CN116976149B - 一种海表温度预测方法 - Google Patents
一种海表温度预测方法 Download PDFInfo
- Publication number
- CN116976149B CN116976149B CN202311230596.XA CN202311230596A CN116976149B CN 116976149 B CN116976149 B CN 116976149B CN 202311230596 A CN202311230596 A CN 202311230596A CN 116976149 B CN116976149 B CN 116976149B
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- model
- sea surface
- sub
- temperature prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims description 49
- 230000008859 change Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海表温度预测方法,属于海表温度预测技术领域,为了减小固有模型缺陷,提高海表温度预测精度,所述海表温度预测方法包括:S1:获取历史海表温度数据;S2:对所述历史海表温度数据进行数据处理,得到数据处理结果;S3:将所述数据处理结果作为海表温度预测模型的输入数据,以及,将海表温度真实值作为所述海表温度预测模型的输出数据对所述海表温度预测模型进行模型训练,得到训练好的海表温度预测模型;S4:利用所述训练好的海表温度预测模型进行海表温度预测。
Description
技术领域
本发明涉及海表温度预测技术领域,具体涉及一种海表温度预测方法。
背景技术
海表温度 SST(sea surface temperature)是影响海洋气候的重要因素,大量数据表明海表温度与海洋内部特征变化具有较大的相关性,提前预知海表温度对水声工程建设,渔业发展,环境监测,研究气候异常,海汽相互作用等方面具有重要意义。海表温度变化受多种影响因素影响,如盐度、叶绿素浓度、气旋温度等,使得SST变化规律不易被捕捉且变化规律扭曲,数据呈现较强的非平稳特点,且具有趋势变化项,季节性变化项及随机扰动及白噪声,神经网络直接运用于预测海温精度有待提高。目前海表温度预测工作主要以使用单一的一种神经网络模型进行预测,且仅限于使用单一时间序列对海表温度数据进行预测,主要缺陷集中表现在:
(1)神经网络难以捕捉非平稳数据,需要寻找一种合适的数据处理方式平滑数据。仅用神经网络对原始数据进行预测并不能很好的顾全海表温度线性及非线性分量的不同变化趋势,不能很好的捕捉海表温度的精细变化趋势;
(2)无论是传统预测模型或是神经网络模型,单一模型通常都存在不可避免的缺陷或不可靠性。组合模型可以集成多模型的优势,减少模型固有缺陷对预测值的影响;
(3)仅使用时间序列的滞后关系数据作为训练样本不能很好的预测由海域其他影响因素引起的海表温度变化及其异常变化趋势。
发明内容
本发明的目的在于提供一种海表温度预测方法,以能够减小固有模型缺陷,提高海表温度预测精度。
本发明解决上述技术问题的技术方案如下:
本发明提供一种海表温度预测方法,所述海表温度预测方法包括:
S1:获取历史海表温度数据;
S2:对所述历史海表温度数据进行数据处理,得到数据处理结果;
S3:将所述数据处理结果作为海表温度预测模型的输入数据,以及,将海表温度真实值作为所述海表温度预测模型的输出数据对所述海表温度预测模型进行模型训练,得到训练好的海表温度预测模型;
S4:利用所述训练好的海表温度预测模型进行海表温度预测。
作为一种实施例,所述S2包括:
S21:将所述历史海表温度数据经过EEMD分解为多模态分量;
S22:根据所述多模态分量的序列频率拟合同频序列,得到重构序列;
S23:将所述重构序列作为所述海表温度预测模型的第一输入参量;
S24:获取海表温度月际、年际、十年际变化影响的影响因子;
S25:将所有影响因子中符合预设条件的影响因子作为所述海表温度预测模型的第二输入参量;
S26:将所述第一输入参量和所述第二输入参量作为所述数据处理结果输出。
可选择地,所述海表温度预测模型通过以下方式确定:
利用拉格朗日乘子法对多元线性回归子模型和XGBOOST子模型进行结合。
可选择地,所述拉格朗日乘子法以最小误差为优化目标,所述海表温度预测模型的预测误差通过以下方式确定:
将所述多元线性回归子模型和所述XGBOOST子模型最优权重的确定过程转化为优化组合模型误差平方和最小问题;
根据多元线性回归子模型的误差和XGBOOST子模型的误差,利用拉格朗日乘子法,确定多元线性回归子模型的最优权重和XGBOOST子模型的最优权重;
