10.11996/JG.j.2095-302X.2022040677
结合残差时空注意力机制的海面温度预测算法
海面温度(SST)与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确地预测SST是一个重要课题.现有区域型SST预测方法将SST时间序列处理为二维矩阵序列并作为模型输入,每个矩阵对应着特定时刻的区域SST,通过提取时空特征来实现其预测,但未充分考虑不同时空特征在时间维度和空间维度上对SST影响的不均衡性,限制了预测精度地提高.为了解决该问题,提出了一种结合时间注意力机制和空间注意力机制的区域SST预测方法(CRA-ConvLSTM),使得模型动态关注不同时刻的时间特征和区域内不同点的空间特征,赋予不同的影响权重,进而提高SST预测精度.具体来说,首先将输入的区域SST时间序列通过卷积神经网络(CNN)编码为多层特征向量,提取局部特征;然后构建了残差时间注意力模块,自适应地学习不同时刻的注意力权重,提取时间维度上的关键特征,并设计了残差空间注意力模块,提取区域内不同点在空间维度上的关键特征,此外,将注意力机制结合残差结构避免了网络中信息量过少导致的性能下降问题;最后通过卷积长短时记忆神经网络(ConvLSTM)将特征向量映射为SST预测结果.实验结果显示,该模型的均方根误差(RMSE)和预测精度(PACC)分别达到了0.19和99.43%,均优于其他方法,有效提高了SST的预测精度.
时间序列、海面温度预测、时空特征、注意力机制、残差结构
43
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金;上海市科委部分地方高校能力建设项目
2022-08-19(万方平台首次上网日期,不代表论文的发表时间)
共8页
677-684