一种基于深度学习的海表温度混合预测方法

• 作者: 韩莹 孙凯强 张栋 王乐豪 谈昊然
• 来源期刊: 海洋环境科学
• 学科: 地球科学
• 关键词: 海表温度 变分模态分解 长短时记忆网络 卷积神经网络
• 年，卷（期）: 2022,（5）
• 所属期刊栏目: 技术与方法
• 页码范围: 791-798
• 页数: 7页
• 分类号: P731.3
• 语种: 中文
• DOI: 10.12111/j.mes.2021-x-0148

摘要

海表温度（SST）是海洋水文的重要参数，准确预测SST对海洋经济发展与极端天气的预防都有重大意义。首先，针对SST序列数据的多噪声特点，采用变分模态分解方法（VMD）预处理，以减少噪声对预测结果的影响。其次，将卷积神经网络（CNN）与长短时记忆网络（LSTM）结合，同时提取SST序列的空间与时间特征，以提高预测精度。最后，本文提出了一种基于深度学习并融合了去噪模块的SST预测模型，选取我国东海海域的SST进行实证研究。通过与基线模型、现有模型的对比，证明了本文模型不但在SST的预测精度方面提升明显，而且具有较好的鲁棒性。