根据所述多元线性回归子模型的最优权重和所述XGBOOST子模型的最优权重,确定所述海表温度预测模型的预测误差。
可选择地,将所述多元线性回归子模型和所述XGBOOST子模型最优权重的确定过程转化为优化组合模型误差平方和最小问题包括:
其中,表示海表温度预测模型在t时刻内预测误差平方和,p表示预测步长,t表示t时刻,/>表示多元线性回归-XGBOOST海表温度预测模型在t时刻的预测误差,a、g分别代表多元线性回归子模型及XGBOOST子模型。
可选择地,所述多元线性回归子模型的最优权重和所述XGBOOST子模型的最优权重分别为:
其中,和/>分别表示多元线性回归子模型的最优权重和XGBOOST子模型的最优权重,p表示预测步长,t表示t时刻,/>表示t时刻海表温度预测模型的预测误差,a、g分别代表多元线性回归子模型及XGBOOST子模型,/>和/>分别表示t时刻多元线性回归子模型误差和XGBOOST子模型误差。
可选择地,所述海表温度预测模型在t时刻的预测误差为:
其中,表示海表温度预测模型在t时刻的预测误差,/>、/>、/>和/>分别表示t时刻海表温度预测模型观测值、海表温度预测模型真实值、多元线性回归子模型预测值和XGBOOST子模型预测值,/>和/>分别表示t时刻多元线性回归子模型误差和XGBOOST子模型误差,/>和/>分别表示t时刻多元线性回归子模型的最优权重和XGBOOST子模型的最优权重。
作为另一种实施例,所述S2包括:
将所述历史海表温度数据经过EEMD分解为多模态分量;
将所述多模态分量作为所述数据处理结果输出。
可选择地,所述海表温度预测模型包括多元线性回归子模型和XGBOOST子模型,所述S3中,将所述数据处理结果作为海表温度预测模型的输入数据包括:
将所述多模态分量中具有线性特征部分的本征模态分量作为多元线性回归子模型的输入数据,
将所述多模态分量中具有非线性特征的序列和所述多元线性回归子模型的输出数据同时作为XGBOOST子模型的输入数据。
本发明具有以下有益效果:
(1)本发明使用XGBOOST子模型及多元线性回归模型预测海表温度,能够结合多种影响因子对海表温度进行准确预测,考虑多种影响因子对海表温度的影响以能够判定影响因子对海表温度的影响程度大小;
(2)本发明使用EMD经验模态分解将海表温度原始序列分解为多频率的本征子分量,并对不同趋势(月际、年际、十年际)分量的本征序列进行重组,提高海表温度预测模型对数据不同趋势的敏感度,并针对EMD易发生模态混叠的缺陷加入白噪声(即EEMD分解)进行改进,并且通过重组序列,可以结合不同的影响因子,增强网络中输入变量对海表温度的相关性;
(3)本发明可以自由选择影响因子作为输入变量输入,达到不同的应用需求,且排除了基于单一模型存在固有缺陷的特性,能够有效改善预测精度。
附图说明
图1为本发明海表温度预测模型的流程图;
图2为本发明具有影响因子影响的情况下,海表温度预测过程示意图;
图3为本发明无影响因子影响的情况下,海表温度预测过程示意图;
图4为本发明无影响因子影响的情况下,海表温度预测模型的数据处理过程示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
本发明提供一种海表温度预测方法,参考图1所示,所述海表温度预测方法包括:
S1:获取历史海表温度数据;
本发明历史海表温度数据是美国国家海洋和大气管理局(NOAA)的海表温度数据,选取时间为1948年1月至2021年 11月,时间分辨率为1月,经纬度为南海海域(东经118.5°,北纬22.5°),即图2和图3中的海表温度原始序列。
S2:对所述历史海表温度数据进行数据处理,得到数据处理结果;
在具有影响因子影响的情况下,参考图2所示,本发明对历史海表温度数据进行数据处理包括:
S21:将所述历史海表温度数据经过EEMD分解为多模态分量;
S22:根据所述多模态分量的序列频率拟合同频序列,得到重构序列;其中,重构序列包括月际、年际和十年际的不同趋势,以提高本发明海表温度预测模型对数据不同趋势的敏感度。
S23:将所述重构序列作为所述海表温度预测模型的第一输入参量;
S24:获取海表温度月际、年际、十年际变化影响的影响因子;
S25:将所有影响因子中符合预设条件的影响因子作为所述海表温度预测模型的第二输入参量;
需要说明的是,本发明将海表温度月际、年际、十年际变化影响较大的影响因子作为海表温度预测模型的第二输入参量,影响较大的影响因子可以是:月际:大气环流、潮汐运动、气温等;年际:ENSO、二氧化碳浓度等;十年际:太平洋海洋振荡(PDO)和大西洋年代振荡(AMO)等。
S26:将所述第一输入参量和所述第二输入参量作为所述数据处理结果输出。
