인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
초록·키워드
Due to the complexity of climate systems, data-driven modeling based on observed time series data is essential for predicting future climatic trends. This study aims to improve the long-term global temperature anomaly forecast performance of Long Short-Term Memory (LSTM) based neural network models. Although several LSTM variants and hybrid architectures have been suggested for time series data prediction problems, the long-term forecast performance of these models may not be satisfactory in practice. To address solution of these problems, firstly, authors focused on evaluating the forecast performance of models and suggested performance and test assessment procedures. Secondly, authors suggest an Additive Twin LSTM (AT-LSTM) model that can improve the forecast performance for the global temperature anomaly. Our test on the Berkeley Global Temperature Anomaly dataset demonstrates that the proposed AT-LSTM can improve performance relative to conventional LSTM variants in long-term forecasting. Authors observed that global temperature trend projections of the AT-LSTM models for 20 years in future are consistent with expectations of climate organizations and projections in other works. The AT-LSTM models forecasted an average of 1.415 °C with ± 0.073 °C error in the year 2042 and this indicates the strong potential of major climate changes in the near future of Earth.
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
