详细内容或原文请订阅后点击阅览
物理学 + 机器学习提供更好的海洋测量图
一项新研究提供了一个引人注目的例子，其中动态建模、机器学习和海洋测量的结合增强了对海洋学的理解、监测和测绘。
来源:Eos杂志来源：《地球系统建模进展》
《地球系统建模进展》 《地球系统建模进展》海洋观测工作面临的一个主要挑战是缺乏空间和时间上任何地方的观测。大多数海洋观测用户都希望地图没有缺失区域，因此如何填充这些区域一直是观测海洋学的一个长期研究问题。
有各种方法可以填充缺失区域，这些方法通常利用统计假设（例如，最佳插值中使用的高斯核），而这些假设并非完全基于或受底层物理学的约束。尽管我们认识到物理过程具有重要的时空相关性，但如何将相关性的所有方面构建到海洋观测的制图方案中并不明显。
Febvre 等人[2024] 提供了一种新方法，该方法将最先进的数值模型与神经映射方案相结合，以重建卫星测高数据。在他们的方法中，使用动态模型的数值模拟来训练用于绘制卫星测高的机器学习方法（神经映射方案）。经过充分测量的墨西哥湾流地区是他们分析的测试案例。他们的研究结果表明，将模拟海洋数据纳入训练过程可提高神经映射的性能并超越传统方法。
Febvre 等人 [2024]这项研究是一个令人兴奋的例子，其中动态建模、机器学习方法和海洋测量的结合可以增强对海洋学的理解、监测和绘图。
引用：Febvre, Q., Le Sommer, J., Ubelmann, C., & Fablet, R. (2024). 使用模拟数据训练卫星测高的神经映射方案。 《地球系统建模进展杂志》，16，e2023MS003959。https://doi.org/10.1029/2023MS003959
引用： JAMES CC BY-NC-ND 3.0相关