基于 LSTM 和 GRU 的神经网络在亚马逊地区活火建模中的应用
机器学习
2024-11-05 v6 人工智能
应用统计
摘要
本研究提出了一种综合的方法，用于对来自 AQUA_M-T 卫星探测到的亚马逊地区历史时间序列活火点的进行建模和预测。该方法采用混合型循环神经网络 (RNN)，结合长短期记忆 (LSTM) 和门控循环单元 (GRU) 架构，对每日检测到的活火点月累计值进行预测。数据分析显示，时间序列中存在持续的季节性变化，年内的最大值和最小值倾向于在每年相同的时段重复。primary目标是验证通过机器学习技术，预测值是否能够捕捉到这种内在的季节性。该方法涉及严谨的数据准备、模型配置和使用两个随机种子进行交叉验证训练，确保数据在测试集和验证集上良好地泛化。结果表明，结合 LSTM 和 GRU 模型的预测性能卓越，能够有效捕捉复杂的时间模式并对观测到的时间序列进行建模。该研究在环境监测领域，特别是在活火点预测中显著推动了深度学习技术的应用。该方法的提出为适应其他时间序列预测挑战开辟了新的研究和开发机遇。
引用
@article{arxiv.2409.02681,
title = {Neural Networks with LSTM and GRU in Modeling Active Fires in the Amazon},
author = {Ramon Tavares and Ricardo Olinda},
journal= {arXiv preprint arXiv:2409.02681},
year = {2024}
}
备注
16 pages and 24 figures, in Portuguese language