一种用于作物生长模型的 EnKF-LSTM 同化算法
这篇研究使用改进的深度 LSTM 模型和集合卡尔曼滤波器,在评估输入参数的不确定性的同时,预测成熟气井的气体流量,并且利用新数据更新模型提高了预测准确性,实验结果表明使用 EnKF 更新模型的预测结果比没有使用 EnKF 的预测更好。
Feb, 2018
本研究提出一种基于卷积神经网络的机器学习方法,利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计,并在杂交数据同化方法中进行性能测试,证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。
May, 2023
本文主要介绍了一种实用的数据同化方法 —— 基于集合卡尔曼滤波算法,它将系统状态及其不确定性表示为系统状态的集合,重点在于易于使用和计算速度而非提高准确性。作者通过一些数值实验证明了该方法在全球天气预报模型下合理有效地同化真实大气数据的效率和准确性。
Nov, 2005
本文提出了一种基于全非侵入式长短时记忆(LSTM)嵌入结构的递归神经网络方法,用于估算限制性项,该方法不仅强制状态轨迹到观察值,而且还在一定程度上充当了稳定器,并通过相关数据的强大力量,可以有效地进行再培训。实验结果表明,与 EKF 和 EnKF 相比,所提出的 LSTM 间隙处理方法在只有稀疏观察数据可用时产生了更准确的估计。
May, 2020
本文通过引入新的图形循环神经网络,将地理和时间信息嵌入到机器学习模型中,进一步提高了作物产量预测的预测能力,并验证了其在各种指标上优于现有的先进方法,为未来的研究提供了坚实的基础。
Nov, 2021
该研究介绍了一种新的方法,该方法基于数据同化和机器学习的组合,以模拟隐藏的、可能是混沌的动态和预测它们的未来状态。该方法通过迭代应用数据同化步骤和神经网络来更新替代模型,并证明了方法对于低维系统具有成功的协同作用,鼓励进一步研究更复杂的动态系统。
Jan, 2020
通过深度生成模型,我们提出了 SLAMS 方法,用于使用实际数据集进行多模态数据同化,将现场天气站数据和卫星图像数据同化以在全球范围内校准垂直温度剖面,这是构建强大的计算模拟器的重要步骤。
Apr, 2024
本研究提出了一种采用混合和分层深度学习模型进行中期负载预测的方法,该模型结合了指数平滑(ETS)、先进的长短期记忆(LSTM)和集成方法。模拟研究表明,该模型的性能非常高,竞争力强。
Mar, 2020
使用 U-Net 技术结合集合卡尔曼滤波算法,进行数据同化实验,得出 U-Net Kalman Filter 方法可以与传统的 3DVar、En3DVar 或 EnKF 方法相媲美或超越其性能,并展示训练后的 U-Net 模型能够转移到高分辨率模型中进行实现,在小集合规模下表现出色。
Mar, 2024
该研究提出了一种填补数据空缺和预测 GRACE 加速度计数据的方法,使用了 Long Short-Term Memory(LSTM)网络来训练一个能够预测三个轴加速度计数据的模型,并通过实验证明了该 LSTM 预测模型在填补数据空缺和预测 GRACE 加速度计数据方面的有效性。
Aug, 2023