Aug, 2024

风暴潮预测中的卷积神经网络与递归神经网络的比较研究

HTML
PDF
TL;DR本研究解决了风暴潮建模中深度学习架构性能比较的空白，评估了CNN-LSTM、LSTM和3D-CNN模型在坦帕湾地区的表现。研究表明，CNN-LSTM模型在预测准确性和极端条件下的稳定性方面优于其它架构，为风暴潮预测提供了有效的工具。
发现论文，激发创造
  • 应用深度卷积神经网络检测气候数据中的极端天气

    本研究首次应用深度学习技术来检测极端气候事件，通过开发一个基于深度卷积神经网络的分类系统和联合贝叶斯优化方案，实现了在热带气旋、大气河流和天气前沿等方面对于极端事件的检测准确率达到89%-99%。

    May, 2016

  • 一种用于风暴潮预测的高级时空卷积循环神经网络

    本研究使用人工神经网络模型结合一组合成暴风模拟数据库，研究了该模型模拟风暴潮水平的能力；使用时间序列模型Long short-term memory，和结合卷积神经网络的ConvLSTM模型捕捉数据的时空相关性；该模型的性能优于高斯过程实现多个合成风暴数据库的结果。

    Apr, 2022

  • 使用LSTM-DeepLabv3+和贝叶斯优化进行时空特征融合以改善城市洪涝预测

    本研究提出了基于 CNN-RNN 混合特征融合建模的城市洪水预测方法。通过结合卷积神经网络在处理空间特征方面的优势和循环神经网络在分析不同时间序列维度方面的优势，实现了静态和动态洪水预测。通过贝叶斯优化，最佳的混合模型被确定为 LSTM-DeepLabv3+，在各种雨量输入条件下都取得了最高的预测精度。该模型的推理时间大大提高，相对于基于物理的模型的传统计算时间约为1 / 125。

    Apr, 2023

  • 诺福克弗吉尼亚市街道尺度洪水的机器学习替代模型比较

    通过2016年至2018年诺福克的降雨事件数据，本研究比较了基于随机森林算法的以前的代理模型与两种深度学习模型（LSTM和GRU）的性能，突出了使用支持预测不确定性传达和有效整合相关多模态特征的模型架构的重要性。

    Jul, 2023

  • 荷兰的短期降水预测：基于卷积LSTM神经网络的天气雷达数据应用

    此研究利用ConvLSTM神经网络将天气雷达数据应用于短期降水预测，通过卷积神经网络层进行空间模式识别和LSTM网络层进行时间序列建模，构建了一个包含九层的自动编码器模型。结果表明，ConvLSTM网络在气象预测中有着高准确性，尤其在天气复杂的地区具有显著潜力，为气象任务提供了一种更准确、数据驱动的方法。

    Dec, 2023

  • 人工智能时代的风暴潮模拟：基于LSTM的机器学习用于提高预测准确性

    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

  • 稀疏原位数据隐式同化用于密集全球风暴潮预测

    通过神经网络隐性同化海上表面粗略重新分析数据和孤立潮汐计测数据，我们构建了一个全球数据集对飓风引起的风暴增水进行稠密预测，不仅限于已知计测站点，而是扩展到未测站点，为全球风暴增水预报铺平了道路。

    Apr, 2024

  • 基于深度视觉的沿海洪水预测框架，应对气候变化及岸线适应

    在追求计算效率的过程中，提出了训练高保真、基于深度学习的沿海洪水预测模型的系统框架，通过与地质统计回归方法和传统机器学习方法进行性能验证，表明其对预测质量的显著提升，并提供了阿布扎比海岸的综合数据集，用于评估未来的沿海洪水预测模型。

    Jun, 2024

  • 注意力机制提升CNN基础的闪洪易发性模型：摩洛哥无测站Rheraya流域案例

    本研究解决了传统卷积神经网络在闪洪易发性建模中存在的梯度爆炸和过拟合问题。通过引入卷积块注意力模块（CBAM），我们显著提升了模型效果，特别是DenseNet121在每个卷积块中应用CBAM时达到了最佳表现（准确率为0.95，AUC为0.98）。该研究为闪洪管理提供了重要的见解和应用价值。

    Aug, 2024

  • 基于CNN-LSTM的时间序列分析天气预测：以德里温度数据为例

    本研究针对传统天气预测方法在应对复杂非线性和时间变化数据时的局限性，提出了一种混合CNN-LSTM模型以提高德里区域温度预测的准确性。研究表明，该模型在预测准确性和稳定性上显著优于传统方法，预示着其在气象预测及相关领域的广泛应用潜力。

    Sep, 2024