基于变分模态分解-长短时记忆网络-宽度学习系统混合模型的东海海温预测

作者：韩莹; 孙凯强; 闫加宁; 董昌明^*

来源：激光与光电子学进展, 2023, 60(07): 59-67.

• 大气光学与海洋光学
• 海表温度
• 变分模态分解
• 长短时记忆网络
• 宽度学习系统

海表温度（SST）是重要的海洋水文参数。对其进行精准预测在海洋相关领域中至关重要。深度学习强大的分析能力使其近年来广泛应用于SST预测中，但SST时间序列波动性和随机性的特点使其精准预测仍然具有挑战性。首先，采用变分模态分解（VMD）作为去噪模块，降低SST序列噪声对预测结果的影响。进而，为了解决深度模型在SST预测中存在的滞后现象，采用迁移学习的方法，将长短时记忆网络（LSTM）与宽度学习系统（BLS）相结合，使用LSTM作为BLS的特征映射结点，提高了预测精度。最终，提出了一种基于VMD-LSTM-BLS的SST预测模型。选取我国东海海温进行实例验证。通过与基准模型支持向量机、LSTM、门控循环单元以及现有的深度模型进行比较，证明了提出模型在SST预测中具有相对稳定、高效的优势，为SST预测的发展提供了新思路。

• 单位
  南京信息工程大学; 自动化学院