基于K-means聚类分析的南海水团分布及其季节变化研究
本文关键词：基于K-means聚类分析的南海水团分布及其季节变化研究 出处：《国家海洋局第一海洋研究所》2017年硕士论文 论文类型：学位论文
更多相关文章： 水团 K-means聚类法 南海 T-S点聚图
【摘要】：南海是世界上最大的半封闭边缘海,通过多个海峡分别与中国东海、西太平洋、印尼海以及印度洋进行水体交换,在外海水和近岸径流的共同影响下,南海水团变性明显,故大洋水团的定义和划分方法并不完全适用于南海。本文取“浅海水团”定义为:理化性质相近、具有规律的季节变化以及“内同性”和“外异性”的宏大水体。该定义与K-means聚类算法的原理相契合,因此,本文基于1966-2013年间南海的WOD13温盐观测数据,分别在整个海域和5°×5°的各小区域内,利用K-means算法对水团进行划分,并结合系统聚类法和T-S点聚图分析南海各水团的分布、温盐性质及其季节变化,以及太平洋水和黑潮水进入南海后的变性过程。其中,在K-means计算过程中,分别根据类内距离和函数和密度值函数进行水团数和初始聚类中心的确定。本文将南海水划分为10个水团:沿岸冲淡水(F)、近岸混合水(M)、南海表层水(S)、南海南部陆架水(SS)(仅夏季出现)、黑潮表层水(KS)、南海次表层水(U)、黑潮次表层水(KU)、南海次-中层水(UI)、南海中层水(I)、南海深层水(D)。季节尺度上,各水团温度的变化表现为为冬低夏高,但从表层到底层,变化幅度逐渐减小;表层水团(F、M、S、TS)盐度的变化表现为冬高夏低,主要取决于河水径流和降水的变化;表层以下水团(U、UI、I、D)受对应水层太平洋水的强烈影响,各水团盐度的季节变化不明显,尤其是南海中层水,低盐特征非常显著。KS和KU分别是表层和次表层黑潮水入侵南海(冬季强于夏季,次表层水强于表层水)而成,温盐性质无明显的季节变化。本文中得到的各水团性质及其变化与已有结论较为一致,表明改进后的K-means算法在南海水团的划分上具有高效性和准确性。
【学位授予单位】：国家海洋局第一海洋研究所
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：P731.16
【相似文献】
相关期刊论文 前10条
1 周笑天;褚希;姚志平;;一种基于k-means聚类的实时气温动态质量控制方法[J];气象;2012年10期
2 吕巍;陈洁;;基于K-means算法的中国商业银行零售业务顾客行为细分策略[J];系统工程理论方法应用;2005年06期
3 贾花萍;李尧龙;哈渭涛;史晓影;;K-means聚类神经网络分类器在睡眠脑电分期中的应用研究[J];河南科学;2012年06期
4 李学勇;高国红;孙甲霞;;基于互信息和K-means聚类的信息安全风险评估[J];河南师范大学学报(自然科学版);2011年02期
5 赵大伟;肖周芳;;一种改进的基于密度和样本数量的K-means算法[J];科技信息;2008年28期
6 朱培芬;汉吉庆;杨华龙;唐法浙;;基于改进K-means算法的烟草配送区域划分[J];物流工程与管理;2009年06期
7 朱颢东;钟勇;赵向辉;;一种优化初始中心点的K-Means文本聚类算法[J];郑州大学学报(理学版);2009年02期
8 周杨;;初始化中心点优化的K-means算法[J];科技信息;2011年04期
9 秦钰;荆继武;向继;张爱华;;基于优化初始类中心点的K-means改进算法[J];中国科学院研究生院学报;2007年06期
10 毕硕本;闾国年;陈济民;;郑州—洛阳地区史前连续文化聚落的K-means聚类挖掘研究[J];地理与地理信息科学;2007年05期
相关会议论文 前6条
1 杨青;刘晔;张东旭;刘畅;;快速查找最优初始聚类数K的改进K-means算法[A];中国自动化学会控制理论专业委员会A卷[C];2011年
2 陈磊;胡佳敏;严华;;K-means算法在散货船代货运系统中的应用[A];全国第20届计算机技术与应用学术会议（CACIS·2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C];2009年
3 郑建军;甘仞初;贺跃;毕思飞;;一种基于k-means的聚类集成方法[A];全国第九届企业信息化与工业工程学术会议论文集[C];2005年
4 张望;王辉;;个性化服务中的并行K-Means聚类算法[A];2007年全国开放式分布与并行计算机学术会议论文集(下册)[C];2007年
5 江华;王翰虎;陈梅;;一种基于K-means聚类分组的P2P超结点模型[A];2005年全国开放式分布与并行计算学术会议论文集[C];2005年
6 王守强;朱大铭;史士英;;基于输入点集求解k-Means聚类算法[A];第二十六届中国控制会议论文集[C];2007年
相关硕士学位论文 前10条
1 陈智;基于K-means聚类算法的机会网络群组移动模型及其长相关性研究[D];湘潭大学;2015年
2 许允栋;K-means聚类算法的改进与应用[D];广西师范大学;2015年
3 丁斌;基于布谷鸟算法的K-means聚类挖掘算法研究[D];合肥工业大学;2015年
4 贺艳芳;熵加权多视角核k-means聚类算法的研究[D];郑州大学;2016年
5 陈克;基于K-means算法的CSS Sprites图片合成技术的研究[D];东北师范大学;2016年
6 黄新华;基于Apriori和K-means算法的图书推荐系统设计与实现[D];湖南大学;2016年
7 靳姗姗;基于K-means聚类分析的南海水团分布及其季节变化研究[D];国家海洋局第一海洋研究所;2017年
8 梁云昭;基于K-means的围棋特征提取方法研究[D];北京理工大学;2015年
9 于洋洋;基于并行K-MEANS聚类分析的社群发现算法研究[D];东北大学;2012年
10 崔晓丽;基于MapReduce的海量数据K-means聚类算法研究[D];大连理工大学;2014年
，本文编号：1330012
本文链接：https://www.wllwen.com/kejilunwen/haiyang/1330012.html
