279B (zh) | 2019-04-10 | 2019-04-10 | 海洋表面温度区域预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978279A true CN109978279A (zh) | 2019-07-05 |
| CN109978279B CN109978279B (zh) | 2023-05-02 |
Family
ID=67083755
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910282598.0A Active CN109978279B (zh) | 2019-04-10 | 2019-04-10 | 海洋表面温度区域预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978279B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110648030A (zh) * | 2019-10-31 | 2020-01-03 | 吉林大学 | 海水温度的预测方法及装置 |
| CN110909508A (zh) * | 2019-10-29 | 2020-03-24 | 中国石油化工股份有限公司 | 基于卷积长短期记忆网络的加热炉温度场实时预测方法 |
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 |
| CN112862090A (zh) * | 2021-01-22 | 2021-05-28 | 南开大学 | 一种基于深度时空神经网络的气温预报方法 |
| CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
| KR20180078807A (ko) * | 2016-12-30 | 2018-07-10 | 한국에너지기술연구원 | 해수면온도를 이용한 풍력자원 예측시스템 |
| CN108510132A (zh) * | 2018-07-03 | 2018-09-07 | 华际科工（北京）卫星通信科技有限公司 | 一种基于lstm的海表面温度预测方法 |
| CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
| CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
| CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 基于深度学习的城市精细化人口分布动态预测方法及装置 |
-
2019
- 2019-04-10 CN CN201910282598.0A patent/CN109978279B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180078807A (ko) * | 2016-12-30 | 2018-07-10 | 한국에너지기술연구원 | 해수면온도를 이용한 풍력자원 예측시스템 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN107103758A (zh) * | 2017-06-08 | 2017-08-29 | 厦门大学 | 一种基于深度学习的城市区域交通流量预测方法 |
| CN108510132A (zh) * | 2018-07-03 | 2018-09-07 | 华际科工（北京）卫星通信科技有限公司 | 一种基于lstm的海表面温度预测方法 |
| CN109063908A (zh) * | 2018-07-30 | 2018-12-21 | 浙江鸿程计算机系统有限公司 | 一种基于深度多任务学习的城市aqi预测与空间细粒度aqi等级估计方法 |
| CN109190795A (zh) * | 2018-08-01 | 2019-01-11 | 中山大学 | 一种区域间出行需求预测方法及装置 |
| CN109376969A (zh) * | 2018-12-14 | 2019-02-22 | 中南大学 | 基于深度学习的城市精细化人口分布动态预测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| QIN ZHANG: "Prediction of Sea Surface Temperature Using Long Short-Term Memory", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| 许柏宁等: "一种基于区域海表面温度异常预测的ENSO预报深度学习模型", 《科研信息化技术与应用》 * |
| 钱巧娅: "基于手机信令数据的区域交通流量预测技术研究", 《工程科技Ⅱ辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909508A (zh) * | 2019-10-29 | 2020-03-24 | 中国石油化工股份有限公司 | 基于卷积长短期记忆网络的加热炉温度场实时预测方法 |
| CN110648030A (zh) * | 2019-10-31 | 2020-01-03 | 吉林大学 | 海水温度的预测方法及装置 |
| CN111144666A (zh) * | 2020-01-02 | 2020-05-12 | 吉林大学 | 一种基于深度时空残差网络的海洋温跃层预测方法 |
| CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 |
| CN112862090A (zh) * | 2021-01-22 | 2021-05-28 | 南开大学 | 一种基于深度时空神经网络的气温预报方法 |
| CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
| CN113297801B (zh) * | 2021-06-15 | 2022-10-14 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978279B (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109978279A (zh) | 海洋表面温度区域预测方法 | |
| Cuadra et al. | Computational intelligence in wave energy: Comprehensive review and case study | |
| Karimi et al. | Neuro-fuzzy and neural network techniques for forecasting sea level in Darwin Harbor, Australia | |
| CN112651665B (zh) | 一种基于图神经网络的地表水水质指标预测方法和装置 | |
| Kholghi et al. | Comparison of groundwater level estimation using neuro-fuzzy and ordinary kriging | |
| CN112446559B (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和系统 | |
| CN107274030B (zh) | 基于水文变量年际和月变化特性的径流预报方法和系统 | |
| CN105787501A (zh) | 输电线路走廊区域自动选择特征的植被分类方法 | |
| Yadav et al. | Prediction of suspended sediment yield by artificial neural network and traditional mathematical model in Mahanadi river basin, India | |
| CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
| CN112560215B (zh) | 一种基于深度强化学习的电力选线方法 | |
| CN112182063A (zh) | 一种基于时空特征的水文预报模型的构建方法 | |
| CN117076893B (zh) | 一种基于长短期记忆神经网络的声速分布预报方法 | |
| CN116933621A (zh) | 一种基于地形特征深度学习的城市内涝模拟方法 | |
| CN117893362B (zh) | 一种多时空尺度的海上风电特征筛选及增强的功率预测方法 | |
| Wang et al. | Rapid prediction of urban flood based on disaster-breeding environment clustering and Bayesian optimized deep learning model in the coastal city | |
| Shiri et al. | Forecasting daily stream flows using artificial intelligence approaches | |
| CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
| CN117241215A (zh) | 一种基于图神经网络的无线传感器网络分布式节点协作定位方法 | |
| CN115248992A (zh) | 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法 | |
| CN117934208A (zh) | 一种基于多通道深度网络的多源数据海上风电预测方法 | |
| CN117237781A (zh) | 一种基于注意力机制的双元素融合时空预测方法 | |
| CN117634554A (zh) | 基于空间信息融合的时空深度学习径流预测方法及系统 | |
| CN117034628A (zh) | 基于区域海气耦合模式的台风数值模拟预报方法及系统 | |
| Yang et al. | Assessment of regional-scale geothermal production based on a hybrid deep learning model: A case study of the southern Songliao Basin, China |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |