基于LSTM的海表面高度异常预测方法

作者：江璟瑜; 徐丹亚; 韩宁生; 王子赫

来源：舰船电子工程, 2021, 41(02): 97-99.

• 海表面高度异常
• 深度学习
• 长短期记忆神经网络
• 数据驱动

海表面高度异常(SSHA)是海洋系统中重要的参数之一,论文首次利用深度学习中的长短期记忆神经网络(LSTM)对海表面高度异常(SSHA)进行预测。将SSHA的预测当作时间序列预测问题,采用stacked-LSTM,建立海表面高度异常预测模型。该模型能够捕捉SSHA序列变化的规律,处理序列变化长期依赖问题。通过实验探索了stacked-LSTM预测模型的最佳参数设置,并使用中国南海海域的CORA再分析海表面高度异常数据进行验证,在预测未来24h、48h、72h、96h、120h的SSHA值上准确率(平均值±标准差)分别达到了90.10±10.64%、84.68±14.34%、78.29±17.37%、72.65±18.96%、66.41±20.91%,并与ANN、RNN、TCN等模型进行了对比,该基于数据驱动的模型能够运行在PC终端,为海洋工程提供移动服务。

• 单位
  南方海洋科学与工程广东省实验室（珠海）; 中国石油大学（华东）