شبکه عصبی عمیق برای پیش‌بینی دمای سطح دریا: روش پیشنهادی

نویسندگان:

(1) یوکسین منگ;

(2) فنگ گائو؛

(3) اریک ریگال;

(4) ران دونگ؛

(5) جونیو دونگ؛

(6) کیان دو.

III. روش پیشنهادی

مدل عددی می‌تواند توزیع فضایی SST و اتصالات سراسری آن را با هم پیش‌بینی کند. برای پیش‌بینی SST در کوتاه‌مدت عملکرد خوبی دارد. با این وجود، ما استدلال می کنیم که انتقال دانش فیزیکی از داده های مشاهده شده می تواند عملکرد مدل عددی را برای پیش بینی SST بیشتر بهبود بخشد. برای این منظور، ما از GAN ها برای یادگیری دانش فیزیکی در داده های مشاهده شده استفاده می کنیم.

زو و همکاران [53] یک روش وارونگی GAN را پیشنهاد کرد که نه تنها به طور صادقانه داده های ورودی را بازسازی می کند، بلکه تضمین می کند که کد پنهان معکوس از نظر معنایی معنادار است. آنها نشان دادند که یادگیری مقادیر پیکسل تصویر هدف به تنهایی کافی نیست و ویژگی های آموخته شده قادر به نمایش تصویر در سطح معنایی نیستند. با الهام از این کار، ما یک رمزگذار در GAN برای یادگیری دانش فیزیکی از داده‌های مشاهده‌شده، که به آن شبکه قبلی گفته می‌شود، طراحی می‌کنیم. این شبکه قبلی نه تنها مقادیر پیکسل داده های مورد نظر را یاد می گیرد، بلکه اطلاعات فیزیکی را نیز ضبط می کند. این به طور موثر دقت پیش‌بینی SST را بهبود می‌بخشد.

در ادامه روش پیشنهادی را به صورت زیر ارائه می کنیم: 1) مروری بر روش، 2) شبکه قبلی، 3) …

Source link