典型文献
基于ConvGRU深度学习网络模型的海表面温度预测
文献摘要：
为解决传统时间序列网络模型的时间性与空间性结合不足和批量处理海洋环境要素大数据能力不足的问题,采用循环神经网络(RNN)扩展算法和卷积神经网络(CNN)相结合的ConvGRU深度学习神经网络模型以有效体现时空特征,利用样本生成器处理数据以有效处理时间序列遥感数据的批量性问题,并使用1999—2019年海表面温度网格数据(OISST产品),对2020年西北太平洋部分海域进行了海表面温度预测分析.结果表明:ConvGRU模型训练集的均方根误差和准确率分别为0.0449℃和99.69％,验证集的均方根误差和准确率分别为0.0452℃和99.64％;使用建立的ConvGRU模型对2020年海表面温度数据进行了预测,测试集的均方根误差和准确率分别为0.0478℃和99.60％,海表面温度预测值的平均绝对误差和预测精度的平均值分别为0.3793、97.31％.研究表明,本文中建立的ConvGRU模型可以较好地预测海表面温度的变化趋势,这为海表面温度神经网络预测模型提供了一种可行性方法.
文献关键词：
海表面温度;ConvGRU;模型;预测
中图分类号：
作者姓名：
张雪薇;韩震
作者机构：
上海海洋大学 海洋科学学院,上海201306;上海河口海洋测绘工程技术研究中心,上海201306
文献出处：
引用格式：
[1]张雪薇;韩震-.基于ConvGRU深度学习网络模型的海表面温度预测)[J].大连海洋大学学报,2022(03):531-538
A类：
B类：
ConvGRU,深度学习网络,海表面温度,温度预测,传统时间,序列网络,时间性,空间性,批量处理,海洋环境要素,大数据能力,循环神经网络,RNN,深度学习神经网络,效体,时空特征,样本生成,生成器,处理时间,遥感数据,网格数据,OISST,西北太平洋,海域,预测分析,模型训练,训练集,验证集,温度数据,测试集,平均绝对误差,测海,神经网络预测模型
AB值：
0.333423
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
