مروری کوتاه بر روشهای یادگیری عمیق برای پیش بینی دمای سطح دریا با تمرکز بر حافظه طولانی کوتاه مدت

پیش بینی دمای سطح دریا به ویژه برای مناطقی با تغییرات بالای این متغیر یک کار چالش برانگیز است . چنین پیش بینی هایی با به کارگیری مدلهای مبتنی بر فیزیک ، که اغلب پیش بینی های ضعیفی دارند و از نظر محاسباتی قوی هستند، یا با استفاده از روشهای مبتنی بر داده، که ماهرانه و از نظر محاسباتی با قدرت کمتر هستند، صورت می گیرد. دراین مطالعه مروری ، به بررسی روشهای مختلف یادگیری عمیق به ویژه شبکه های حافظه طولانی کوتاهمدت در پیش بینی دمای سطح دریا پرداخته شده است . در سالهای اخیر، به شبکه های حافظه طولانی کوتاهمدت (نوعی از شبکه های عصبی بازگشتی ) توجه زیادی شده است . این روش مشکلات ناپدید شدن گرادیان شبکه های عصبی بازگشتی ، انفجار گرادیان و توانایی ناکافی حافظه بلندمدت را جبران و برطرف می کند، به طوری که شبکه عصبی مکرر می تواند به طور واقعی از اطلاعات زمانبندی طولانی مدت به طور موثر استفاده کند. برخلاف شبکه های عصبی بازگشتی سنتی ، شبکه های حافظه طولانی کوتاهمدت دارای واحد حافظه پیچیدهتری است که می تواند حافظه خوبی را برای سری های زمانی طولانی مدت حفظ کند. بنابراین ، این مدل به صورت بالقوه عملکردنسبتا بهتری در مسئله پیش بینی سری های زمانی پارامترهایی مانند دمای سطح دریا دارد و در سالهای اخیر یک کانون تحقیقاتی در زمینه یادگیری ماشین بوده است .

کلیدواژه ها:

دمای سطح دریا ، پیش بینی ، شبکه عصبی بازگشتی ، حافظه طولانی کوتاه مدت