CN116910534A - 一种不同海域海洋环境要素时空智能预测方法和装置 - Google Patents

一种不同海域海洋环境要素时空智能预测方法和装置 Download PDF

Info

Publication number
CN116910534A
CN116910534A CN202310670766.XA CN202310670766A CN116910534A CN 116910534 A CN116910534 A CN 116910534A CN 202310670766 A CN202310670766 A CN 202310670766A CN 116910534 A CN116910534 A CN 116910534A
Authority
CN
China
Prior art keywords
data
data set
training
model
marine environment
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.)
Pending
Application number
CN202310670766.XA
Other languages
English (en)
Inventor
吴昊臻
令狐龙翔
程如锦
郭源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202310670766.XA priority Critical patent/CN116910534A/zh
Publication of CN116910534A publication Critical patent/CN116910534A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种不同海域海洋环境要素时空智能预测方法，包括：获取不同卫星测量的多来源的海洋环境要素数据，将多来源的海洋环境要素数据弥补和插值融合后进行数据对齐，得到初始数据集；利用门控循环单元的GRU‑D模型进行标注，标注出初始数据集中正常和异常的数据，得到一个不完备的数据集；对不完备的数据集进行预测和反演，填补不完备的数据集中缺失数据，并对其中异常的数据进行处理。本发明的技术方案通过构建组合模型不仅可以对海洋环境要素进行缺失值填补与异常值处理，还可以对未来的海洋环境要素进行预测，为海洋科学研究做出贡献，给全球不同海域的海洋环境要素测量过程提供更为方便快捷的方式。

