基于LSTM的海表面高度异常预测方法

摘要：

海表面高度异常(SSHA)是海洋系统中重要的参数之一,论文首次利用深度学习中的长短期记忆神经网络(LSTM)对海表面高度异常(SSHA)进行预测.将SSHA的预测当作时间序列预测问题,采用stacked-LSTM,建立海表面高度异常预测模型.该模型能够捕捉SSHA序列变化的规律,处理序列变化长期依赖问题.通过实验探索了stacked-LSTM预测模型的最佳参数设置,并使用中国南海海域的CORA再分析海表面高度异常数据进行验证,在预测未来24h、48h、72h、96h、120h的SSHA值上准确率(平均值±标准差)分别达到了90.10±10.64％、84.68±14.34％、78.29±17.37％、72.65±18.96％、66.41±20.91％,并与ANN、RNN、TCN等模型进行了对比,该基于数据驱动的模型能够运行在PC终端,为海洋工程提供移动服务.

关键词：海表面高度异常、深度学习、长短期记忆神经网络、数据驱动

所属期刊栏目：41

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金重大研发计划;国家自然科学基金项目;山东省泰山学者专项基金项目;山东省自然科学基金项目;中央高校建设基金项目

在线出版日期：2021-03-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：97-99