S3:将所述数据处理结果作为海表温度预测模型的输入数据,以及,将海表温度真实值作为所述海表温度预测模型的输出数据对所述海表温度预测模型进行模型训练,得到训练好的海表温度预测模型;
在组合模型的研究工作中,基于误差权重对模型进行组合是一种常用的组合手段,一直以来权重的求解是模型构建中的研究人员关注的重点,子模型权重的设定对模型的优化具有较大的影响,本发明利用拉格朗日乘子法对多元线性回归子模型和XGBOOST子模型进行结合。
所述海表温度预测模型的预测误差通过以下方式确定:
拉格朗日乘子法以最小误差为优化目标,将所述多元线性回归子模型和所述XGBOOST子模型最优权重的确定过程转化为优化组合模型误差平方和最小问题;
其中,表示海表温度预测模型在t时刻内预测误差平方和,p表示预测步长,t表示t时刻,/>表示多元线性回归-XGBOOST海表温度预测模型在t时刻的预测误差,a、g分别代表多元线性回归子模型及XGBOOST子模型。
根据多元线性回归子模型的误差和XGBOOST子模型的误差,利用拉格朗日乘子法,确定多元线性回归子模型的最优权重和XGBOOST子模型的最优权重;
多元线性回归子模型的最优权重和所述XGBOOST子模型的最优权重分别为:
其中,和/>分别表示多元线性回归子模型的最优权重和XGBOOST子模型的最优权重,p表示预测步长,t表示t时刻,/>表示t时刻海表温度预测模型的预测误差,a、g分别代表多元线性回归子模型及XGBOOST子模型,/>和/>分别表示t时刻多元线性回归子模型误差和XGBOOST子模型误差。
根据所述多元线性回归子模型的最优权重和所述XGBOOST子模型的最优权重,确定所述海表温度预测模型的预测误差。
海表温度预测模型在t时刻的预测误差为:
其中,表示海表温度预测模型在t时刻的预测误差,/>、/>、/>和/>分别表示t时刻海表温度预测模型观测值、海表温度预测模型真实值、多元线性回归子模型预测值和XGBOOST子模型预测值,/>和/>分别表示t时刻多元线性回归子模型误差和XGBOOST子模型误差,/>和/>分别表示t时刻多元线性回归子模型的最优权重和XGBOOST子模型的最优权重。
S3:将所述数据处理结果作为海表温度预测模型的输入数据,以及,将海表温度真实值作为所述海表温度预测模型的输出数据对所述海表温度预测模型进行模型训练,得到训练好的海表温度预测模型;
S4:利用所述训练好的海表温度预测模型进行海表温度预测。
实施例2
S1:获取历史海表温度数据;
本发明历史海表温度数据是美国国家海洋和大气管理局(NOAA)的海表温度数据,选取时间为1948年1月至2021年 11月,时间分辨率为1月,经纬度为南海海域(东经118.5°,北纬22.5°),即图2和图3中的海表温度原始序列。
S2:对所述历史海表温度数据进行数据处理,得到数据处理结果;
作为另一种实施方式,即没有影响因子介入的情况下,参考图3所示,本发明对历史海表温度数据进行数据处理包括:
将所述历史海表温度数据经过EEMD分解为多模态分量;
将所述多模态分量作为所述数据处理结果输出。
S3:将所述数据处理结果作为海表温度预测模型的输入数据,以及,将海表温度真实值作为所述海表温度预测模型的输出数据对所述海表温度预测模型进行模型训练,得到训练好的海表温度预测模型;
基于此,海表温度预测模型包括多元线性回归子模型和XGBOOST子模型,海表温度经过EEMD分解后的部分IMF序列具有周期性及平滑趋势,即具有线性趋势,同时也具有非线性非周期性的非平稳振荡序列。因此在S3中,参考图4所示,将所述数据处理结果作为海表温度预测模型的输入数据包括:
将所述多模态分量中具有线性特征部分的本征模态分量作为多元线性回归子模型的输入数据,
将所述多模态分量中具有非线性特征的序列和所述多元线性回归子模型的输出数据同时作为XGBOOST子模型的输入数据,进行模型堆叠以集成多元线性回归线性预测优势。
S4:利用所述训练好的海表温度预测模型进行海表温度预测。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种海表温度预测方法,其特征在于,所述海表温度预测方法包括:
S1:获取历史海表温度数据;
S2:对所述历史海表温度数据进行数据处理,得到数据处理结果;
S3:将所述数据处理结果作为海表温度预测模型的输入数据,以及,将海表温度真实值作为所述海表温度预测模型的输出数据对所述海表温度预测模型进行模型训练,得到训练好的海表温度预测模型;
S4:利用所述训练好的海表温度预测模型进行海表温度预测;
所述S2包括:
S21:将所述历史海表温度数据经过EEMD分解为多模态分量;
S22:根据所述多模态分量的序列频率拟合同频序列,得到重构序列;
S23:将所述重构序列作为所述海表温度预测模型的第一输入参量;
S24:获取海表温度月际、年际、十年际变化影响的影响因子;
S25:将所有影响因子中符合预设条件的影响因子作为所述海表温度预测模型的第二输入参量;
