شبکه عصبی عمیق برای پیش بینی دمای سطح دریا: چکیده و مقدمه

نویسندگان:

(1) یوکسین منگ;

(2) فنگ گائو؛

(3) اریک ریگال;

(4) ران دونگ؛

(5) جونیو دونگ؛

(6) کیان دو.

خلاصه

به طور سنتی، مدل‌های عددی در مطالعات اقیانوس‌شناسی برای شبیه‌سازی دینامیک اقیانوس‌ها با نمایش معادلات فیزیکی به کار گرفته شده‌اند. با این حال، به نظر می رسد بسیاری از عوامل مربوط به دینامیک اقیانوس ها تعریف نشده باشند. ما استدلال می کنیم که انتقال دانش فیزیکی از داده های مشاهده شده می تواند دقت مدل های عددی را هنگام پیش بینی دمای سطح دریا (SST) بیشتر بهبود بخشد. اخیراً، پیشرفت‌ها در فن‌آوری‌های رصد زمین، رشد چشمگیری از داده‌ها را به همراه داشته است. در نتیجه، کشف راه‌هایی برای بهبود و تکمیل مدل‌های عددی با استفاده از مقادیر روزافزون داده‌های مشاهده‌ای تاریخی ضروری است. برای این منظور، روشی را برای پیش‌بینی SST معرفی می‌کنیم که دانش فیزیکی را از مشاهدات تاریخی به مدل‌های عددی منتقل می‌کند. به طور خاص، ما از ترکیبی از یک رمزگذار و یک شبکه متخاصم مولد (GAN) برای گرفتن دانش فیزیکی از داده‌های مشاهده شده استفاده می‌کنیم. سپس داده‌های مدل عددی به مدل از پیش آموزش‌دیده داده می‌شود تا داده‌های فیزیک پیشرفته تولید کند، که سپس می‌تواند برای پیش‌بینی SST استفاده شود. نتایج تجربی نشان می دهد که روش پیشنهادی به طور قابل توجهی پیش بینی SST را افزایش می دهد.

Source link