来源：期刊VIP网 时间：
作者：陈炜;韩震;
单位：上海海洋大学海洋科学与生态环境学院;上海河口海洋测绘工程技术研究中心;
摘要：为研究深度学习模型在预测叶绿素a浓度中的作用，使用长短期记忆网络(LSTM)、门控循环单元网络(GRU)和卷积神经网络(CNN)3种深度学习模型比较分析长江口叶绿素a浓度预测精度。结果表明：GRU的RMSE为1.452 9 mg/m~3,MAPE为15.171 6%,GRU可以有效地捕捉短期依赖关系；LSTM的RMSE为1.493 1 mg/m~3,MAPE为14.759 1%,LSTM更能捕捉到关键的长期依赖关系；CNN的RMSE为1.756 1 mg/m~3,MAPE为16.936 6%,CNN在分析具有空间局部性的特征数据方面效果较好。研究表明，本文提出了一种模型注意力得分计算方案，优化了GRU模型并提高了预测精度，总体RMSE为0.921 9 mg/m~3,MAPE为11.209 4%。
关键词：深度学习;;叶绿素a浓度;;LSTM;;GRU;;CNN;;注意力机制;;长江口
基金资助：上海市海洋局科研专项(沪海科2019-03);; 教育部产学合作协同育人项目(202102245031)
