HW-OPINN:一种针对海洋热浪预测的、优化了热浪影响的物理感知神经网络
何祺(Qi He)
毕瑞泽(Ruize Bi)
赵伟(Wei Zhao)
张文波(Wenbo Zhang)
杜彦玲(Yanling Du)
陈玉林(Yulin Chen)
《Remote Sensing》:HW-OPINN: A Heat Wave-Optimized Physics-Informed Neural Network for Marine Heatwave Prediction
Qi He,
Ruize Bi,
Wei Zhao,
Wenbo Zhang,
Yanling Du and
Yulin Chen
【字体:
大
中
小
】
时间:2026年03月04日
来源:Remote Sensing 4.1
编辑推荐:
摘要
海洋热浪(MHWs)是一种持续的极端升温事件,对海洋生态系统和沿海社区构成严重威胁,因此需要可靠的气候预测能力来支持适应措施和海洋资源
摘要
海洋热浪(MHWs)是一种持续的极端升温事件,对海洋生态系统和沿海社区构成严重威胁,因此需要可靠的气候预测能力来支持适应措施和海洋资源管理。传统的数值模型虽然基于物理原理,但受到计算成本和误差累积的限制;而纯粹的数据驱动方法往往缺乏物理一致性,且在处理极端事件时泛化能力较差。为了解决这些问题,本研究提出了一种基于热浪优化的物理信息神经网络(HW-OPINN),该网络将海洋混合层热量预算动态与自适应深度学习技术相结合。该框架引入了三项方法创新:首先,基于玻尔兹曼分布理论的自适应采样策略会根据历史损失模式动态调整物理采样点的分布;其次,一种基于残差的权重更新机制能够在训练过程中自动调节空间异质区域中的物理约束贡献;第三,贝叶斯优化框架利用高斯过程代理系统地平衡物理约束与数据拟合目标。该框架通过使用涵盖二十多年的多源再分析数据在地中海地区进行了全面验证。实验结果表明,HW-OPINN在海水表面温度(SST)预测方面表现优异,其测试均方误差(MSE)为0.009138,均方根误差(RMSE)为0.095595,分别比ConvLSTM基线模型(MSE:0.016275,RMSE:0.127575)提高了43.9%和25.1%;同时比标准PINN模型(MSE:0.016550,RMSE:0.128661)提高了44.8%和25.7%。根据预测的SST场,该模型成功再现了海洋热浪的关键特征的空间异质性,包括事件频率、持续时间和强度分布,证明了其在海洋热浪检测与分析中的有效性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号