基于EEMD和ARIMA的海温预测模型研究

作者：张莹,谭艳春,彭发定,廖杏杰,余昱昕

摘要：类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。

发文机构：广东海洋大学数学与计算机学院 广东海洋大学电子与信息工程学院

关键词：集合经验模态分解机器学习自回归积分滑动平均模型海表温度Ensemble Empirical Mode Decompositionmachine learningAutoregressive Integrated Moving Average Modelsea surface temperatures

分类号： P731.31[天文地球—海洋科学]