Description

一种不同海域海洋环境要素时空智能预测方法和装置
技术领域
本发明涉及海洋科学技术领域，尤其涉及一种不同海域海洋环境要素时空智能预测方法和装置。
背景技术
不同海域的不同海洋环境要素具有不同变化特点，甚至同一海域的不同要素也具有不同变化特点，例如海洋的温度一天之内的变化就很明显，而风速和风向与季节变化的相关性较强，盐度单个海域的变化不大，但海域与海域之间就存在差别。
海洋环境要素众多：风速、风向、波高、波向和波周期等，其中海洋的盐度、浪向、浪高等要素测量困难，使得卫星收集到的数据存在大量值缺失。由于测量数据的卫星不同，测量数据的时间间隔、海域的经纬度、海洋要素的种类不同，使得测出的数据的分辨率不同。正常情况下，即便是同一海域的数据，仍可能来自不同的卫星、呈现出不同的测量精度，所获得的数据不足以涵盖该海域中所有要素，并且传统方法无法规避数据中的异常值。该问题不仅会导致大量的数据浪费，在对数据进行后续人为遴选时也会增加研究者的工作强度。
例如，某日在某测量位置：卫星A在6:00测出风速为8m/s，卫星B在6:00测量出浪高为1m，在12:00时刻测出浪高为2m。整合这两个数据发现，在6:00时刻，可以得到该位置的风速和浪高，而在12:00时刻，由于卫星A、B的测量的时间间隔不同，使得此时的信息不全。
海洋环境要素受多重因素(温度、季节、风等)影响，使得要素之间呈现出非线性关系，譬如：全国年日照时数与温度呈负相关关系，相关系数为-0.52；与风速呈正相关关系，相关系数为0.76；与降水呈负相关关系，相关系数为-0.27；前两者均通过了99.9％的信度检验，后者通过了95％的信度检。寻找这些要素之间的联系十分困难，而传统只能利用这些海洋环境要素之间单一、不准确的关系，利用线性关系式解出结果，预测的准确度较低，使得传统模型不能满足实践需求。
发明内容
为了解决上述问题，本发明提供了一种不同海域海洋环境要素时空智能预测方法，包括以下步骤：
S1、获取不同卫星测量的多来源的海洋环境要素数据，将多来源的海洋环境要素数据弥补和插值融合后进行数据对齐，得到初始数据集；
S2、利用门控循环单元的GRU-D模型进行标注，标注出初始数据集中正常和异常的数据，得到一个不完备的数据集；
S3、对不完备的数据集进行预测和反演，填补不完备的数据集中缺失数据，并对其中异常的数据进行处理。
进一步地，步骤S1中，海洋环境要素数据包括：风速、风向、波高、波向、波周期。
进一步地，步骤S3中，基于Keras，通过分别构建LSTM和DNN两种模型，并将两种模型得到的结果相结合的方式对不完备的数据集进行预测和反演。
进一步地，所述LSTM模型的训练方法为：
获取海洋环境要素数据的完备的数据集，完备数据集为海洋环境要素正常数据的先验信息，将完备的数据集划分为训练数据集和测试数据集；
设置LSTM模型初始的结构和参数信息，并通过训练数据集对LSTM模型进行训练；
根据训练得到的效果，对LSTM模型的结构和参数进行调整，得到训练后的模型；
将训练集和测试集分别划分为数据量不同的几个数据集，并分别输入模型，对数据量相同的训练集和测试集得到的结果曲线分别进行拟合，找到曲线拟合度最好的那组数据量作为测试集和训练集的数据量。
进一步地，所述DNN模型的训练方法为：
获取海洋环境要素数据的完备的数据集，完备数据集为海洋环境要素正常数据的先验信息，通过完备的数据集构建训练数据集；
使用训练数据集对DNN模型进行训练，在训练过程中不断更新DNN模型的神经元权重和偏差，并计算训练得到的值与目标数据之间的损失值，损失值随迭代次数增加而更新，当迭代达到一定次数后，损失值不再减小时，神经网络训练完毕，保存其神经元权重与偏差的值，并用测试数据集进行验证。
一种不同海域海洋环境要素时空智能预测装置，包括：
处理器；
存储器，其上存储有可在所述处理器上运行的计算机程序；
其中，所述计算机程序被所述处理器执行时实现一种不同海域海洋环境要素时空智能预测方法。
本发明提供的技术方案带来的有益效果是：
本发明的技术方案将不同卫星测量所带来的不同分辨率的数据进行多源数据融合，利用门控循环单元(GateRecurrentUnit,GRU)的GRU-D模型进行标注出正常和异常的数据，将LSTM模型和深度神经网络(DNN)相结合进行海洋环境要素数据的预测和反演，完成对此类异常值的处理和缺失值的填补，并对未来海洋环境要素数据进行预测。不仅可以对海洋环境要素进行缺失值填补与异常值处理，还可以对未来的海洋环境要素进行预测，为海洋科学研究做出贡献，给全球不同海域的海洋环境要素测量过程提供更为方便快捷的方式。
附图说明
图1是本发明实施一种不同海域海洋环境要素时空智能预测方法的流程图；
图2是本发明实施一种不同海域海洋环境要素时空智能预测方法的流程框图；
图3是本发明实施例输入不同风速数据量对LSTM网络模型精度的影响图；
图4是本发明实施例基于LSTM对黄海2017年1月部分风速和波高数据预测图；
图5是本发明实施例DNN模型训练过程中均方根误差和准确率随权重更新次数的变化图；
图6是本发明实施例基于黄海2017年风速和波高数据的DNN模型预测结果图；
图7是本发明实施例基于深度神经网络预测黄海有效波高和波周期图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。
