集成奇异谱分析和长短期记忆网络的区域海平面变化预测
CSTR:
作者:
作者单位:

1.中国石油大学(华东) 海洋与空间信息学院,山东 青岛 266580;2.江苏满运物流信息有限公司,江苏 南京 210012;3.自然资源部第一海洋研究所,山东 青岛 266061

作者简介:

赵 健(1981—),男,副教授,硕士生导师,工学博士,主要研究方向为卫星大地测量学。 E-mail:zhjianupc@163.com

中图分类号:

P228

基金项目:

国家重点研发计划(2016YFA0600102)


Regional Sea Level Change Prediction with Integration of Singular Spectrum Analysis and Long-short-term Memory Network
Author:
Affiliation:

1.College of Oceanography and Space Informatics, China University of Petroleum (East China), Qingdao 266580, China;2.Jiangsu Manyun Logistics Information Co., Ltd., Nanjing 210012, China;3.First Institute of Oceanography, the Ministry of Natural Resources, Qingdao 266061, China

  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [34]
  • |
  • 相似文献 [20]
  • | | |
  • 文章评论
    摘要:

    基于我国首套高精度全球海洋气候数据集(CDRs),选取季节变化较为明显的黄海作为研究区域,利用奇异谱分析(SSA)对黄海海域海平面异常(SLAs)数据进行了时间序列与时空序列的分解去噪,并结合长短期记忆(LSTM)网络构建了SSA-LSTM组合模型,对黄海海域海平面变化趋势进行预测。结果表明:SSA-LSTM组合模型对时间序列的预测精度显著提高,预测长度5年的均方根误差最小为35.04 mm;在对时空序列的预测中,预测第1年的均方根误差最小为19.68 mm。同时,利用空间模态进行了海平面变化时空分异规律研究,发现黄海海域海平面变化趋势具有高度一致性,并且与季节、纬度显著相关。预计2016年―2025年黄海海域海平面将以每年3.65±0.79 mm的速率持续上升。

    Abstract:

    In this paper, the China’s first global ocean climate data records (CDRs) are used to analyze and predict the sea level changes in the Yellow Sea with obvious seasonal changes. Based on the singular spectrum analysis (SSA), the time and spatio-temporal series of sea level anomalies (SLAs) in the Yellow Sea are decomposed and de-noised. Then the SSA-long short-term memory (LSTM) network (SSA-LSTM combined model) is established to predict the sea level trends of the Yellow Sea. Compared with the traditional methods, the prediction accuracy of the SSA-LSTM combined model is significantly improved with 35.04 mm of the minimum root-mean-square error for the SLAs time series prediction length of 5 years. For the first-year prediction of spatial-temporal series of SLAs, the minimum root-mean-square error is only 19.68 mm. The law of spatial-temporal differentiation of the sea level change in the Yellow Sea is also analyzed by the spatial modes. It is found that the sea level trend of the Yellow Sea is highly consistent and significantly related to the season and latitude. According to the SSA-LSTM combined model, the sea level rise rate of the Yellow Sea will remain at 3.65±0.79 mm per year from 2016 to 2025.

