No.| EGUsphere-2023 | 预测海面温度(SST)和海洋热浪事件的机器学习方法:地中海案例研究
EGUsphere-2023
预测海面温度和海洋热浪发生的机器学习方法: 地中海的一个案例研究
1Abstract
由于海洋热浪具有重要的社会和生态影响,故对其进行精准预测并为决策者提供有关海洋热浪相关风险的宝贵信息,对防灾减灾而言具有重要意义。
在这项研究中,机器学习(ML)技术被用来预测海表温度(SST)时间序列和在16个地中海地区的海洋热浪事件(MHW)。文中选用了常见的随机森林(RForest)、长期短期记忆(LSTM)和卷积神经网络(CNN) ,来构建海表温度的预测模型。ML 模型的设计目的是预测未来7天的海表温度和海洋热浪事件。除了海表温度,其他相关的大气变量也被用来作为 MHW 的潜在预报因子。
本文研究数据来自欧洲航天局气候变化倡议(欧空局 CCI sST) v2.1和欧洲中期天气预报中心(ECMWF) ERA5再分析资料,其中从1981年到2021年的数据被用来训练和测试机器学习方法。
结果表明,ML 方法,特别是 RForest 和 LSTM,在提前一天预测的前提下,RMSE最小值约为0.1 °C,在提前7天预测的前提下,RMSE最大值约为0.8 °C,表现良好。重要的是,ML 技术在 SST 和 MHW 预报方面都优于MedFS海预报系统,特别是在提前预报的天数方面。对于 MHW 预测,当提前预测的时间在3天内时,ML 方法的性能在大多数地区,优于 MedFS,,但当提前5天预报时,MedFS 在16个地区中的9个地区,显示出优越的预报技巧。3个ML方法在任意地区预测 MHW 事件时,其置信水平均大于50% 。此外,该研究还强调了入射太阳辐射作为海表温度变化和海表温度本身的预测因子的重要性。
work flow
work flow
model introduction
three models
evaluate metrics
metric
some results
2Citation
Bonino, G., Galimberti, G., Masina, S., McAdam, R., and Clementi, E.: Machine learning methods to predict Sea Surface Temperature and Marine Heatwave occurrence: a case study of the Mediterranean Sea, EGUsphere [preprint], https://doi.org/10.5194/egusphere-2023-1847, 2023.
3Download
https://egusphere.copernicus.org/preprints/2023/egusphere-2023-1847/egusphere-2023-1847.pdf
4About EGUsphere
推荐阅读
-
使用 XXL-JOB 实现灵活控制切片处理方案的 SpringBoot
-
海螺狮壳中的 Dojo:老破机器构建的私有数据中心----Docker Learning 02 下的 Centos(yum 源代码切换和 docker 安装配置)
-
鸿蒙应用实例:如何解决 DevEco 预览器顶部和底部白色间距问题并实现全屏沉浸式体验
-
处理 postgresql 僵尸进程的想法
-
介绍 JavaScript 中的类
-
RabbitMQ 的 Linux 集群部署
-
要求:基于雪花算法,完成局部随机、全局离散、无热点切割的唯一数字 Id 生成器。
-
在新 ARM 板上移植 U-Boot 和 Linux 的指南
-
C++ 中指针和数组相关操作符的优先级
-
用户在使用 Docker 时可能会遇到各种常见错误和问题