基于ConvGRU深度学习网络模型的海表面温度预测

摘要：

为解决传统时间序列网络模型的时间性与空间性结合不足和批量处理海洋环境要素大数据能力不足的问题,采用循环神经网络(RNN)扩展算法和卷积神经网络(CNN)相结合的ConvGRU深度学习神经网络模型以有效体现时空特征,利用样本生成器处理数据以有效处理时间序列遥感数据的批量性问题,并使用1999—2019年海表面温度网格数据(OISST产品),对2020年西北太平洋部分海域进行了海表面温度预测分析.结果表明:ConvGRU模型训练集的均方根误差和准确率分别为0.0449℃和99.69％,验证集的均方根误差和准确率分别为0.0452℃和99.64％;使用建立的ConvGRU模型对2020年海表面温度数据进行了预测,测试集的均方根误差和准确率分别为0.0478℃和99.60％,海表面温度预测值的平均绝对误差和预测精度的平均值分别为0.3793、97.31％.研究表明,本文中建立的ConvGRU模型可以较好地预测海表面温度的变化趋势,这为海表面温度神经网络预测模型提供了一种可行性方法.

关键词：海表面温度、ConvGRU、模型、预测

所属期刊栏目：37

分类号：S915;TP79(水产基础科学)

资助基金：上海市科委科研计划项目18DZ2253900

在线出版日期：2022-07-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：531-538