Biblioteca122.739 documentos en línea

Artículo

Prediction of North Atlantic Oscillation Index Associated with the Sea Level Pressure Using DWT-LSTM and DWT-ConvLSTM NetworksPredicción del índice de oscilación del Atlántico Norte asociado a la presión a nivel del mar mediante redes DWT-LSTM y DWT-ConvLSTM

Resumen

La Oscilación del Atlántico Norte (NAO), que se manifiesta como una fluctuación atmosférica irregular, tiene un profundo efecto en el cambio climático global. El índice NAO (NAOI) es el indicador cuantitativo que puede reflejar la intensidad de los eventos de la NAO, y su definición tradicional es la diferencia normalizada de presión a nivel del mar (SLP) entre Azores e Islandia. A partir de la tendencia de variación del NAOI, descubrimos que es difícil predecir la NAO con las características de variabilidad y complejidad. Como enfoque basado en datos, la red neuronal profunda presenta un gran potencial en el aprendizaje de los mecanismos de predicción climática. En este trabajo, adoptamos la memoria a largo plazo (LSTM) y ConvLSTM para predecir la NAO desde dos aspectos, NAOI y SLP, respectivamente. En estudios anteriores, LSTM se ha considerado un método resultón para la predicción de series temporales. ConvLSTM puede captar tanto las interdependencias temporales como espaciales del campo SLP; entonces, la NAOI puede calcularse a partir de la salida SLP. Para mejorar la fiabilidad de la predicción, utilizamos la transformada wavelet discreta (DWT) como técnica de preprocesamiento para descomponer los datos originales en diferentes frecuencias, teniendo en cuenta la dependencia temporal local. Puede preservar eficazmente las características de los datos de alta frecuencia y pronosticar los fenómenos extremos con mayor precisión. Los modelos DWT-LSTM y DWT-ConvLSTM propuestos se comparan con múltiples modelos avanzados, como LSTM, Holt-Winters, regresión de vectores de soporte (SVR) y unidad recurrente temporizada (GRU). Los resultados indican que tanto DWT-LSTM como DWT-ConvLSTM funcionan mejor, sobre todo en los valores máximos. En cuanto a los 31 eventos de la NAO de 2006 a 2015, nuestros modelos logran el menor error de predicción y la mejor estabilidad. En comparación con los productos de previsión del CPC denominados Global Forecast System (GFS) y las previsiones de conjunto (ENSM), nuestros modelos se acercan mucho más a la observación en las previsiones de varios pasos.

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento