شبکه عصبی عمیق برای پیش‌بینی دمای سطح دریا: نتیجه‌گیری و کار آینده

نویسندگان:

(1) یوکسین منگ;

(2) فنگ گائو؛

(3) اریک ریگال;

(4) ران دونگ؛

(5) جونیو دونگ؛

(6) کیان دو.

V. نتیجه گیری و کار آینده

در این مقاله، ما یک رویکرد پیش‌بینی SST مبتنی بر تصحیح دانش فیزیکی ارائه می‌کنیم که از داده‌های مشاهده‌شده تاریخی برای اصلاح و تنظیم مؤلفه فیزیکی در داده‌های مدل عددی استفاده می‌کند. به طور خاص، یک شبکه قبلی برای استخراج دانش فیزیکی از داده های مشاهده شده استفاده شد. متعاقبا، ما با استفاده از شبکه قبلی آموزش‌دیده روی داده‌های مدل عددی، SST تقویت‌شده فیزیک را تولید کردیم. در نهایت، داده های تولید شده برای آموزش شبکه ConvLSTM برای پیش بینی SST استفاده شد. علاوه بر این، داده‌های افزایش‌یافته مبتنی بر دانش فیزیکی برای آموزش شبکه ConvLSTM مورد استفاده قرار گرفت که عملکرد پیش‌بینی را بیشتر بهبود بخشید. روش پیشنهادی بهترین عملکرد را در مقایسه با شش روش پیشرفته به دست آورد. اگرچه بخش فیزیکی داده‌های مدل عددی با روش پیشنهادی ما تصحیح شده است، در صورت استفاده از یک مدل قابل تفسیر، عملکرد پیش‌بینی می‌تواند بیشتر بهبود یابد. در آینده، ما قصد داریم دانش مرتبط بیشتری را از شبکه‌های عمیق استخراج کنیم و سپس مدل‌های قابل تفسیر را برای کاربردهای عملی طراحی کنیم.

Source link