S26:将所述第一输入参量和所述第二输入参量作为所述数据处理结果输出;
所述海表温度预测模型通过以下方式确定:
利用拉格朗日乘子法对多元线性回归子模型和XGBOOST子模型进行结合。
2.根据权利要求1所述的海表温度预测方法,其特征在于,
所述拉格朗日乘子法以最小误差为优化目标,所述海表温度预测模型的预测误差通过以下方式确定:
将所述多元线性回归子模型和所述XGBOOST子模型最优权重的确定过程转化为优化组合模型误差平方和最小问题;
根据多元线性回归子模型的误差和XGBOOST子模型的误差,利用拉格朗日乘子法,确定多元线性回归子模型的最优权重和XGBOOST子模型的最优权重;
根据所述多元线性回归子模型的最优权重和所述XGBOOST子模型的最优权重,确定所述海表温度预测模型的预测误差。
3.根据权利要求2所述的海表温度预测方法,其特征在于,将所述多元线性回归子模型和XGBOOST子模型最优权重的确定过程转化为优化组合模型误差平方和最小问题包括:
其中,表示海表温度预测模型在t时刻内预测误差平方和,p表示预测步长,t表示t时刻,/>表示多元线性回归-XGBOOST海表温度预测模型在t时刻的预测误差,a、g分别代表多元线性回归子模型及XGBOOST子模型。
4.根据权利要求2所述的海表温度预测方法,其特征在于,所述多元线性回归子模型的最优权重和所述XGBOOST子模型的最优权重分别为:
其中,和/>分别表示多元线性回归子模型的最优权重和XGBOOST子模型的最优权重,p表示预测步长,t表示t时刻,/>表示t时刻海表温度预测模型的预测误差,a、g分别代表多元线性回归子模型及XGBOOST子模型,/>和/>分别表示t时刻多元线性回归子模型误差和XGBOOST子模型误差。
5.根据权利要求2-4中任意一项所述的海表温度预测方法,其特征在于,所述海表温度预测模型在t时刻的预测误差为:
其中,表示海表温度预测模型在t时刻的预测误差,/>、/>、/>和/>分别表示t时刻海表温度预测模型观测值、海表温度预测模型真实值、多元线性回归子模型预测值和XGBOOST子模型预测值,/>和/>分别表示t时刻多元线性回归子模型误差和XGBOOST子模型误差,/>和/>分别表示t时刻多元线性回归子模型的最优权重和XGBOOST子模型的最优权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230596.XA CN116976149B (zh) | 2023-09-22 | 2023-09-22 | 一种海表温度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311230596.XA CN116976149B (zh) | 2023-09-22 | 2023-09-22 | 一种海表温度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976149A CN116976149A (zh) | 2023-10-31 |
CN116976149B true CN116976149B (zh) | 2023-12-29 |
Family
ID=88473375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311230596.XA Active CN116976149B (zh) | 2023-09-22 | 2023-09-22 | 一种海表温度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976149B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906989A (zh) * | 2021-03-31 | 2021-06-04 | 国家海洋信息中心 | 一种基于cnn-lstm的区域海表面温度预测方法 |
CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
CN114139590A (zh) * | 2021-05-27 | 2022-03-04 | 中国海洋大学 | 用于估算海洋温度的方法 |
CN115248992A (zh) * | 2022-07-18 | 2022-10-28 | 上海大学 | 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法 |
CN115359338A (zh) * | 2022-10-20 | 2022-11-18 | 南京信息工程大学 | 一种基于混合学习模型的海表温度预测方法及系统 |
