CN112541613B - 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 - Google Patents
一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 Download PDFInfo
- Publication number
- CN112541613B CN112541613B CN202011235234.6A CN202011235234A CN112541613B CN 112541613 B CN112541613 B CN 112541613B CN 202011235234 A CN202011235234 A CN 202011235234A CN 112541613 B CN112541613 B CN 112541613B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- sea surface
- remote sensing
- data
- sensing data
- 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.)
- Active
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims abstract description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- 125000004122 cyclic group Chemical group 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 239000013535 sea water Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- 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"
-
- 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
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法,属于海洋遥感技术领域,本发明结合了卷积神经网络和循环神经网络的特点,能有效处理时间序列遥感数据的批量性问题,预测海表面温度季节性和年度长期趋势,并通过时间信息来展示空间信息要素,预测未来海表面温度在周期变化下的空间特征。方法包含如下步骤:接收卫星海表面温度遥感数据;遥感数据预处理;将归一化后的值作为生成器的标签值;建立样本生成器;随机选取生成器中的数据进行训练。海表面温度遥感数据时间序列长,本发明基于遥感数据预测海表面温度的方法,能有效处理时间序列遥感数据的批量性问题,预测海表面温度季节性和年度长期趋势。
Description
技术领域
本发明涉及海洋遥感技术领域,尤其涉及一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法。
背景技术
海水温度是海洋最基本的环境参数之一。海水温度在渔业资源、海洋环境污染监测、海洋动力学和海气相互作用等方面都有着广泛的应用。海水表面温度的测量通常包括现场实测和卫星遥感,现场实测数据主要是来自船只测量和固定或移动浮标网络的测量,这些数据在校正卫星数据和提供大量实测温度数据方面起着关键作用。但其覆盖面有限,且得到的海水温度数据仅是几个点或断面的,无法实现大范围海域海水温度的同步测量。卫星遥感是进行海表面温度监测的有效手段之一,可以获得实时、动态和大面积的海洋表面温度数据。时间序列上某个时间点的数据与其周围的时间点上的数据有一定的相关性,而这种相关性就是系统具有的动态规律。结合卫星遥感技术和时间序列分析方法来预测海表面温度可以更加有效地对海表面温度时空特性进行研究。
Casal G等(2017年)对1982-2015年的AVHRR海表面温度遥感数据进行时空变化分析,并将季节变暖趋势和年际变暖趋势进行了对比。Xiao C等(2019年)在东海某区域利用36年星载海表面温度遥感数据,建立了长短记忆神经网络模型,该模型对短期和中期海表面温度的预测精度较高。基于传统的时间序列网络,其没有将时间性与空间性很好地相结合,对批量处理多年的海表面温度数据的效果较差。因此,业内存在一种技术需求:发明一种考虑遥感数据时空相关性,能克服传统处理时间序列遥感数据的批量性问题,更为有效的海表面温度预测计算方法。
发明内容
本发明的目的是提供一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法,本发明的技术方案如下:
一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法,包含如下步骤:
步骤100,接收卫星海表面温度遥感数据;
步骤101,遥感数据预处理,数据按时间排列(删除闰日,创建一年中的每一天的时间序列并对总体的海表面温度数据进行归一化处理,公式如下:
其中,xnormalizatin为海表面温度数据0-1内归一化的值,Max为时间步长内海表面温度的最大值,Min为时间步长内海表面温度的最小值,x为时间步长内海表面温度的每日网格数据值。
步骤102,将归一化后的值作为生成器的标签值,使得标签值符合测量月份的空间维度特征,同时也保证时间特征内其他月份的精度值;
步骤103,建立样本生成器;
步骤104,随机选取生成器中的数据进行训练;
步骤105,利用Keras建立多层卷积长短记忆神经网络模型 (ConvLSTM);