本实施例的一种不同海域海洋环境要素时空智能预测方法的流程图和流程框图如图1和图2所示，具体包括以下步骤：
S1、获取不同卫星测量的多来源的海洋环境要素数据，将不同卫星测量得到的不同分辨率的数据弥补和插值融合后进行数据对齐，从混乱的原始数据中提取出可用的数据，完成多源数据融合并建立数据集。海洋环境要素数据包括：风速、风向、波高、波向、波周期等。
S2、得到的海域海洋环境要素测量值由于测量误差和不确定因素含有异常值，本发明利用门控循环单元(GateRecurrentUnit,GRU)的GRU-D模型进行标注，标注出正常和异常的数据，得到一个不完备的数据集。
S3、对不完备的数据集进行预测和反演，填补不完备的数据集中缺失数据，并对其中异常的数据进行处理。
数据的反演指的是，通过两种或多种元素之间的相关关系，通过其他数据来推理某一个数据的过程。数据的预测指的是，根据已有的规律来推断现在缺失的和未来的数据。
Keras是一个由Python编写的开源人工神经网络库，并且Keras神经网络框架封装性好，在建模逻辑上比较清晰。为了实现异常值处理、缺失值的填补和智能预测等功能，本发明在Keras神经网络库的基础上，基于LSTM模型和DNN模型训练了两种模型。
其中，LSTM，全称LongShortTermMemory(长短期记忆)是一种特殊的递归神经网络。LSTM可以利用时间序列对输入进行分析，可以解决处理长序列海洋环境要素数据时容易出现梯度消失或梯度爆炸的问题，因此它善于预测风速、波高等的时间序列。
将数据集通过LSTM模型并返回的过程称为nb_epoch。数据的多样性会对nb_epoch值有影响，随着nb_epoch数量的增加，神经网络的权重的更新次数增加，通过模型得到的数据曲线与真实的曲线之间从欠拟合到过拟合，需要找到一个合适的nb_epoch值。LSTM网络受不同参数的设置的影响，需要先对不同参数对海洋环境参数数据的预测影响进行分析。
LSTM模型的训练方法为：
获取海洋环境要素数据的完备的数据集，完备数据集为海洋环境要素正常数据的先验信息，将完备的数据集划分为训练数据集和测试数据集；
设置LSTM模型初始的结构和参数信息，并通过训练数据集对LSTM模型进行训练；
根据训练得到的效果，对LSTM模型的结构和参数进行调整，得到训练后的模型；
将训练集和测试集分别划分为数据量不同的几个数据集，并分别输入模型，对数据量相同的训练集和测试集得到的结果曲线分别进行拟合，找到曲线拟合度最好的那组数据量作为测试集和训练集的数据量。
图3是本发明实施例输入不同风速数据量对LSTM网络模型精度的影响图。以黄海为例，本发明计算了数据集数据量分别为20、40和60时，不同仿真实验下训练集和测试集的均方根误差。由结果可知，数据集的大小对测试精度有很大影响。数据集为40组时，较为稳定。数据集为60(15天)时，测试集与训练集之间存在反常的精度反转，可能存在过拟合现象。
图4是本发明实施例基于LSTM对黄海2017年1月部分风速和波高数据预测图，给定训练数据量为40后，图4仅向后预测12组风速和波高数据的情况，原始数据对应于黄海2017年1月8日18时至11日18时。由图可见，预测所得的风速与波高和原始数据趋势类似，且均方根误差分别为1.507和0.328，可认为预测是成功的。
DNN，全称Deep-LearningNeuralNetwork(深度学习神经网络)。DNN善于通过其他数据来推断，所以它善于根据变量间的关系来进行数据的反演和预测。
DNN模型的训练方法为：
获取海洋环境要素数据的完备的数据集，完备数据集为海洋环境要素正常数据的先验信息，通过完备的数据集构建训练数据集；
本发明实施例是基于Keras神经网络库的DNN模型，使用训练数据集对DNN模型进行训练，在训练过程中不断更新DNN模型的神经元权重和偏差，并计算训练得到的值与目标数据之间的损失值，损失值随迭代次数增加而更新，当迭代达到一定次数后，损失值不再减小时，神经网络训练完毕，保存其神经元权重与偏差的值，并用测试数据集进行验证。
以黄海为例，筛选出1196组数据，使用1000组进行训练，196组利用训练好的模型预测结果。令batch_size为4(当一个nb_epoch对于计算机而言太庞大的时候，就需要把它分成多个小块(batch)，而每一块的大小则由batch_size决定)，将训练模型分成250份，每一次nb_epoch网络模型都将对这250份数据进行训练并计算其损失函数和准确率，即nb_epoch＝10时，网络模型要对划分好的数据集进行2500次权重更新，每一次权重更新就是一次迭代，但只处理一小块规模为batch_size的数据。
图5是本发明实施例DNN模型训练过程中均方根误差和准确率随权重更新次数的变化图；图5显示出均方根误差和准确率在每次网络权重更新过程中的变化情况。随着迭代次数的增加，损失函数逐渐趋于稳定，抖动不再剧烈，准确率也达到稳定。
图6是本发明实施例基于黄海2017年风速和波高数据的DNN模型预测结果图。
图6给出神经网络模型中隐含层变化时，网络训练的结果和相应的预测效果，输入层数据均为风速和风向，输出层均为有效波高数据，简称波高。其中图6(a)中分别计算了隐含层节点数为6和12，以及两层隐含层时，网络训练过程中均方根误差和准确率的变化情况，隐含层节点数少时，神经网络模型需要较长的权重更新次数才能达到稳定，最终的准确率在0.7左右。由于节点数增多之后，需要计算更多的损失函数值，两层隐含层带来的训练结果并不好。由结果可知，节点数为12时的一层隐含层训练结果最好，而二层隐含层的训练结果存在过拟合现象。
