.png){kind=icon}
返回
Multi-Factor Deep Learning Model for Sea Surface Temperature Forecasting
.png){kind=icon}
OA
AI
DOI：10.3390/rs17050752.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确预测海表温度（SST）对于海洋环境监测和气候研究至关重要。然而，现有的海洋模型方法往往难以捕捉复杂的时空模式，并且受限于依赖热力学方程来施加海洋学约束。为解决这些挑战，我们提出了一种多传感器SST预测模型，该模型整合了长短期记忆（LSTM）网络、卷积神经网络（CNNs）和注意力机制，以直接纳入温度、盐度、密度和流速等物理变量。通过避免显式物理方程约束的需求，我们的模型能够有效地从多源数据中学习复杂关系。实验结果表明，该方法在不同海洋区域显著提高了预测精度，为短期和长期SST预报提供了稳健的解决方案。
Keyword:
remote sensing
physical variable
sea surface
期刊
IF:
4.1
论文数:
7.2K
被引数:
15.1W
机构
暂无机构信息
引用论文
分享收藏Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations物理信息神经网络: 一种用于解决涉及非线性偏微分方程的正反问题的深度学习框架
OAAI
OAAI分享收藏A Deep Framework for Eddy Detection and Tracking From Satellite Sea Surface Height Data从卫星海面高度数据进行涡流检测和跟踪的深层框架
PREAI
分享收藏The regional oceanic modeling system (ROMS): a split-explicit, free-surface, topography-following-coordinate oceanic model.png)
OCEAN MODELLING
OCEAN MODELLINGIF2.9
PREAI
分享收藏Application of Fast MEEMD–ConvLSTM in Sea Surface Temperature PredictionsFast MEEMD–ConvLSTM在海水表面温度预测中的应用OAAI
OAAI分享收藏
查看更多内容