Hybrid improved empirical mode decomposition and BP neural network model for the prediction of sea surface temperature

نموذج هجين يجمع بين تفكيك النمط التجريبي المحسّن وشبكة الانتشار الخلفي العصبية (BP) للتنبؤ بدرجة حرارة سطح البحر

Clicks: 329
ID: 98631
2019
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #2 of 2 articles by views in ocean science

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract

Sea surface temperature (SST) is the major factor that affects the ocean–atmosphere interaction, and in turn the accurate prediction of SST is the key to ocean dynamic prediction. In this paper, an SST-predicting method based on empirical mode decomposition (EMD) algorithms and back-propagation neural network (BPNN) is proposed. Two different EMD algorithms have been applied extensively for analyzing time-series SST data and some nonlinear stochastic signals. The ensemble empirical mode decomposition (EEMD) algorithm and complementary ensemble empirical mode decomposition (CEEMD) algorithm are two improved algorithms of EMD, which can effectively handle the mode-mixing problem and decompose the original data into more stationary signals with different frequencies. Each intrinsic mode function (IMF) has been taken as input data to the back-propagation neural network model. The final predicted SST data are obtained by aggregating the predicted data of individual series of IMFs (IMFi). A case study of the monthly mean SST anomaly (SSTA) in the northeastern region of the North Pacific shows that the proposed hybrid CEEMD-BPNN model is much more accurate than the hybrid EEMD-BPNN model, and the prediction accuracy based on a BP neural network is improved by the CEEMD method. Statistical analysis of the case study demonstrates that applying the proposed hybrid CEEMD-BPNN model is effective for the SST prediction. Highlights include the following: Highlights.

  • An SST-predicting method based on the hybrid EMD algorithms and BP neural network method is proposed in this paper.

  • SST prediction results based on the hybrid EEMD-BPNN and CEEMD-BPNN models are compared and discussed.

  • A case study of SST in the North Pacific shows that the proposed hybrid CEEMD-BPNN model can effectively predict the time-series SST.

تُعدّ درجة حرارة سطح البحر (SST) العامل الرئيسي الذي يؤثر في التفاعل بين المحيط والغلاف الجوي، وبدوره يمثل التنبؤ الدقيق بدرجة حرارة سطح البحر المفتاح الأساسي للتنبؤ بديناميكيات المحيطات. يقترح هذا البحث طريقة للتنبؤ بدرجة حرارة سطح البحر قائمة على خوارزميات تفكيك النمط التجريبي (EMD) وشبكة الانتشار العكسي العصبية (BPNN). طُبّقت خوارزميتان مختلفتان لتفكيك النمط التجريبي على نطاق واسع لتحليل بيانات السلاسل الزمنية لدرجة حرارة سطح البحر وبعض الإشارات العشوائية غير الخطية. وتُعدّ خوارزمية التفكيك التجميعي للأنماط التجريبية (EEMD) وخوارزمية التفكيك التجميعي التكميلي للأنماط التجريبية (CEEMD) نسختين محسّنتين لخوارزمية تفكيك النمط التجريبي (EMD)، حيث يمكنهما معالجة مشكلة اختلاط الأنماط بفعالية وتفكيك البيانات الأصلية إلى إشارات أكثر استقراراً وبترددات مختلفة. واعتُمدت كل دالة نمط ذاتي (IMF) كبيانات إدخال لنموذج شبكة الانتشار العكسي العصبية. ويتم الحصول على بيانات درجة حرارة سطح البحر المتنبأ بها النهائية من خلال تجميع البيانات المتنبأ بها للسلاسل الفردية لدوال النمط الذاتي (IMFi). تُظهر دراسة حالة للمتوسط الشهري لشذوذ درجة حرارة سطح البحر (SSTA) في المنطقة الشمالية الشرقية من شمال المحيط الهادئ أن النموذج الهجين المقترح CEEMD-BPNN أكثر دقة بكثير من النموذج الهجين EEMD-BPNN، كما أن دقة التنبؤ المعتمدة على شبكة الانتشار العكسي العصبية تتحسن باستخدام طريقة CEEMD. ويوضح التحليل الإحصائي لدراسة الحالة أن تطبيق النموذج الهجين المقترح CEEMD-BPNN فعّال في التنبؤ بدرجة حرارة سطح البحر. وتتضمن أبرز النقاط ما يلي: أبرز النقاط.

  • يقترح هذا البحث طريقة للتنبؤ بدرجة حرارة سطح البحر قائمة على خوارزميات تفكيك النمط التجريبي الهجينة وطريقة شبكة الانتشار العكسي العصبية.

  • تتم مقارنة ومناقشة نتائج التنبؤ بدرجة حرارة سطح البحر القائمة على النموذجين الهجينين EEMD-BPNN وCEEMD-BPNN.

  • تُظهر دراسة حالة لدرجة حرارة سطح البحر في شمال المحيط الهادئ أن النموذج الهجين المقترح CEEMD-BPNN يمكنه التنبؤ بفعالية بالسلاسل الزمنية لدرجة حرارة سطح البحر.

Reference Key
wu2019hybridocean Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Wu, Z.;Wu, Z.;Wu, Z.;Jiang, C.;Jiang, C.;Conde, M.;Deng, B.;Deng, B.;Chen, J.;Chen, J.;
Journal ocean science
Year 2019
DOI
DOI not found
URL
https://www.ocean-sci.net/15/349/2019/os-15-349-2019.pdf
Keywords
Education Therapeutics. Pharmacology Medicine Technology Science environmental sciences neoplasms. tumors. oncology. including cancer and carcinogens nutrition. foods and food supply education (general) anesthesiology geography. anthropology. recreation

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.