Apr, 2023

基于图的深度学习用于海表温度预测

PDF
TL;DR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。
sea surface temperaturemachine learninggraph neural networksspatiotemporal domainssst prediction
发现论文，激发创造
  • 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

  • 基于物理知识增强的深度神经网络预测海表面温度

    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。

    Apr, 2023

  • 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

  • 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

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 深度预测：基于深度学习的时空预测

    本文利用深度学习与循环神经网络算法，提出一种时空风速预测模型，并利用其进行风能预测。研究结果表明，该模型不仅可以显著提高短期预测水平，同时可以模拟并预测获得更多数据的实体之间的相互作用。

    Jul, 2017

  • 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

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 利用神经网络和光谱聚类在气候模型大集合和卫星测高数据上进行的多年海平面预测

    利用卫星测高测量，对全球平均海平面上升速率进行预测，并研究未来海平面变化的模式。我们展示了机器学习在长期海平面预测中的潜力，结合测高观测和气候模型模拟数据，利用全连接神经网络框架预测海平面趋势，并提供与该预测相关的不确定性评估。我们同时展示了分区数据集和为每个分割区域学习独立机器学习模型的有效性，并比较了两种分割策略的结果。

    Oct, 2023

  • 面向精准农业的图神经网络动态结构学习预测土壤湿度

    本文提出了一种基于图神经网络的解决方案，学习时变图结构并在端到端框架中预测土壤湿度。该解决方案能够处理实践中常见的缺失地面真实土壤湿度的问题，并在真实世界的土壤湿度数据上展示了我们算法的优点。

    Dec, 2020