研究论文

基于动态个性化图形网络的海表温度时空预测

作者:

世界环境学会王，以及

彝族王作者信息和声明

GoodIT’23：2023年ACM信息技术促进社会福利会议记录

2023年9月

页403-409

https://doi.org/10.1145/3582515.3609561

出版:2023年9月6日出版历史

获取访问权限

摘要

海表温度（SST）对地球大气层具有独特的重要性，因为其动力学是塑造当地和全球气候的主要力量，并深刻影响着我们的生态系统。准确预测海温会带来重大的经济和社会影响，例如，为未来几个月的严重干旱或热带气旋等极端天气做好更好的准备。然而，由于海洋系统固有的复杂性和不确定性，这项任务面临着独特的挑战。最近，图形神经网络（GNN）等深度学习技术被应用于解决这一任务。虽然这类技术取得了一定程度的成功，但它们在探索信号之间的动态时空依赖性方面往往有很大的局限性。为了解决这个问题，本文提出了一种新的具有静态和动态学习层的图卷积网络结构，用于SST预测。具体来说，首先构造两个自适应邻接矩阵，分别对多维SST信号中隐藏的稳定的长期和短期演化模式进行建模。然后，设计了一个个性化卷积层来融合这些信息。开发的网络可以通过端到端的方式学习。我们在真实SST数据集上的实验证明了该方法在预测任务中的最新性能。

工具书类

[1]

Michael A Alexander、James D Scott、Kevin D Friedland、Katherine E Mills、Janet A Nye、Andrew J Pershing和Andrew C Thomas。2018年。21世纪预计海平面温度：北海大型海洋生态系统区域平均值、变异性和极值的变化。元素a：人类世科学6（2018）。

[2]

HSPX Annamalai、SP Xie、JP McCreary和R Murtugudde。2005年，印度洋海面温度对厄尔尼诺发展的影响。《气候杂志》18，2（2005），302-319。

[3]

L Bai、L Yao、C Li、X Wang和C Wang。2020年。交通预测的自适应图卷积递归网络。在NeurIPS’20。

[4]

钟俊英（Junyoung Chung）、卡格拉·古尔切里（Caglar Gulcehre）、赵京贤（KyungHyun Cho）和约书亚·本吉奥（Yoshua Bengio）。2014.门控递归神经网络对序列建模的实证评估。arXiv预印本arXiv:1412.3555（2014）。

数字图书馆

[5]

邓金良、陈秀思、姜仁和、宋璇和Ivor W Tsang。2021.标准：多变量时间序列预测的时空归一化。第27届ACM SIGKDD知识发现和数据挖掘会议论文集。269–278.

数字图书馆

[6]

马丁·霍尔林和阿伦·库马尔。2003年，干旱的完美海洋。《科学》2995607（2003），691-694。

[7]

马赫迪·霍达亚尔和王建辉。2018年。用于短期风速预测的时空图形深度神经网络。IEEE可持续能源汇刊10，2（2018），670-681。

[8]

金炳勋（Byung-Hoon Kim）、叶钟哲（Jong Chul Ye）和金在津（Jae-Jin Kim）。2021.通过时空注意学习大脑连接体的动态图形表示。NeurIPS’21（2021），4314–4327。

[9]

Minkyu Kim、Hyun Yang和Jonghwa Kim。2020年。使用长短期记忆模型预测海面温度和高水温的发生。遥感12，21（2020），3654。

[10]

托马斯·基普夫（Thomas N Kipf）和马克斯·威林（Max Welling）。2016.图卷积网络半监督分类。arXiv预印arXiv:1609.02907（2016）。

[11]

李春贤（Chunshien Li）和胡智武（Jhao-Wun Hu），2012年。一种新的基于ARIMA的神经模糊方法和群智能用于时间序列预测。人工智能的工程应用25，2（2012），295–308。

数字图书馆

[12]

