Современные проблемы дистанционного зондирования Земли из космоса. 2025. Т. 22. № 4. С. 76-86
Проблемы прогнозирования океанографических рядов на примере температуры поверхности Чёрного моря и экмановского индекса для южной части Канарского апвеллинга
1 Институт природно-технических систем, Севастополь, Россия
Одобрена к печати: 23.06.2025
DOI: 10.21046/2070-7401-2025-22-4-76-86
Приводится опыт прогнозирования океанических явлений с помощью рекуррентных нейронных сетей и структур долговременной – кратковременной памяти. В частности, проанализированы проблемы, возникающие при прогнозировании температуры поверхности Чёрного моря и экмановского индекса южной части Канарского апвеллинга (13–21° с. ш.) на примере использования одномерной модели для прогноза на 60-месячный период. Показано, что одной из основных проблем прогнозирования океанографических рядов, таких как скорость и направление ветра, температура поверхности моря и т. д., является непредсказуемость вариаций этих параметров на небольших временных масштабах (до года). Эти вариации естественного происхождения не позволяют модели использовать опыт обучения для достоверного прогнозирования. Улучшение качества модели (усложнение) на этапе обучения приводит к переобучению, что отражается при тестировании модели; упрощение модели приводит к сглаживанию прогноза. Кроме этого подтверждается, что точность прогнозирования океанографических параметров в значительной степени зависит от качества и длины исходных данных. Благодаря развитию спутниковых технологий обеспечивается доступ к обширному архиву данных дистанционного зондирования. Однако некоторые данные, как показано в статье, относящиеся, например, к параметрам прибрежных апвеллингов, оказываются всё ещё достаточно зашумлёнными.
Ключевые слова: модель LSTM, рекуррентная модель, градиентный спуск, экмановский индекс апвеллинга, прибрежный апвеллинг, температура поверхности океана
Полный текстСписок литературы:
- Chollet F. Deep learning with Python. Shelter Island, NY: Manning, 2017. 384 p.
- Chollet F., Watson M. Deep learning with Python. 3rd ed. Shelter Island, NY: Manning, 2025. 600 p.
- Géron A. Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow: Concepts, tools, and techniques to build intelligent systems. 2nd ed. O’Reilly Media, 2019. 848 p.
- IPCC, 2021: Summary for policymakers // Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University Press, 2021. P. 1–32.
- Jebri F., Srokosz M., Jacobs Z. L. et al. Earth observation and machine learning reveal the dynamics of productive upwelling regimes on the Agulhas Bank // Frontiers in Marine Science. 2022. V. 9. Article 872515. DOI: 10.3389/fmars.2022.872515.
- Polonsky A. B., Serebrennikov A. N. What is the reason for the multiyear trends of variability in the Benguela upwelling? // Izvestiya, Atmospheric and Oceanic Physics. 2022. V. 58. No. 12. P. 1450–1457. DOI: 10.1134/S0001433822120192.
- Wang S., Fu G., Song Y. et al. Ocean-Mixer: A deep learning approach for multi-step prediction of ocean remote sensing data // J. Marine Science and Engineering. 2024. V. 12. No. 3. Article 446. DOI: 10.3390/jmse12030446.