优化器使用Tensorflow内置Keras自带的keras.optimizers.Adam, Adam是自适应矩估计,在训练过程中Adam会根据一阶矩估计和二阶矩估计动态调整参数的学习率,以获得最佳的训练结果。训练的停止方式使用早停策略,早停策略可以有效地防止过拟合现象。
ConvLSTM模型采用门结构控制信息流动,权重一部分放到了卷积核内,一部分放入循环层的循环核。卷积核Wi、Wf、Wo在空间二维矩阵滑窗,得到的卷积结果,按照门结构进行输入、更新细胞状态、遗忘、输出,公式如下:
ht=ot.tanh(ct) (6)
其中,it为输入门,ft为遗忘门,ct为细胞状态,ot为输出门,ht为隐含层输出,σ为sigmoid函数,b为偏置量,h为隐藏状态。
步骤106,使用2D卷积网络层实现预测结果特征输出,并利用均方差(MSE)进行误差评估,公式如下:
其中,yreal为海表面温度数据的真实值,ypred为海表面温度数据的预测值;
步骤107,海表面温度预测数据可视化的输出。
本发明的优点是:
(1)海表面温度遥感数据时间序列长,本发明基于遥感数据预测海表面温度的方法,能有效处理时间序列遥感数据的批量性问题,预测海表面温度季节性和年度长期趋势;
(2)本发明基于遥感数据预测海表面温度的方法,结合了卷积神经网络和循环神经网络的特点,可以通过时间信息来展示空间信息要素,预测未来海表面温度在周期变化下的空间特征;
(3)本发明通过对其均方误差进行计算,评估步长的连续预测效果,相对总体误差较小,预测精度较高;
(4)比起实测数据,使用更加快捷、自动化、减少人工。
附图说明
图1为本发明的方法流程示意图。
图2为模型流程示意图。
图3为本发明一个实施例2019年1月、4月、7月和10月研究区域海表面温度遥感数据对比图。
图4为本发明一个实施例2019年1月、4月、7月和10月研究区域海表面温度预测数据对比图。
图5为本发明一个实施例2019年1月、4月、7月和10月训练集和验证集的均方差对比图。
图6为本发明一个实施例2019年1月、4月、7月和10月训练集和验证集的精度对比图。
具体实施方式
下面结合附图对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
随着全球科技的日新月异,各国竞相发射自己的遥感卫星。随着“星源”不断地增多,遥感信息技术为人类认识海洋世界提供了多源、多尺度时空信息的有效手段,为海洋温度监测、预报和科学研究的开展提供了丰富的资料。特别是在长时间序列的全球海洋温度数据采集方面,具有常规调查方法所不能替代的优势。如何有效利用长时间序列的多源遥感数据获得高精度的海表面温度预测产品,仍是目前亟需解决的问题之一,本发明的目的是提供一种基于遥感数据的海表面温度预测计算方法。
如图1和图2所示,图1为本发明的方法流程示意图,图2为模型流程示意图:
步骤100,接收卫星海表面温度遥感数据;
步骤101,遥感数据预处理,数据按时间排列(删除闰日,创建一年中的每一天的时间序列并对总体的海表面温度数据进行归一化处理,公式如下:
其中,xnormalizatin为海表面温度数据0-1内归一化的值,Max为时间步长内海表面温度的最大值,Min为时间步长内海表面温度的最小值,x为时间步长内海表面温度的每日网格数据值。
步骤102,将归一化后的值作为生成器的标签值,使得标签值符合测量月份的空间维度特征,同时也保证时间特征内其他月份的精度值;
步骤103,建立样本生成器;
步骤104,随机选取生成器中的数据进行训练;
步骤105,利用Keras建立多层卷积长短记忆神经网络模型 (ConvLSTM);
优化器使用Tensorflow内置Keras自带的keras.optimizers.Adam, Adam是自适应矩估计,在训练过程中Adam会根据一阶矩估计和二阶矩估计动态调整参数的学习率,以获得最佳的训练结果。训练的停止方式使用早停策略,早停策略可以有效地防止过拟合现象。
ConvLSTM模型采用门结构控制信息流动,权重一部分放到了卷积核内,一部分放入循环层的循环核。卷积核Wi、Wf、Wo在空间二维矩阵滑窗,得到的卷积结果,按照门结构进行输入、更新细胞状态、遗忘、输出,公式如下:
ht=ot.tanh(ct) (6)
其中,it为输入门,ft为遗忘门,ct为细胞状态,ot为输出门,ht为隐含层输出,σ为sigmoid函数,b为偏置量,h为隐藏状态。
步骤106,使用2D卷积网络层实现预测结果特征输出,并利用均方差(MSE)进行误差评估,公式如下:
其中,yreal为海表面温度数据的真实值,ypred为海表面温度数据的预测值;
步骤107,海表面温度预测数据可视化的输出。
为了验证本发明方法的准确性,我们选取西北太平洋部分海域2009年-2019年遥感数据进行了验证,对采用本发明方法计算预测得到的海表面温度数据,进行了均方差和精度的评估。图3为2019年 1月、4月、7月和10月研究区域海表面温度遥感数据,图4为2019年1月、4月、7月和10月研究区域海表面温度预测数据,图5为 2019年1月、4月、7月和10月训练集和验证集的均方差,图6为训练集和验证集的精度。从图5和图6可以看出,均方差稳定在0.05 左右,训练集和验证集的精度稳定在0.93左右,表明本发明方法计算可以有效地预测海表面温度数据。
应当理解的是,上述对实施例的详细说明仅为了理解本发明,对本领域普通技术人员而言,可以根据上述说明加以改进或变换。只要是达到此目的的所有改进和变换都应属于本发明所附权利要求的保护范围。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法,其特征在于,包含如下步骤:
步骤100,接收卫星海表面温度遥感数据;
步骤101,遥感数据预处理,数据按时间排列删除闰日,创建一年中的每一天的时间序列并对总体的海表面温度数据进行归一化处理,公式如下:
