Apr, 2023

基于物理知识增强的深度神经网络预测海表面温度

PDF
TL;DR本文介绍了一种将历史观测数据中的物理知识转移至数值模型的方法，使用编码器和生成对抗网络的组合来捕捉观测数据中的物理知识，并将数值模型数据馈入预训练模型以生成物理增强数据进行 SST 预测，实验结果表明，该方法在 SST 预测性能方面相比几种最先进的基线方法有了明显的提升。
numerical modelsoceanographysea surface temperature (sst)physical knowledgegenerative adversarial network (gan)
发现论文，激发创造
  • 基于图的深度学习用于海表温度预测

    该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。

    Apr, 2023

  • 基于可学习的静态与动态个性化图卷积网络的时空海表温度预测

    本文提出了一种新颖的静态和动态可学习个性化图卷积网络 (SD-LPGC) 来处理 SST　的预测任务，实验结果表明该方法具有最先进的性能。

    Apr, 2023

  • 使用深度卷积残差回归神经网络转换海洋温度观测

    通过神经网络架构融合 AMSRE-E 和 MODIS 可以提高地表海温的分辨率和填补云缺失，尽管当前暂时有一些计算力等限制，但并行化是一个可以解决这些问题的方案。

    Jun, 2023

  • 无监督学习多变量模拟卫星观测的海面高度插值

    卫星遥感技术、海面高度、地转流、深度学习网络和插值方法是该研究论文的主要关键词和研究领域。

    Oct, 2023

  • 物理过程的深度学习：融入先前的科学知识

    用深度学习方法建模复杂现象，以海表温度预测为例，展示了从物理学中获取的背景知识如何指导设计高效的深度学习模型，并证明了一个物理现象的微分方程的解与提出的模型之间的形式上的联系。

    Nov, 2017

  • 动态图神经网络建模海洋变量

    在本文中，我们使用先进的机器学习方法，包括序列模型（LSTM 和 Transformers）和关系模型（图神经网络），建立了一个在巴西东南海岸 Santos-Sao Vicente-Bertioga 海湾地区可以预测洋流速度和海面高度等环境变量的数据驱动模型，并将我们的结果与 Santos 操作预测系统进行了比较，证明了我们的模型可以在保持一定的灵活性和少量领域知识依赖性的同时实现更好的预测效果。

    Jun, 2022

  • 利用物理引导和频率增强的循环神经网络增强时空预测

    该研究论文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力，并提出了具有物理约束的自适应二阶龙格 - 库塔方法，以更准确地建模物理状态。实验结果表明，该模型在时空预测和视频预测任务中表现出色，在多个数据集上具有最佳性能，而参数数量却更少。

    May, 2024

  • 物理引导的机器学习在科学探索中的应用：模拟湖水温度剖面

    本文提出了一种物理引导递归神经网络模型（PGRNN），它根据物理学模型和机器学习模型相结合，明确提出物理模型的局限性并提出了一种新的改进方法，该方法能够更好地预测实际现象。

    Jan, 2020

  • 物理引导的神经网络（PGNN）：在湖泊温度建模中的应用

    本论文介绍了一种将物理学 - 基于模型的知识与神经网络相结合的框架，被称为物理引导的神经网络（PGNN），在混合建模设置中利用物理模型模拟的输出和观察特征，借助神经网络体系结构生成预测。此框架使用物理基础的损失函数在神经网络的学习目标中，以确保模型预测不仅在训练集上显示较低的误差，而且在未标记的集合上与已知的物理学保持科学一致性。通过以科学知识指导神经网络的构建和学习，我们能够证明所提出的框架确保了更好的泛化能力和结果的科学一致性。

    Oct, 2017

  • 深度学习传输现象的物理学

    使用条件生成对抗网络（cGAN）的数据驱动模式，无需对基础控制方程有先验知识，直接生成稳态导热和不可压缩流的解，具有高测试精度（MAE＜1％）和最先进的计算性能，并可用于从实验观测中直接学习因果模型。

    Sep, 2017