A Time Series Prediction Method for the Subsurface Thermal Structure of the South Yellow Sea Cold Water Mass
Notice bibliographique
Résumé
Ocean subsurface thermal structure prediction is an area of active research field because of its scientific importance attach to ocean dynamic, air-sea interaction, and climate change, but currently, most of the ocean temperature predictions are oriented to the sea surface temperature (SST) due to the lack of observed profile data inside the ocean, especially in some marginal sea areas, such as the South Yellow Sea Cold Water Mass (SYSCWM). In fact, the prediction for ocean subsurface thermal structure is more important than SST in some ocean fields. In this letter, a dynamic coupling vertical multifeature difference time series prediction model based on bi-long short-term memory (DVMFD-Bi-LSTM) is proposed for the subsurface thermal structure prediction in the SYSCWM. Bi-LSTM with the “bi-directional” structure enables information association in temporal dimension. The dynamic coupling vertical mechanism is used to realize the spatial correlation between two adjacent layers of the subsurface ocean, and the difference algorithm is introduced to ensure the accuracy and robustness of the new method. Besides, we construct multifeature datasets to improve data scale and quality and rely on a multistep prediction strategy for multiday prediction. For a more comprehensive evaluation, multiple groups of experiments are set up for comparison, and the RMSE of the new model is reduced to 0.517, and R2 is increased to 0.937, which verifies the good performance of it in both temporal and spatial dimensions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».