其中,xnormalizatin为海表面温度数据0-1内归一化的值,Max为时间步长内海表面温度的最大值,Min为时间步长内海表面温度的最小值,x为时间步长内海表面温度的每日网格数据值;
步骤102,将归一化后的值作为生成器的标签值,使得标签值符合测量月份的空间维度特征,同时也保证时间特征内其他月份的精度值;
步骤103,建立样本生成器;
步骤104,随机选取生成器中的数据进行训练;
步骤105,利用Keras建立多层卷积长短记忆神经网络模型(ConvLSTM);
优化器使用Tensorflow内置Keras自带的keras.optimizers.Adam,Adam是自适应矩估计,在训练过程中Adam会根据一阶矩估计和二阶矩估计动态调整参数的学习率,以获得最佳的训练结果,训练的停止方式使用早停策略,早停策略可以有效地防止过拟合现象,
ConvLSTM模型采用门结构控制信息流动,权重一部分放到了卷积核内,一部分放入循环层的循环核;卷积核Wi、Wf、Wo在空间二维矩阵滑窗,得到的卷积结果,按照门结构进行输入、更新细胞状态、遗忘、输出,公式如下:
ht=ot.tanh(ct) (6)
其中,it为输入门,ft为遗忘门,ct为细胞状态,ot为输出门,ht为隐含层输出,σ为sigmoid函数,b为偏置量,h为隐藏状态;
步骤106,使用2D卷积网络层实现预测结果特征输出,并利用均方差(MSE)进行误差评估,公式如下:
其中,yreal为海表面温度数据的真实值,ypred为海表面温度数据的预测值;
步骤107,海表面温度预测数据可视化的输出。
2.根据权利要求1所述的一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法,其特征在于,所述步骤101中,数据预处理的具体方法包括:数据按时间排列,删除闰日,创建一年中的每一天的时间序列并对总体的海表面温度数据进行归一化处理。
3.根据权利要求1所述的一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法,其特征在于,所述步骤102中,将归一化后的值作为生成器的标签值,使得标签值符合测量月份的空间维度特征,同时也保证时间特征内其他月份的精度值。
4.根据权利要求1所述的一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法,其特征在于,所述步骤105中,利用Keras建立多层ConLSTM模型,ConvLSTM模型采用门结构控制信息流动,权重一部分放到了卷积核内,一部分放入循环层的循环核;卷积核Wi、Wf、Wo在空间二维矩阵滑窗,得到的卷积结果,按照门结构进行输入、更新细胞状态、遗忘、输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011235234.6A CN112541613B (zh) | 2020-11-08 | 2020-11-08 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011235234.6A CN112541613B (zh) | 2020-11-08 | 2020-11-08 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112541613A CN112541613A (zh) | 2021-03-23 |
CN112541613B true CN112541613B (zh) | 2024-04-05 |
Family
ID=75013943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011235234.6A Active CN112541613B (zh) | 2020-11-08 | 2020-11-08 | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112541613B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114414090B (zh) * | 2021-12-14 | 2023-04-28 | 厦门大学 | 基于遥感影像和多层感知的地表温度预测方法及系统 |
CN114936620B (zh) * | 2022-03-04 | 2024-05-03 | 中国人民解放军国防科技大学 | 基于注意力机制的海表面温度数值预报偏差订正方法 |
CN115063688A (zh) * | 2022-06-14 | 2022-09-16 | 蓝箭航天空间科技股份有限公司 | 生态环境质量评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110715808A (zh) * | 2019-09-25 | 2020-01-21 | 中车青岛四方机车车辆股份有限公司 | 故障检测方法及装置 |
CN110765878A (zh) * | 2019-09-20 | 2020-02-07 | 苏州大圜科技有限公司 | 一种短时降雨预测方法 |
CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
CN111738329A (zh) * | 2020-06-19 | 2020-10-02 | 中南大学 | 一种面向时间序列遥感影像的土地利用分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110009213B (zh) * | 2019-03-28 | 2021-10-22 | 交通运输部水运科学研究所 | 一种基于长时间序列卫星遥感数据的航道工程生态影响跟踪监测评价方法 |
-
2020
