在遥感海浪数据质量控制研究中,由于数据的复杂与不规则性,传统质量控制方法对海浪数据单点异常值的检测具有一定局限性。深度学习具有强大的特征学习能力,在解决非线性复杂问题方面具有一定优势,将其应用在数据质量控制领域可以提高异...在遥感海浪数据质量控制研究中,由于数据的复杂与不规则性,传统质量控制方法对海浪数据单点异常值的检测具有一定局限性。深度学习具有强大的特征学习能力,在解决非线性复杂问题方面具有一定优势,将其应用在数据质量控制领域可以提高异常值检测能力。本研究采用遥感海浪有效波高数据,构建双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)模型对有效波高进行预测,结合阈值方法进行异常检测,与3σ准则法、孤立森林模型法、 LSTM模型法以及VAE-LSTM模型法进行异常检测精度比较,探究基于Bi-LSTM的质量控制模型在遥感海浪数据异常值检测方面的能力。试验结果表明,Bi-LSTM质量控制模型具有良好的异常值检测效果,其精准率、召回率、 F1分数和运行时间分别为91%、 93%、 92和3.35 s,综合评价效果最佳,可有效对遥感海浪数据进行质量控制。展开更多
文摘在遥感海浪数据质量控制研究中,由于数据的复杂与不规则性,传统质量控制方法对海浪数据单点异常值的检测具有一定局限性。深度学习具有强大的特征学习能力,在解决非线性复杂问题方面具有一定优势,将其应用在数据质量控制领域可以提高异常值检测能力。本研究采用遥感海浪有效波高数据,构建双向长短期记忆网络(bi-directional long short term memory,Bi-LSTM)模型对有效波高进行预测,结合阈值方法进行异常检测,与3σ准则法、孤立森林模型法、 LSTM模型法以及VAE-LSTM模型法进行异常检测精度比较,探究基于Bi-LSTM的质量控制模型在遥感海浪数据异常值检测方面的能力。试验结果表明,Bi-LSTM质量控制模型具有良好的异常值检测效果,其精准率、召回率、 F1分数和运行时间分别为91%、 93%、 92和3.35 s,综合评价效果最佳,可有效对遥感海浪数据进行质量控制。
