.png){kind=icon}
返回
Chaotic climate system forecasting using an improved echo state network with sparse observations
.png){kind=icon}
PRE
AI
DOI：10.1007/s11430-024-1593-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
混沌气候系统长期预测中的误差积累主要是由模型对初始条件的高敏感性以及缺乏动态调整机制所致，导致预测逐渐发散。这给实现稳定的长期预测带来了严峻挑战。尽管当前的数据驱动方法在短期预测中表现良好，但其精度会随时间显著下降。为克服这一局限性，我们提出了一种带有积雪消融优化器（SAO）的自驱动回声状态网络（AESN-SAO），显著提升了数据驱动方法在不同初始条件下的适应性和鲁棒性。该方法不仅消除了传统AESN中手动超参数调整的需求，还有效缓解了混沌气候系统中常见的初始条件敏感性问题。此外，我们引入了一种基于李雅普诺夫时间（Lyapunov time）和有效预测时间（VPT）的稀疏观测插入机制，使AESN-SAO能够在系统发散前纠正误差，从而有效延长预测时间范围。在Lorenz-63和Climate Lorenz-63系统上进行的数值实验表明，将稀疏观测与AESN-SAO方法结合可将VPT延长至约99个李雅普诺夫时间，显著降低了长期预测中的误差积累。本研究为非线性混沌动力学的气候系统长期预测提供了一种可靠且高效的框架，在天气预报、气候建模和灾害风险评估方面具有广阔的应用前景。
Keyword:
Sparse observation
Autonomous echo state network
Snow ablation optimizer
Chaotic climate system
期刊
S
IF:
5.8
论文数:
254
被引数:
3
机构
引用论文
分享收藏分享收藏Hybrid physics-based and data-driven models for smart manufacturing: Modelling, simulation, and explainability用于智能制造的基于物理和数据驱动的混合模型: 建模，仿真和可解释性
PREAI
分享收藏Double-layer staged training echo-state networks for wind speed prediction using variational mode decomposition.png)
APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏Model-free forecasting of partially observable spatiotemporally chaotic systemsNEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Serial-parallel dynamic echo state network: A hybrid dynamic model based on a chaotic coyote optimization algorithm for wind speed prediction串并联动态回声状态网络: 基于混沌土狼优化算法的风速预测混合动态模型
PREAI
分享收藏
查看更多内容