STFM：基于相空间重构的时空信息融合模型用于海表温度预测
机器学习
2025-04-25 v1
摘要
海表温度（SST）是关键环境参数，对优化生产计划具有重要意义，其准确预测是重要的研究主题。然而，海洋动态系统的内在非线性性质为预测带来了显著挑战。当前的预测方法主要包括基于物理的数值模拟和基于数据驱动的机器学习方法。前者虽然通过微分方程描述 SST 的演化，但存在计算复杂度高、适用性有限的问题；后者虽然具有计算优势，但需要大量数据且面临可解释性挑战。本研究提出了仅基于数据驱动技术的预测框架。利用相空间重构，我们构建初始-延迟吸引子对，具有数学上的同胚关系，并设计时空融合映射（STFM）以揭示其内在联系。与传统模型不同，我们的方法通过相空间重构高效地捕获 SST 动力学，并在比较测试中以最少的训练数据实现高预测准确率。
引用
@article{arxiv.2504.16970,
title = {STFM: A Spatio-Temporal Information Fusion Model Based on Phase Space Reconstruction for Sea Surface Temperature Prediction},
author = {Yin Wang and Chunlin Gong and Xiang Wu and Hanleran Zhang},
journal= {arXiv preprint arXiv:2504.16970},
year = {2025}
}
备注
19 pages, 14 figures