- 2020-11-08 CN CN202011235234.6A patent/CN112541613B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110765878A (zh) * | 2019-09-20 | 2020-02-07 | 苏州大圜科技有限公司 | 一种短时降雨预测方法 |
CN110715808A (zh) * | 2019-09-25 | 2020-01-21 | 中车青岛四方机车车辆股份有限公司 | 故障检测方法及装置 |
CN111652443A (zh) * | 2020-06-05 | 2020-09-11 | 上海海洋大学 | 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用 |
CN111738329A (zh) * | 2020-06-19 | 2020-10-02 | 中南大学 | 一种面向时间序列遥感影像的土地利用分类方法 |
Non-Patent Citations (1)
Title |
---|
基于神经网络的长江口深水航道海域悬浮泥沙浓度研究;张宏;韩震;;海洋通报;20100415(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112541613A (zh) | 2021-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112541613B (zh) | 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法 | |
Qiao et al. | Sea surface temperature prediction approach based on 3D CNN and LSTM with attention mechanism | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
Ai et al. | Sea surface temperature inversion model for infrared remote sensing images based on deep neural network | |
CN113139327B (zh) | 一种基于gru网络模型的电离层tec单点预测方法及系统 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN114861840B (zh) | 一种多源降水数据融合方法 | |
Ishida et al. | Hourly-scale coastal sea level modeling in a changing climate using long short-term memory neural network | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
Zhou et al. | Multilayer fusion recurrent neural network for sea surface height anomaly field prediction | |
Zhang et al. | All‐factor short‐term photovoltaic output power forecast | |
Sen | Time Series Prediction based on Improved Deep Learning | |
Jiang et al. | Evaluating the most significant input parameters for forecasting global solar radiation of different sequences based on Informer | |
Lin et al. | Optimal transformer modeling by space embedding for ionospheric total electron content prediction | |
Huang et al. | Short-Term PV Power Forecasting Based on CEEMDAN and Ensemble DeepTCN | |
Niu et al. | De-Trend First, Attend Next: A Mid-Term PV forecasting system with attention mechanism and encoder–decoder structure | |
CN116485010B (zh) | 一种基于循环神经网络的s2s降水预测方法 | |
Brahma et al. | Visualizing solar irradiance data in ArcGIS and forecasting based on a novel deep neural network mechanism | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
CN117114168A (zh) | 一种长时间尺度的海面温度智能预报方法 | |
CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
Nguyen et al. | Deep learning models for predicting co2 flux employing multivariate time series |
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 |