图7是本发明实施例基于深度神经网络预测黄海有效波高和波周期图，图7利用节点数为12的一层隐含层神经网络预测黄海有效波高和波周期。图7(a)结合风速和波周期作为输入，训练神经网络预测相应的波高，最终准确率为0.83，均方根误差为0.03，结果明显好于直接利用风速风向预测波高；可见，进一步的模型优化，需要考虑其他海洋气象参数对海浪的影响。此外，图7(b)将输入改为风速和波高，预测相应的波周期，最终的准确率高达0.91，均方根误差为0.27。表明不同海洋环境要素之间的相关关系有强弱之分，而LSTM网络也受不同参数的设置的影响，需要先对不同参数对海洋环境参数数据的预测影响进行分析。
由于LSTM模型能够较好地捕捉到时间序列中海洋要素之间的长期依赖关系，并且DNN可以使得数据的平均损失值最小化，本发明实施例以LSTM模型和DNN模型相结合的方式来处理多要素之间的相互关系并建立模型，进行海洋要素数据的预测和反演。
根据上述方式，基于得到的不完备数据集，利用步骤三所得到的LSTM模型与DNN模型，两者结合使用来针对标注的缺失值，进行缺失值的填补功能。
通过模型的预测和反演补全数据后建立起完备的数据集，利用LSTM模型和DNN模型可以对未来的海洋环境要素的数据进行预测。
本发明实施例不是简单的通过波高去预测波高，而是利用其他相关性强的海洋环境要素去预测波高，使得准确率更高。
本发明实施例还包括一种不同海域海洋环境要素时空智能预测装置，包括：
处理器；
存储器，其上存储有可在处理器上运行的计算机程序；
其中，计算机程序被处理器执行时实现一种不同海域海洋环境要素时空智能预测方法。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种不同海域海洋环境要素时空智能预测方法，其特征在于，包括以下步骤：
S1、获取不同卫星测量的多来源的海洋环境要素数据，将多来源的海洋环境要素数据弥补和插值融合后进行数据对齐，得到初始数据集；
S2、利用门控循环单元的GRU-D模型进行标注，标注出初始数据集中正常和异常的数据，得到一个不完备的数据集；
S3、对不完备的数据集进行预测和反演，填补不完备的数据集中缺失数据，并对其中异常的数据进行处理。
2.根据权利要求1所述的一种不同海域海洋环境要素时空智能预测方法，其特征在于，步骤S1中，海洋环境要素数据包括：风速、风向、波高、波向、波周期。
3.根据权利要求1所述的一种不同海域海洋环境要素时空智能预测方法，其特征在于，步骤S3中，基于Keras，通过分别构建LSTM和DNN两种模型，并将两种模型得到的结果相结合的方式对不完备的数据集进行预测和反演。
4.根据权利要求3所述的一种不同海域海洋环境要素时空智能预测方法，其特征在于，所述LSTM模型的训练方法为：
获取海洋环境要素数据的完备的数据集，完备数据集为海洋环境要素正常数据的先验信息，将完备的数据集划分为训练数据集和测试数据集；
设置LSTM模型初始的结构和参数信息，并通过训练数据集对LSTM模型进行训练；
根据训练得到的效果，对LSTM模型的结构和参数进行调整，得到训练后的模型；
将训练集和测试集分别划分为数据量不同的几个数据集，并分别输入模型，对数据量相同的训练集和测试集得到的结果曲线分别进行拟合，找到曲线拟合度最好的那组数据量作为测试集和训练集的数据量。
5.根据权利要求3所述的一种不同海域海洋环境要素时空智能预测方法，其特征在于，所述DNN模型的训练方法为：
获取海洋环境要素数据的完备的数据集，完备数据集为海洋环境要素正常数据的先验信息，通过完备的数据集构建训练数据集；
使用训练数据集对DNN模型进行训练，在训练过程中不断更新DNN模型的神经元权重和偏差，并计算训练得到的值与目标数据之间的损失值，损失值随迭代次数增加而更新，当迭代达到一定次数后，损失值不再减小时，神经网络训练完毕，保存其神经元权重与偏差的值，并用测试数据集进行验证。
6.一种不同海域海洋环境要素时空智能预测装置，其特征在于，所述装置包括：
处理器；
存储器，其上存储有可在所述处理器上运行的计算机程序；
其中，所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的一种不同海域海洋环境要素时空智能预测方法。
CN202310670766.XA 2023-06-07 2023-06-07 一种不同海域海洋环境要素时空智能预测方法和装置 Pending CN116910534A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310670766.XA CN116910534A (zh) 2023-06-07 2023-06-07 一种不同海域海洋环境要素时空智能预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310670766.XA CN116910534A (zh) 2023-06-07 2023-06-07 一种不同海域海洋环境要素时空智能预测方法和装置

