Исследование многомерного метода еженедельного прогнозирования температуры поверхности Желтого моря на основе кодера-декодера LSTM

от

SUN Jiyu1,2，ZHU Zemin1,2，SONG Jun1,2，GUO Junru1,2，CAI Yu1,2，FU Yanzhao1,2，Wang Linhui1,2, Полонский А.Б.3

 1Dalian Ocean University, School of Ocean Technology and Environment,  Dalian, Liaoning 116023

2Operational Oceanographic Institution, Dalian Ocean University,  Dalian, Liaoning 116023

3Институт природно-технических систем, РФ, г. Севастополь, ул. Ленина, 28

 E—mail: Apolonsky5@mail.ru

DOI: 10.33075/2220-5861-2022-1-5-14

Реферат:

   Для дальнейшего повышения точности и стабильности прогнозирования температуры поверхности Желтого моря в данной работе используются 25-летние данные OISST V2.0 и OAFlux. Рассматриваются такие факторы, определяющие изменения температуры поверхности моря, как лучистые и суммарные потоки тепла, скорость ветра, температура и удельная влажность воздуха. Управляя переменными и выбирая наилучшие параметры модели, впервые была построена многомерная модель еженедельного прогнозирования температуры поверхности Желтого Моря на основе кодера-декодера LSTM (Long Short Term Memory). Показано, что модель может эффективно отслеживать тенденцию ежедневных изменений температуры поверхности моря и описывать ее флуктуационные изменения для получения относительно точного прогноза.  На примере данных за 2008 год получено, что ежедневные абсолютные ошибки тестового набора в течение недели составляют 0,3836, 0,4523, 0,5276, 0,5905, 0,6362, 0,6644 и 0,6827, а среднеквадратичная погрешность прогноза (RMSE) составляет 0,7594. Сделан вывод, что необходимы дальнейшие исследования по оптимизации предикторов и применимости одноточечного прогнозирования на основе данной модели для прогноза температуры поверхности моря.

Ключевые слова: LSTM, ССТ, Желтое море, метод искусственного интеллекта, прогноз температуры поверхности моря.

Для цитирования: SUN Jiyu，ZHU Zemin, SONG Jun，GUO Junru, CAI Yu, FU Yanzhao，Wang Linhui, Полонский А.Б. Исследование многомерного метода еженедельного прогнозирования температуры поверхности Желтого моря на основе кодера-декодера LSTM // Системы контроля окружающей среды. 2022. Вып. 1 (47). C. 5–14. DOI: 10.33075/2220-5861-2022-1-5-14

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. Patil K., Deo M. C., Ravichandran M. Prediction of Sea Surface Temperature by Combining Numerical and Neural Techniques // Journal of Atmospheric and Oceanic Technology. 2016. Vol. 33 (8). P. 1715–1726.
  2. 张建华. 海温预报知识讲座：第一讲 海水温度预报概况 // 海洋预报. 2003. Vol. 20 (4). P. 81–85. (Zhang Jianhua., SST forecast knowledge lecture: the first lecture sea water temperature forecast overview // MARINE FORECASTS. 2003. Vol. 20 (4). P. 81–85).
  3. Zhang Q., Wang H., Dong J., et al. Prediction of Sea Surface Temperature Using Long Short-Term Memory // IEEE Geoscience and Remote Sensing Letters. 2017. Vol. 14 (10). P. 1745–1749.
  4. Xike Z., Qiuwen Z., Gui Z., et al. A Novel Hybrid Data-Driven Model for Daily Land Surface Temperature Forecasting Using Long Short-Term Memory Neural Network Based on Ensemble Empirical Mode Decomposition // International Journal of Environmental Research and Public Health. 2018. Vol 15 (5). P. 1032.
  5. Song G., Peng Z., Bin P., et al. A nowcasting model for the prediction of typhoon tracks based on a long short term memory neural network // 海洋学报（英文版）. 2018. Vol. 37 (5).
  6. Zhanga J., Zhub Y., Zhanga X., et al. Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural areas // Journal of Hydrology. 2018. P. 561.
  7. Reddy D. S., Prasad P. R.C. Prediction of vegetation dynamics using NDVI time series data and LSTM // Modeling Earth Systems and Environment. 2018.
  8. Asanjan A. A., Yang T., Hsu K., et al. Short-term Precipitation Forecast based on the PERSIANN system and the Long Short-Term Memory (LSTM) Deep Learning Algorithm // Journal of Geophysical Research Atmospheres. 2018.
  9. 白盛楠, 申晓留. 基于LSTM循环神经网络的PM_(2.5)预测 // 计算机应用与软件. 2019. Vol. 36 (01). P. 73–76. (Bai Shengnan., Shen Xiaoliu., PM2.5 Prediction based on LSTM Recurrent Neural Net-Work // Computer Applications and Software. 2019. Vol. 36 (01). P. 73–76).
  10. Polonsky A. The Ocean’s Role in Climate Change. Cambridge Scholars Publishing. Newcastle. UK. 2021. 290 p.
  11. Polonsky A.B., Serebrennikov A.N. Interannual and Intra-Monthly Fluctuations of the Wind Field and Sea Surface Temperature in the West African Region Based on Satellite Data // Izv., Atm. and Ocean Physics, Vol. 54, No. 9, 2018, pp. 1057–1061.
  12. Hochreiter S., Schmidhuber J. Long Short-Term Memory // Neural Computation. 1997. Vol. 9 (8). P. 1735–1780.
  13. 周林, 杨成荫, 王汉杰, et al. 基于CCA-BP-BPNN释用模型的太平洋SST预报 // 解放军理工大学学报(自然科学版). 2009. Vol. 10 (4). P. 391–396. (Zhou Lin., Yang Chengyin., Wang Hanjie., et al. lnterpretation scheme of SST prediction in the tropical Pacific Ocean based on CCA-BP-BPNN // Journal of PLA University of Science and Technology (Natural Science Edition). 2009. Vol. 10 (4). P. 391–396).

Loading