2021年，李福贤、冯杰、颜欢、金光银、金德鹏和李勇。用于流量预测的动态图卷积递归网络：基准和解决方案。arxiv:2104.14917[cs.LG]

[13]

李亚光（Yaguang Li）、于玫瑰花（Rose Yu）、赛勒斯·沙哈比（Cyrus Shahabi）和刘燕（Yan Liu）。2018年，扩散卷积递归神经网络：数据驱动交通预测。在ICLR’18中。

[14]

Isis Didier Lins、Moacyr Araujo、Márcio das Chagas Moura、Marcus AndréSilva和Enrique López Droguett。2013年，利用支持向量机预测热带大西洋的海面温度。计算统计与数据分析61（2013），187-198。

[15]

Gerald A Meehl、Thomas Karl、David R Easterling、Stanley Changnon、Roger Pielke Jr、David Changon、Jenni Evans、Pavel Ya Groisman、Thomas-R Knutson、Kenneth E Kunkel，2000年。极端天气和气候事件趋势介绍：观测、社会经济影响、陆地生态影响和模型预测。《美国气象学会公报》81，3（2000），413–416。

[16]

Gerald A Meehl，Jadwiga H Richter，Haiyan Teng，2021年。初始化了地球系统从亚季节到十年尺度的预测。《自然评论地球与环境》2，5（2021），340-357。

[17]

Anne G O’Carroll、Edward M Armstrong、Helen M Beggs、Marouan Bouali、Kenneth S Casey、Gary K Corlett、Prasanjit Dash、Craig J Donlon、Chelle L Gentemann、Jacob L Heyer，2019年。海面温度的观测需求。海洋科学前沿6（2019），420。

[18]

潘哲一、梁宇轩、王伟峰、余勇、郑宇和张俊波。2019.使用深度元学习从时空数据进行城市交通预测。第25届ACM SIGKDD知识发现与数据挖掘国际会议论文集。1720–1730.

数字图书馆

[19]

Chao Shang、Jie Chen和Jinbo Bi.2021。用于预测多个时间序列的离散图结构学习。arXiv预打印arXiv:2101.06861（2021）。

[20]

Chin-Hwa Sun、Fu-Sung Chiang、Eugene Tsoa和Min-Hsiang Chen。2006年。厄尔尼诺对台湾鲭鱼围网渔业产量的影响：综合气压读数和海面温度的分析。生态经济学56，2（2006），268–279。

[21]

孙永蛟、姚欣、毕欣、黄雪春、赵向国和乔白友。2021.用于海面温度预测的时间序列图形网络。大数据研究25（2021），100237。

数字图书馆

[22]

伊利亚·萨茨克弗（Ilya Sutskever）、Oriol Vinyals和Quoc V Le。2014.使用神经网络进行序列到序列学习。神经信息处理系统进展27（2014）。

[23]

彼得·维利奇科维奇、吉利姆·库库鲁尔、阿兰塔·卡萨诺娃、阿德里亚娜·罗梅罗、彼得罗·里奥和约舒亚·本吉奥。2017年。绘制注意力网络图。arXiv预印arXiv:1710.10903（2017）。

[24]

A Winter、RS Appeldoorn、A Bruckner、EH Williams Jr和C Goenaga。1998年，波多黎各（加勒比海东北部）La Parguera海域的海面温度和珊瑚礁漂白。珊瑚礁17，4（1998），377-382。

[25]

吴宗翰、潘石蕊、龙国栋、姜靖、张晓军和张成琦。2020年。连接点：用图形神经网络进行多元时间序列预测。KDD'20。753–763.