Publications (1)

Publication Number Publication Date
CN116910534A true CN116910534A (zh) 2023-10-20

Family

ID=88363711

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310670766.XA Pending CN116910534A (zh) 2023-06-07 2023-06-07 一种不同海域海洋环境要素时空智能预测方法和装置

Country Status (1)

Country Link
CN (1) CN116910534A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117453751A (zh) * 2023-12-22 2024-01-26 中国海洋大学 海洋大数据缓存加载系统、运行方法、装置和介质
CN118153640A (zh) * 2024-05-13 2024-06-07 南京信息工程大学 一种基于改进卷积神经网络的多源卫星有效波高融合方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117453751A (zh) * 2023-12-22 2024-01-26 中国海洋大学 海洋大数据缓存加载系统、运行方法、装置和介质
CN117453751B (zh) * 2023-12-22 2024-03-26 中国海洋大学 海洋大数据缓存加载系统、运行方法、装置和介质
CN118153640A (zh) * 2024-05-13 2024-06-07 南京信息工程大学 一种基于改进卷积神经网络的多源卫星有效波高融合方法

Similar Documents

Publication Publication Date Title
Zhang et al. Short-term rainfall forecasting using multi-layer perceptron
US11835677B2 (en) Systems and methods for selecting global climate simulation models for training neural network climate forecasting models
CN111767517B (zh) 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质
CN116910534A (zh) 一种不同海域海洋环境要素时空智能预测方法和装置
CN115935834B (zh) 一种基于深度自回归网络和持续学习策略的历史拟合方法
CN115077474A (zh) 一种基于机器学习的地面沉降趋势预测方法及系统
CN114861840B (zh) 一种多源降水数据融合方法
CN112668606B (zh) 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法
Lopes et al. Artificial neural networks approaches for predicting the potential for hydropower generation: a case study for Amazon region
CN115545159A (zh) 一种深度神经网络的平均海表面温度预报方法
CN110852415B (zh) 基于神经网络算法的植被指数预测方法、系统及设备
CN115270608A (zh) 基于arima与lstm的海岸带地面沉降预测方法
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN117113857B (zh) 全连接深度神经网络模型及反演海底地形的方法
CN114880734B (zh) 一种基于bp-lstm的钢混组合桥面系温度场及温度效应预测方法
Shaloo et al. Reference evapotranspiration prediction using machine learning models: An empirical study from minimal climate data
CN116681159A (zh) 一种基于鲸鱼优化算法和dresn的短期电力负荷预测方法
CN115062762A (zh) 一种海流轨迹预测方法
CN113703025B (zh) 一种面向gnss多种失效状态的车辆定位误差智能预测方法
Pape et al. Neural-network predictability experiments for nearshore sandbar migration
Zhang et al. Runoff estimation based on hybrid-physics-data model
CN118295016B (zh) 一种多元参数耦合数据－知识双驱动地震反演方法
CN118520411A (zh) 一种数据-知识融合驱动的少样本光伏功率集成预测方法
Pokharel et al. A Parsimonious Setup for Streamflow Forecasting using CNN-LSTM
Songchon Sequential assimilation of crowdsourced social media data into a simplified flood inundation model.

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