本文基于卫星遥感的观测海表面温度(Sea Surface Temperature,SST)数据和自然资源部第一海洋研究所全球0.1°分辨率海浪-潮流-环流耦合数值预报模式(The surface wave-tide-circulation coupled ocean model developed by First Ins...本文基于卫星遥感的观测海表面温度(Sea Surface Temperature,SST)数据和自然资源部第一海洋研究所全球0.1°分辨率海浪-潮流-环流耦合数值预报模式(The surface wave-tide-circulation coupled ocean model developed by First Institute of Oceanography,MNR,China,FIO-COM)的预报结果,采用线性回归模型和长短期记忆神经网络(Long Short-Term Memory,LSTM)对SST预报结果进行误差校正。利用2016—2021年的数据开展了一系列对比试验,线性回归模型基于局部线性的假设实现对下一时刻误差的预报,LSTM利用2016—2020年共56个月的历史偏差数据训练模型,使用2021年的数据进行检验。结果表明,线性回归模型和LSTM神经网络都可以改善预报结果,LSTM神经网络相对于线性回归模型的效果更好,SST误差降低70%左右;与线性回归模型相比,经LSTM校正后的各点的偏差的概率密度分布集中在0附近。LSTM方法在统计意义上优于线性拟合且结果更稳定,可进一步推广到海洋数值预报多要素偏差校正。展开更多
文摘本文基于卫星遥感的观测海表面温度(Sea Surface Temperature,SST)数据和自然资源部第一海洋研究所全球0.1°分辨率海浪-潮流-环流耦合数值预报模式(The surface wave-tide-circulation coupled ocean model developed by First Institute of Oceanography,MNR,China,FIO-COM)的预报结果,采用线性回归模型和长短期记忆神经网络(Long Short-Term Memory,LSTM)对SST预报结果进行误差校正。利用2016—2021年的数据开展了一系列对比试验,线性回归模型基于局部线性的假设实现对下一时刻误差的预报,LSTM利用2016—2020年共56个月的历史偏差数据训练模型,使用2021年的数据进行检验。结果表明,线性回归模型和LSTM神经网络都可以改善预报结果,LSTM神经网络相对于线性回归模型的效果更好,SST误差降低70%左右;与线性回归模型相比,经LSTM校正后的各点的偏差的概率密度分布集中在0附近。LSTM方法在统计意义上优于线性拟合且结果更稳定,可进一步推广到海洋数值预报多要素偏差校正。
