利用深度学习模型进行在线数据同化重建热带太平洋上层海洋
原文中文，约600字，阅读约需2分钟。发表于：。使用基于 Transformer 架构的深度学习模型，与标准线性逆模型（LIM）在热带太平洋上进行训练与比较。结果表明，当在重分析数据集上测试时，与 LIM 相比，深度学习模型产生更准确的预测。然后我们评估集合卡尔曼滤波器从一组噪声较大的 24 个海表温度观测中重建月平均上层海洋的能力，并比较 DL 模型和 LIM 的结果。由于 DL...
利用卫星高度计和数据同化技术提高了监测海表面动态的能力。通过训练基于模拟的神经映射方案，实现海表面高度的预测。在实际数据集上，基于模拟的4DVarNets优于DUACS和GLORYS，分辨率达到98公里，均方根误差减少了23%和61%。这为海洋建模和观测之间的学习方法开辟了新的研究途径。
