利用微震测量站和机器学习算法,本研究提出一种新的海浪监测系统,用以重建海浪浮标数据并提高可靠性。实验结果表明该系统能够克服浮标可靠性问题并保持同样的准确性。
Jan, 2024
通过因果分析、深度学习、遵循简约原则的模型选择和符号回归,本文通过一个案例研究展示了利用数据发现海洋罕见巨浪的新符号模型。该模型基于大量浮标观测数据上训练的人工神经网络,同时兼顾预测性能和因果不变性。我们将这个黑盒模型应用于符号回归,转化为数学方程,在现有波浪理论框架下进行解释,从而实现模型的预测能力和可解释性。结果表明,该模型能够重现已知行为,生成良好校准的概率,并在未见数据上取得更好的预测准确性,为罕见巨浪预测提供更准确的方法。
Nov, 2023
为了有效地进行沿海工程设计和管理,本研究提出了一种基于物理知识的机器学习方法,用于高效准确地模拟波浪涌浦时间序列。该方法将 Surfbeat(XBSB)模式的计算效率与 XBeach 模型中非静力学(XBNH)模式的准确性相结合,通过条件生成对抗网络(cGAN)将波浪涌浦的图像表示从 XBSB 映射到 XBNH,从而实现改进的图像到图像映射任务性能。经过模型训练后,可预测高保真度的基于 XBNH 的标量图,并通过逆小波变换重新构建时间序列的波浪涌浦。模拟结果强调了该模型在预测波浪涌浦方面的效率和健壮性,并表明其在风险评估和管理方面具有潜在价值。
通过将机器学习与传统物理模型相结合的混合建模方法,本研究探索了超出中期的天气预测潜力。基于 SPEEDY 模型,该混合模型在预测实验中使用了机器学习变量和简化参数化大气环流模型,并在预测 El Niño 循环和降水的赤道变异方面表现出与高分辨率传统物理模型相当的预测能力。
May, 2024
利用 LSTM 深度学习网络模型对风暴潮预测模型中系统误差进行预测和修正,能够提高预测准确性。
Mar, 2024
深度学习模型框架在预测时间序列数据方面具有潜在应用,尤其是在大气和海洋领域。本研究探讨了利用深度神经操作模型对经典流体流动和真实海洋动力学进行重现和预测的可能性,并证实了这些模型对理想化周期性涡流脱落和真实海洋表面流动的一些特征的预测能力。
Aug, 2023
预测未监测站点中的动态环境变量是水资源科学领域长期存在的挑战,使用机器学习方法对水文时间序列进行预测能够从大量多样的数据集中提取信息,并提出了几个开放问题,包括如何将动态输入和站点特征、机制性理解和空间背景以及可解释的人工智能技术融入现代机器学习框架中。
机器学习模型和数值天气预报模型在模拟高影响天气事件方面的表现进行了比较,发现机器学习模型能准确捕捉到气旋的宏观结构,但在发出天气警报所需的细节结构方面表现较为复杂。
Dec, 2023
使用机器学习代理模型和部分、嘈杂观测,本研究调查在线天气预测。我们经验性地证明并理论上证明,尽管代理模型长期不稳定且观测稀疏,但滤波估计在长期时间范围内仍然准确。作为一个案例研究,我们在变分数据同化框架中使用 FourCastNet,一种最先进的天气代理模型,使用部分、嘈杂的 ERA5 数据。我们的结果表明,在一年的同化窗口中,滤波估计保持准确,并为包括极端事件预测在内的预测任务提供有效的初始条件。
本文提出一种基于 LSTM 的深度学习结构,结合前沿的水文模型 SWAT,通过建模天气驱动和产流之间的中间交互过程,实现对径流预测的精确预测,同时减少了传统数据驱动方法所需的大量数据。
Dec, 2020