通过输入扰动进行概率海表面温度预测的集成图神经网络
亚历杭德罗·J·冈萨雷斯-桑塔纳(Alejandro J. González-Santana)、
乔瓦尼·A·库埃沃-隆多尼奥(Giovanny A. Cuervo-Londo?o)
和
哈维尔·桑切斯(Javier Sánchez)
《Electronics》:Ensemble Graph Neural Networks for Probabilistic Sea Surface Temperature Forecasting via Input Perturbations
Alejandro J. González-Santana,
Giovanny A. Cuervo-Londo?o and
Javier Sánchez
【字体:
大
中
小
】
时间:2026年04月12日
来源:Electronics 2.6
编辑推荐:
摘要
准确的区域海洋预报需要既计算效率高又能表达预测不确定性的模型。本研究探讨了使用图神经网络(GNN)进行海表温度(SST)预报的集成学习策略,重点关注输入扰动设计对
摘要
准确的区域海洋预报需要既计算效率高又能表达预测不确定性的模型。本研究探讨了使用图神经网络(GNN)进行海表温度(SST)预报的集成学习策略,重点关注输入扰动设计对预报精度和不确定性表达的影响。我们将GNN架构应用于北大西洋的加那利群岛地区,并采用了一种受bagging启发的均匀集成方法,在推理过程中通过扰动初始海洋状态来引入多样性,而不是重新训练多个模型。评估了几种基于噪声的集成生成策略,包括高斯噪声、Perlin噪声和分形Perlin噪声,并系统地改变了噪声强度和空间结构。在15天的时间范围内,使用确定性指标(RMSE和偏差)和概率指标(包括连续排名概率分数CRPS和扩散-技能比)对集成预报进行了评估。结果表明,虽然确定性预报的精度与单一模型预报相当,但输入扰动的类型和结构会影响不确定性表达,尤其是在较长的预测时段。使用空间连贯的扰动(如低分辨率Perlin噪声)生成的集成预报在校准方面有所改进,CRPS值也更低。这些发现强调了噪声结构和尺度在集成GNN设计中的作用,表明特定结构的输入扰动可以在不增加额外训练成本的情况下提高集成多样性和校准效果。这些结果为基于集成的GNN方法在区域海洋预报研究方面提供了方法论上的贡献。
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