用于环流体积速度预报的物理信息张量列ConvLSTM
机器学习
2022-01-12 v2 图像与视频处理
信号处理
机器学习
摘要
据美国国家科学院称，对环流（LC）及其涡旋的速度、垂直结构和持续时间进行每周预报，对于理解海洋学与生态系统，以及减轻墨西哥湾（GoM）中人为与自然灾害的后果至关重要。然而，这一预报是一个具有挑战性的问题，因为 LC 的行为受多个时间尺度上长距离空间连接的支配。在本文中，我们扩展了时空预测学习，展示其在视频预测之外的有效性，将其推广至 4D 模型，即一种新颖的用于 3D 地理空间数据时间序列预报的物理信息张量列 ConvLSTM（PITT-ConvLSTM）。具体而言，我们提出：1）一种新颖的 4D 高阶循环神经网络，结合经验正交函数分析以捕获各层级的隐藏不相关模式；2）卷积张量列分解以捕获高阶时空相关性；3）通过向潜空间中的学习提供来自领域专家的先验物理知识来融入该知识。我们所提方法的优势显而易见：在物理定律约束下，它同时学习帧依赖关系（短期与长期高层依赖）以及每个时间帧内层级间关系的良好表示。在从 GoM 收集的地理空间数据上的实验表明，PITT-ConvLSTM 在预报 LC 及其涡旋超过一周的体积速度方面优于最先进的方法。
引用
@article{arxiv.2008.01798,
title = {Physics-informed Tensor-train ConvLSTM for Volumetric Velocity Forecasting of Loop Current},
author = {Yu Huang and Yufei Tang and Hanqi Zhuang and James VanZwieten and Laurent Cherubin},
journal= {arXiv preprint arXiv:2008.01798},
year = {2022}
}
备注
10 pages, 5 figures