典型文献
基于深度学习的全球平均表面温度年际信号时间序列的预测
文献摘要：
利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)有效地分解了全球平均表面温度(Global Mean Surface Temperature,GMST)时间序列,得到其不同尺度的、不同特征的子序列(Intrinsic Mode Function,IMF).在此基础上,利用在预测长期、复杂、非线性变化的时间序列上具有显著优势的滑动自回归机器学习(Autoregressive Integrated Moving Average,ARIMA)模型和长短期记忆网络(Long Short-Term Memory,LSTM)模型开展GMST年际信号预测研究.结果表明:深度学习模型LSTM能很好地拟合并预测了长程相关性强的子序列(第2～6个IMF),而代表GMST年际尺度变化的IMF1则在一定程度上受到太平洋大西洋多重气候信号的影响和调制,因此进一步将3个气候指数作为预报前兆因子加入预测模型来更准确地预测IMF1的时间演变.通过利用多套GMST数据的对比,最终选定了考虑实时ENSO信息的LSTM(ENSO)模型来提前预测年际GMST信号,并预测2020年将有较大概率会成为史上最热的年份之一.
文献关键词：
全球平均表面温度;年际信号时间序列预测;集合经验模态分解;长短期记忆神经网络;深度学习预测模型
中图分类号：
作者姓名：
罗德杨;郑飞;陈权亮
作者机构：
成都信息工程大学大气科学学院,成都610225;中国科学院大气物理研究所国际气候与环境研究中心,北京100029
文献出处：
引用格式：
[1]罗德杨;郑飞;陈权亮-.基于深度学习的全球平均表面温度年际信号时间序列的预测)[J].气候与环境研究,2022(01):94-104
A类：
全球平均表面温度,GMST,年际信号时间序列预测
B类：
集合经验模态分解,Ensemble,Empirical,Mode,Decomposition,EEMD,Global,Mean,Surface,Temperature,不同尺度,子序列,Intrinsic,Function,非线性变化,列上,显著优势,自回归,回归机器学习,Autoregressive,Integrated,Moving,Average,ARIMA,长短期记忆网络,Long,Short,Term,Memory,信号预测,预测研究,深度学习模型,长程相关性,尺度变化,IMF1,太平洋,大西洋,气候指数,前兆,时间演变,多套,ENSO,提前预测,大概,最热,长短期记忆神经网络,深度学习预测模型
AB值：
0.401307
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。
