基于EEMD和ARIMA的海溫預測模型研究

作者：張瑩,譚艷春,彭發定,廖杏杰,余昱昕

摘要：類型豐富、時空分辨率高的海洋探測數據,為信號分解和機器學習算法的應用提供了可能。本文針對如何建立有效的海溫預測模型這一問題,使用高時空分辨率的海表溫度(SST)融合產品,引入信號處理領域的集合經驗模態分解(EEMD)和機器學習領域的自回歸積分滑動平均模型(ARIMA)。首先利用最適于分解自然信號的EEMD方法,將海溫數據分解成多個確定頻率的序列;再利用ARIMA分別對各個頻率的序列進行預測,最后將各個序列的預測結果進行組合。該方法在豐富數據的支撐下,比以往直接使用海溫數據所建立的預測模型精度更高,為更好地進行海溫預測提供了新方法。

發文機構：廣東海洋大學數學與計算機學院 廣東海洋大學電子與信息工程學院

關鍵詞：集合經驗模態分解機器學習自回歸積分滑動平均模型海表溫度Ensemble Empirical Mode Decompositionmachine learningAutoregressive Integrated Moving Average Modelsea surface temperatures

分類號： P731.31[天文地球—海洋科學]