融合迁移学习和知识蒸馏的大时间尺度海表温度智能预测

来源：南京信息工程大学学报·自然科学版杂志2026年第4期北京时间：

作者：张凌珺，侯健敏，董昌明

单位：张凌珺,南京信息工程大学 自动化学院, 南京, 210044,侯健敏,南京信息工程大学 自动化学院, 南京, 210044,董昌明,南京信息工程大学 海洋科学学院, 南京, 210044

摘要：针对大时间尺度(如周、月)海表温度(Sea Surface Temperature,SST)数据的小样本特性导致模型泛化能力弱、预测精度低、模型参数复杂等问题,本文提出一种融合迁移学习和知识蒸馏的大时间尺度SST智能预测方法.首先,建立基于图卷积神经网络和双向长短时记忆网络相结合的源域SST预测模型,充分提取源域日尺度SST时空特征;然后,采用生成对抗网络进行特征对齐来完成模型迁移,以使得源域和目标域的特征分布趋于一致,提升模型在目标域上的适应性和预测性能;最后,建立基于多任务学习的蒸馏网络解决深度迁移网络参数多、时效性低的问题.实验结果表明,在不同时间尺度SST下,迁移学习相较于未引入该机制的模型,在均方根误差上至少降低7.00%,有效提升了小样本场景下的预测精度.多任务的知识蒸馏网络的网络参数较迁移后的深度网络分别减少88.21%和74.68%,提高了SST预测的时效性.

关键词：海表温度;大时间尺度;迁移学习;知识蒸馏;时空特征

基金资助：国家重点研发计划(2023YFC3008203)