当前位置: X-MOL 学术Earth Space Sci. › 论文详情
Ocean reanalysis data-driven deep learning forecast for sea surface multivariate in the South China Sea
Earth and Space Science ( IF 2.312 ) Pub Date : 2021-06-10 , DOI: 10.1029/2020ea001558
Qi Shao, Guangchao Hou, Wei Li, Guijun Han, Kangzhuang Liang, Yang Bai

Most prediction models based on artificial neural networks (ANNs) are site-specific and do not provide simultaneous spatial information similar to numerical schemes. Such ANNs do not account for the correlations across grid points or the dynamical balance among different variables, which is an obvious physical defect. Moreover, such methods generally perform well on a single scale, while the actual marine environmental variability is multiscale. To cope with these issues, a data-driven hybrid model based on ocean reanalysis is developed. This model combine empirical orthogonal function (EOF) decomposition and complete ensemble empirical mode decomposition (CEEMD) with ANN (referred to as EOF-CEEMD-ANN). The results demonstrate that the EOF-CEEMD-ANN model is efficient for mid-term predictions of sea surface multivariate including sea surface height (SSH), temperature (SST), salinity (SSS), and velocity (SSV) in the entire South China Sea (SCS) region. During the 30-day forecast window, the RMSEs of this model forecasts for SSH, SST, SSS, U, and V at the end of the forecast window are about 0.042 m, 0.52°C, 0.08 psu, 0.073 m/s, and 0.064 m/s, respectively, which are much smaller than those with persistence and optimal climatic normal (OCN) prediction. The ACCs are approximately 0.75, 0.66, 0.73, 0.69, and 0.71, respectively. Case studies show that eddies and their evolutions can be simulated well by this model.

中文翻译:

基于数据驱动的南海海面多元深度学习预测

大多数基于人工神经网络 (ANN) 的预测模型是特定于站点的,并且不提供类似于数值方案的同步空间信息。这种人工神经网络没有考虑跨网格点的相关性或不同变量之间的动态平衡,这是一个明显的物理缺陷。此外,这些方法通常在单一尺度上表现良好,而实际的海洋环境变化是多尺度的。为了解决这些问题,开发了一种基于海洋再分析的数据驱动混合模型。该模型将经验正交函数(EOF)分解和完全集成经验模态分解(CEEMD)与ANN(简称EOF-CEEMD-ANN)相结合。结果表明,EOF-CEEMD-ANN模型对整个华南地区海面高度(SSH)、温度(SST)、盐度(SSS)和速度(SSV)等海面多元变量的中期预测是有效的海 (SCS) 区域。在 30 天的预测窗口内,该模型对预测窗口末期 SSH、SST、SSS、U 和 V 的预测均方根误差约为 0.042 m、0.52°C、0.08 psu、0.073 m/s 和分别为 0.064 m/s,远小于具有持久性和最佳气候正常 (OCN) 预测的值。ACC 分别约为 0.75、0.66、0.73、0.69 和 0.71。案例研究表明,该模型可以很好地模拟涡流及其演变。在 30 天的预测窗口内,该模型对预测窗口末期 SSH、SST、SSS、U 和 V 的预测均方根误差约为 0.042 m、0.52°C、0.08 psu、0.073 m/s 和分别为 0.064 m/s,远小于具有持久性和最佳气候正常 (OCN) 预测的值。ACC 分别约为 0.75、0.66、0.73、0.69 和 0.71。案例研究表明,该模型可以很好地模拟涡流及其演变。在 30 天的预测窗口内,该模型对预测窗口末期 SSH、SST、SSS、U 和 V 的预测均方根误差约为 0.042 m、0.52°C、0.08 psu、0.073 m/s 和分别为 0.064 m/s,远小于具有持久性和最佳气候正常 (OCN) 预测的值。ACC 分别约为 0.75、0.66、0.73、0.69 和 0.71。案例研究表明,该模型可以很好地模拟涡流及其演变。
更新日期:2021-06-10
全部期刊列表>>
virulence
欢迎新作者ACS
中国作者高影响力研究精选
虚拟特刊
屿渡论文,编辑服务
浙大
上海中医药大学
深圳大学
上海交通大学
南方科技大学
浙江大学
清华大学
徐晶
张大卫
彭孝军
北京大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
华辉
天合科研
x-mol收录
试剂库存
down
wechat
bug