评估基于机器学习和物理信息机器学习的海表温度预测潜力
大气与海洋物理
2024-12-02 v1
摘要
机器学习在大气和海洋过程建模中的日益广泛采用为传统数值方法提供了有前景的替代方案。对于短至中期预测，评估 ML 和物理信息机器学习 (PINN) 模型的预测技能至关重要。本研究利用网格化海表温度 (SST) 数据和六个大气预测变量（云盖、相对湿度、太阳辐射、表面压力、u 速度分量和 v 速度分量）来捕捉 SST 预测中的空间和时间模式。
引用
@article{arxiv.2411.19031,
title = {Assessing the potential of state-of-the-art machine learning and physics-informed machine learning in predicting sea surface temperature},
author = {Akshay Sunil and B Deepthi and Gaurav Ganjir and Muhammed Rashid and Rahul Sreedhar and Adarsh S},
journal= {arXiv preprint arXiv:2411.19031},
year = {2024}
}