自然引导的认知进化模型预测北温带湖泊中的溶解氧浓度
通过使用深度神经网络预测物候指数,我们发现这种方法优于传统的基于过程的模型,突显了数据驱动方法改进气候预测的潜力。我们还分析了时间序列的变量和方面如何影响季节开始的预测,以更好地了解我们模型的优势和局限性。
Jan, 2024
本研究提出了基于深度学习的 OxyGenerator 模型,用于重建从 1920 年到 2023 年的全球海洋缺氧情况。通过引入分区变化的图消息传递和溶解氧变化的归纳偏差来捕捉复杂的海洋学关联关系,该模型在重建中显著优于 CMIP6 数值模拟,减少 MAPE 38.77%。对于以数据驱动的方式理解 “无氧海洋” 具有巨大潜力。
May, 2024
使用传递学习方法,将来自开源模拟模型和另一废水处理厂的知识转移到工业废水处理厂,从而提高预测性能。测试和验证性能分别提高了 27% 和 59%。
Jan, 2024
本文提出了一种时间序列分解自适应图时空卷积网络 (AGTCNSD) 预测模型,通过移动平均法将原始序列分解为趋势分量和周期分量,基于图卷积神经网络对水质参数数据进行建模,通过时间卷积来捕捉时间依赖性,实现叶绿素浓度的多步预测。验证结果表明,该方法的预测效果优于其他方法,可用于环境管理决策的科学资源。
Sep, 2023
应用元转移学习方法 Meta Transfer Learning (MTL) 将来自少数好监测站点的模型应用到未监测的湖泊深度温度预测中,优于传统的基于过程的模型,该方法易于扩展使用到未监测的环境系统和变量中。
Nov, 2020
大气氮氧化物主要来自燃料燃烧,会对健康和环境造成急性和慢性影响。本研究提出了一种基于物理知识的深度学习框架,结合了传输模型和机器学习的优势,可以准确预测 NO2 和 NOx 的地面浓度,并降低估计偏差。该框架在空气质量暴露、健康和政策应用方面取得了显著的改进。
Aug, 2023
本研究利用神经网络预测德国六条小溪的水温。通过评估神经网络的鲁棒性、可能的最大值和最小值以及单个输入参数对输出的影响等分析方法,为可靠的水温预测模型选择架构和输入参数做出贡献,以帮助了解神经网络中的过程并增强系统的韧性。
Oct, 2021
本文介绍了一种新型的框架,将物理学的科学知识与递归神经网络相结合,来推进许多动态系统的科学发现。我们将描述使用基于物理模型的输出来学习混合物理数据模型的方法,并进一步将现实动态系统的物理知识作为训练递归神经网络的附加约束。我们应用此方法来模拟湖泊温度和水质,通过使用科学知识指导构建和学习数据驱动模型,我们证明该方法可以实现更好的预测精度以及结果的科学一致性。
Oct, 2018