[26]

肖长江、陈能成、胡楚丽、王柯、龚建亚和陈泽强。2019.使用时间序列卫星数据和LSTM-AdaBoost组合方法进行短期和中期海面温度预测。环境遥感233（2019），111358。

[27]

谢江、张继元、余杰和徐玲玉。2019.基于深度学习和注意机制的自适应尺度海面温度预测方法。IEEE地球科学与遥感快报17，5（2019），740-744。

[28]

余梅、张卓、李学伟、余健、高洁、刘志强、博友、郑晓山和余瑞国。2020年。海上风力发电预测的叠加图神经网络。《未来一代计算机系统》113（2020），145-157。

[29]

袁强强、沈焕峰、李同文、李志伟、李树文、姜云、徐鸿章、谭伟伟、杨千谦、王继文，2020年。环境遥感深度学习：成就与挑战。环境遥感241（2020），111716。

[30]

程查、闵伟东、秦汉、新雄、王琦、刘谦。2022.用于海面温度预测的多粒度时空网络。IEEE地球科学与遥感快报19（2022），1-5。

索引术语

基于动态个性化图形网络的海表温度时空预测
1. 应用计算
  1. 物理科学与工程
    1. 地球与大气科学
      1. 环境科学
2. 计算方法
  1. 机器学习
    1. 机器学习方法
      1. 神经网络

建议

多节点海上风速预测的动态自适应时空图神经网络
摘要
由于海洋中存在复杂的动态空间相关性和高度非线性的时间动力学，多节点海上风速预测是一项具有挑战性的任务。随着深度学习的发展，图形神经网络（GNN）已经。。。
集锦
- 提出了一种用于风速预测的动态时空图模型。
- A。。。
阅读更多信息
基于注意力的长期气温预报网络：ALTF-Net
摘要
气温是与大气和环境研究相关的最重要的气象参数之一。在这种情况下，由于当前全球气候变暖，准确预测和预报气温至关重要。。。
阅读更多信息
基于神经网络的城市短期负荷预测中环境温度计算方法的比较

我们提供了一个神经网络模型，用于预测城市第二天的小时电力负荷。我们在研究中使用了几种环境温度计算方法，以了解它们如何影响预测精度。最佳元参数是。。。
阅读更多信息

评论

信息和贡献者

问询处

发布于

封面图片ACM会议

GoodIT’23：2023年ACM信息技术促进社会福利会议记录

2023年9月

560页

国际标准图书编号：9798400701160

内政部：10.1145/3582515

版权所有©2023 ACM。

如果复制品不是为了盈利或商业利益而制作或分发的，并且复制品的第一页载有本通知和完整引文，则允许免费制作本作品的全部或部分数字或硬拷贝以供个人或课堂使用。必须尊重作者以外的其他人对本作品组成部分的版权。允许用信用证进行摘要。要以其他方式复制或重新发布，在服务器上发布或重新发布到列表，需要事先获得特定许可和/或付费。从请求权限[电子邮件保护].

赞助商

SIGCAS:ACM计算机与社会特别兴趣小组

出版商

计算机协会

美国纽约州纽约市

出版历史

出版：2023年9月6日

权限

请求对此文章的权限。

检查更新

作者标记

限定符

研究文章
研究
推荐有限公司

会议

GoodIT’23年

赞助商：

SIGCAS公司

GoodIT’23：ACM信息技术促进社会公益国际会议

2023年9月6日至8日

葡萄牙里斯本

即将召开的会议

GoodIT’24年

赞助商：
sigca（信号控制）

GoodIT 2024：信息技术促进社会福利国际会议

2024年9月4-6日

不来梅，德国

贡献者

其他指标

查看文章指标

文献计量学和引文

文献计量学

文章指标

0
引文总数
79
下载总量

下载次数（过去12个月）79
下载次数（最近6周）7

其他指标

查看作者指标

引文

视图选项

获取访问权限

登录选项

检查您是否可以通过登录凭据或您的机构访问本文。

完全访问权限

获取此出版物

查看选项

PDF格式

以PDF文件查看或下载。

电子阅读器

使用联机查看电子阅读器.

电子阅读器

HTML格式格式

在中查看本文HTML格式格式。

媒体

数字

其他

桌子