مریم کریمیان - دانشجوی دکترای رشته علوم و مهندسی شیلات، دانشکده منابعطبیعی، دانشگاه صنعتی اصفهان، اصفهان، ایرا ن
امید بیرقدار کشکولی - عضو هیات علمی گروه شیلات، دانشکده منابعطبیعی، دانشگاه صنعتی اصفهان، اصفهان، ایرا ن

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 .

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