CN115619025A (zh) * | 2022-10-26 | 2023-01-17 | 安徽大学 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
CN115688588A (zh) * | 2022-11-04 | 2023-02-03 | 自然资源部第一海洋研究所 | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 |
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
CN116187563A (zh) * | 2023-02-28 | 2023-05-30 | 南京信息工程大学 | 一种融合改进变分模态分解的海表温度时空智能预测方法 |
CN116341391A (zh) * | 2023-05-24 | 2023-06-27 | 华东交通大学 | 基于STPM-XGBoost模型的降水预测方法 |
CN116739161A (zh) * | 2023-06-07 | 2023-09-12 | 浙江大学 | 一种融合经验模态分解和Informer模型的海表面温度预测方法 |
-
2023
- 2023-09-22 CN CN202311230596.XA patent/CN116976149B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906989A (zh) * | 2021-03-31 | 2021-06-04 | 国家海洋信息中心 | 一种基于cnn-lstm的区域海表面温度预测方法 |
CN114139590A (zh) * | 2021-05-27 | 2022-03-04 | 中国海洋大学 | 用于估算海洋温度的方法 |
CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
CN115248992A (zh) * | 2022-07-18 | 2022-10-28 | 上海大学 | 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法 |
CN115359338A (zh) * | 2022-10-20 | 2022-11-18 | 南京信息工程大学 | 一种基于混合学习模型的海表温度预测方法及系统 |
CN115619025A (zh) * | 2022-10-26 | 2023-01-17 | 安徽大学 | 基于meemd与最优组合集成的电力负荷三角模糊预测方法 |
CN115688588A (zh) * | 2022-11-04 | 2023-02-03 | 自然资源部第一海洋研究所 | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 |
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
CN116187563A (zh) * | 2023-02-28 | 2023-05-30 | 南京信息工程大学 | 一种融合改进变分模态分解的海表温度时空智能预测方法 |
CN116341391A (zh) * | 2023-05-24 | 2023-06-27 | 华东交通大学 | 基于STPM-XGBoost模型的降水预测方法 |
CN116739161A (zh) * | 2023-06-07 | 2023-09-12 | 浙江大学 | 一种融合经验模态分解和Informer模型的海表面温度预测方法 |
Non-Patent Citations (4)
Title |
---|
A hybrid ARIMA-GABP model for predicting sea surface temperature;Guancheng Wang et al.;《Electronics》;第1-5页 * |
Application of entropy ensemble filter in neural network forecast of tropical pacific sea surface temperature;Hossein Foroozand et al.;《Entropy》;第1-13页 * |
基于BP神经网络的海表温度预测;曾祥海 等;《电子制作》;第30卷(第16期);第82-85页 * |
基于EEMD和ARIMA的海温预测模型研究;张莹 等;《海洋学研究》;第37卷(第01期);第9-14页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116976149A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884217B (zh) | 一种基于多模型集成的海面高预报方法 | |
