Drift Field Net

深度学习模型预测洋流以清理塑料碎片

研究人员开发了Drift Field Net (DFN)，一个旨在利用卫星观测预测海面流场的深度神经网络。该模型旨在改进粒子漂移的预测，这对于针对北太平洋副热带环流等区域塑料碎片积累的策略至关重要。DFN采用两阶段训练过程，结合了模拟数据预训练和使用平流一致损失函数的拉格朗日微调。在评估中，与运行中的基于物理的系统相比，DFN在7天预测后平均定位误差减少了20公里，通过拉格朗日微调实现了进一步改进。