A Machine Learning Approach to Argo Data Analysis in a Thermocline.
A Machine Learning Approach to Argo Data Analysis in a Thermocline.
复制标题
温跃层 Argo 数据分析的机器学习方法
DOI：
10.3390/s17102225
复制
发表时间：
2017-09-28
期刊：
影响因子：
--
通讯作者：
Hu C
中科院分区：
文献类型：
--
作者：
Jiang Y;Gou Y;Zhang T;Wang K;Hu C
随着传感器网络的快速发展，海洋大数据应运而生。为了有效地利用这些数据来预测温跃层，我们提出了一种机器学习方法。我们首先分析了温度、盐度和地理位置特征对温跃层形成的影响。在此基础上，提出了一种改进的基于熵值法的温跃层选择模型。实验采用BOA ARGO数据集，实验结果表明，该模型能够有效地预测温跃层及相关数据。
With the rapid development of sensor networks, big marine data arises. To efficiently use these data to predict thermoclines, we propose a machine learning approach. We firstly focus on analyzing how temperature, salinity, and geographic location features affect the formation of thermocline. Then, an improved model based on entropy value method for the thermocline selection is demonstrated. The experiments adopt BOA Argo data sets and the experimental results show that our novel model can predict thermoclines and related data effectively.
登录
查看更多内容
影响因子：
5.2
作者：
Hosoda, Shigeki;Minato, Shinya;Shikama, Nobuyuki
通讯作者：
Shikama, Nobuyuki
DOI：
10.11840/j.issn.1001-6392.2016.01.009
发表时间：
2016-02-01
期刊：
Marine Science Bulletin (Beijing)
影响因子：
--
作者：
Jiang Bo;Wu Xin-rong;Zhang Rong
通讯作者：
Zhang Rong
影响因子：
3.6
作者：
Hadfield, R. E.;Wells, N. C.;Hirschi, J. J-M.
通讯作者：
Hirschi, J. J-M.
影响因子：
3.2
作者：
Wells, N. C.;Josey, S. A.;Hadfield, R. E.
通讯作者：
Hadfield, R. E.
影响因子：
3.6
作者：
Hao, Jiajia;Chen, Yongli;Lin, Pengfei
通讯作者：
Lin, Pengfei