基于改进EMD算法和BP神经网络的SST预测研究

摘要：

海洋表面温度(Sea Surface Temperature,SST)具有非平稳、非线性的特征,直接将处理平稳数据序列的方法应用到非平稳非线性特征明显的序列上显然是不合适的,预测的误差将会很大.为了提高预测精度,更好地解决非平稳非线性序列预测的问题,本文以东北部太平洋(40°N～50°N、150°W～135°W)区域的月平均海洋表面距平温度为例,首先分别应用集合经验模态分解(EEMD)和互补集合经验模态分解(CEEMD)方法将SST分解为不同尺度的一系列模态分量(IMF),再运用BP(Back Propagation)神经网络模型对每一个模态分量进行分析预测,最后将各IMF预测结果进行重构得到SST的预测值.数值试验的结果表明,CEEMD分解精度比EEMD分解精度高,CEEMD提高了基于BP神经网络的预测精度.系列试验统计分析说明应用这种方法对SST的1年预测是有效的.

关键词：集合经验模态分解、互补集合经验模态分解、BP神经网络、海洋表面月平均温度、预测

所属期刊栏目：22

分类号：P468.1(气候学)

资助基金：国家自然科学基金项目91530204、41430426 National Natural Science Foundation of China Grants 91530204 and 41430426

在线出版日期：2017-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：587-600