CN116976149B (zh) | 一种海表温度预测方法 | |
Garai et al. | An MRA Based MLR Model for Forecasting Indian Annual Rainfall Using Large Scale Climate Indices | |
CN113723541A (zh) | 一种基于混合智能算法的边坡位移预测方法 | |
Tang et al. | An EMD-PSO-LSSVM hybrid model for significant wave height prediction | |
CN115879498A (zh) | 一种基于图神经网络的海洋环境参数快速精细化预报方法 | |
CN116029617B (zh) | 质量验收表单的生成方法、装置、设备及可读存储介质 | |
CN116739161A (zh) | 一种融合经验模态分解和Informer模型的海表面温度预测方法 | |
CN112819244A (zh) | 一种基于气象因子的rf-hw水质指标混合预测方法 | |
CN117288257A (zh) | 基于水下探测设备智能监测海洋环境的方法、装置及系统 | |
CN116611552A (zh) | 一种基于目标监测数据的船舶交通流量预测方法及系统 | |
Mu et al. | The NAO variability prediction and forecasting with multiple time scales driven by ENSO using machine learning approaches | |
CN114036846A (zh) | 池塘养殖溶解氧缺失数据插补方法 | |
CN116127833A (zh) | 基于vmd和lstm融合模型的风电功率预测方法、系统、装置及介质 | |
AU2021100973A4 (en) | Method for Predicting Winter-Spring Stock Abundance of Ommastrephes Bartramii in the Northwest Pacific Ocean Based on Grey System | |
CN110751335B (zh) | 一种区域生态质量年景预测评价方法及装置 | |
Li et al. | Deepphysinet: Bridging deep learning and atmospheric physics for accurate and continuous weather modeling | |
アンナススワルディ et al. | Neuro-fuzzy approaches for modeling the wet season tropical rainfall | |
CN114034375A (zh) | 一种特高压输电线路噪声测量系统及方法 | |
Bao et al. | Real-time tide prediction based on an hybrid HA-WANN model using wind information | |
Sithara et al. | Quantifying uncertainty in future sea level projections downscaled from CMIP5 global climate models | |
Li et al. | Implementation and application of ensemble optimal interpolation on an operational chemistry weather model for improving PM 2.5 and visibility predictions | |
Ma et al. | Crop Water Requirement Prediction Method Based on EEMD-Attention-LSTM Model | |
Macdonald et al. | Review and new analyses of skipjack growth in the Western and Central Pacific Ocean | |
Ouyang et al. | Significant Wave Height Forecasting Based on EMD-TimesNet Networks |
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 |