    参考文献
    [1] KARIMI A A, DENG Xiaoli. Estimating sea level rise around Australia using a new approach to account for low frequency climate signals [J]. Advances in Space Research, 2020, 65(10): 2324.
    [2] ZHAO Jian, FAN Yanguo, MU Yuxiang. Sea level prediction in the Yellow sea from satellite altimetry with a combined least squares-neural network approach [J]. Marine Geodesy, 2019, 42(4): 344.
    [3] OPPENHEIMER M, GLAVOVIC B, HINKEL J, et al. Sea level rise and implications for low lying islands, coasts and communities [R/OL]. [2019-09-24]. https://www.ipcc.ch/srocc/home.
    [4] 自然资源部. 2021年中国海平面公报[EB/OL]. [2022-04-08]. http://gi.mnr.gov.cn/202205/t20220507_2735509.html.
    [5] 丁宁. 山东半岛近海海域海平面变化预测研究[D]. 青岛: 中国石油大学(华东), 2018.
    [6] 王龙, 王晶, 杨俊钢. 东海海平面变化的综合分析[J]. 海洋学报, 2014, 36(1): 28.
    [7] 赵健, 樊彦国, 张音. 基于EEMD-BP组合模型的区域海平面变化多尺度预测[J]. 系统工程理论与实践, 2019, 39(10): 2713.
    [8] WANG G, WANG X, WU X, et al. Multimodal fusion for sea level anomaly forecasting[J/OL]. [2020-10-21].https://arxiv.org/abs/2006.08209v1.
    [9] 牛余朋, 郭金运, 袁佳佳, 等. 集成奇异谱分析和自回归滑动平均预测日本近海海平面变化[J]. 地球物理学报, 2020, 63(9): 3263.
    [10] SHI X, CHEN Z, WANG H, et al. Convolutional LSTM network: a machine learning approach for precipitation nowcasting [J]. Neural Information Processing Systems, 2015, 28(1): 802.
    [11] MA C, LI S, WANG A, et al. Altimeter observation-based eddy nowcasting using an improved conv-LSTM Network [J]. Remote Sensing, 2019, 11(7): 783.
    [12] ZHAO Jian, CAI Ruiyang, FAN Yanguo. Prediction of sea level nonlinear trends around Shandong Peninsula from satellite altimetry [J]. Sensors, 2019, 19: 4770.
    [13] 冉祥栋. 基于深度学习的交通时间预测模型与方法研究[D]. 北京: 北京科技大学, 2019.
    [14] 杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J].计算机应用, 2018, 38(S2): 1.
    [15] 王解先, 连丽珍, 沈云中. 奇异谱分析在GPS站坐标监测序列分析中的应用[J]. 同济大学学报(自然科学版), 2013, 41(2): 282.
    [16] 郭金运, 高文宗, 于红娟, 等. 基于奇异谱分析的静态相对重力观测重力固体潮提取[J]. 地球物理学报, 2018, 61(10): 3889.
    [17] 胡莹英. 黄、东海水温季节和年际变化特征分析[D]. 青岛: 中国海洋大学, 2013.
    [18] 刘雪源, 刘玉光, 郭琳, 等. 渤黄海海平面的变化及其与ENSO的关系[J]. 海洋通报, 2009, 28(5): 34.
    [19] 张静. 近20年中国和全球海域海平面上升趋势特征分析及相互关系的初步研究[D]. 青岛: 中国海洋大学, 2014.
    [20] 梁顺林, 唐世浩, 张杰, 等. 全球气候数据集生成及气候变化应用研究[J]. 遥感学报, 2016, 20(6): 1491.
    [21] 张杰, 孙伟富, 杨俊钢, 等. 海洋气候数据集生成与分析简介[J]. 海洋科学进展, 2019, 37(2): 325.
    [22] 徐曜. 多代卫星测高数据处理及其在海平面变化监测中的应用[D]. 杭州: 杭州师范大学, 2017.
    [23] HARRIS T J, YUAN H. Filtering and frequency interpretations of singular spectrum analysis [J]. Physica D: Nonlinear Phenomena, 2010, 239(20/22): 1958.
    [24] VAUTARD R, GHIL M. Singular spectrum analysis in nonlinear dynamics, with applications to paleoclimatic time series [J]. North-Holland, 1989, 35(3): 395.
    [25] HOSSEIN H. Singular spectrum analysis: methodology and comparison [J]. Journal of Data Science, 2007, 5(2): 239.
    [26] HOCHREITERS S, SCHMIDHUBER J. Long short-term memory [J]. Neural Computation, 1997, 9(8): 1735.
    [27] 迟永祥. 中国近海海平面季节变化研究[D]. 青岛: 中国海洋大学, 2013.
    [28] 李享, 王珏, 王震, 等. 基于时间序列分解与重构的能源价格分析研究[J]. 中国石油大学学报(社会科学版), 2019, 35(4): 1.
    [29] 王慧, 刘克修, 张琪, 等. 中国近海海平面变化与ENSO的关系[J]. 海洋学报, 2014, 36(9): 65.
    [30] 黎维, 陶蔚, 周星宇, 等. 时空序列预测方法综述[J]. 计算机应用研究, 2020, 37(10): 2881.
    [31] 李艳艳, 董庆, 任永政, 等. 印度洋及太平洋海表盐度时空特征分析[J]. 遥感学报, 2020, 24(10): 1193.
    [32] 杨立宁, 李艳婷. 基于SVD和ARIMA的时空序列分解和预测[J]. 计算机工程, 2021, 47(3): 53.
    [33] YAVUZDO?AN A, TANIR KAYIK?I E. A copula approach for sea level anomaly prediction: a case study for the Black Sea[J]. Survey Review,2021,53(380): 436.
    [34] 周玮辰, 韩震, 张雪薇. 基于融合U-Net及ConvLSTM的海面高度异常预报方法研究[J]. 海洋通报, 2021, 40(4): 410.
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

赵健,蔡瑞阳,孙伟富.集成奇异谱分析和长短期记忆网络的区域海平面变化预测[J].同济大学学报(自然科学版),2022,50(10):1508~1516

复制
分享
文章指标
  • 点击次数:217
  • 下载次数: 467
  • HTML阅读次数: 82
  • 引用次数: 0
历史
  • 收稿日期:2021-01-28
  • 在线发布日期: 2022-11-03
文章二维码