基于Argo数据的海洋温度预测方法研究
发布时间：2021-02-01 12:36
海洋温度在海洋水文要素中十分重要,深入研究和准确掌握海洋温度在时空分布的变化规律,对水声、航海和气象等学科研究具有重要意义。由于海洋环境的复杂性和不确定性使得海洋温度的预测难度较大。为提高对海洋温度的预测能力,本文分别在海洋温度的空间分布和时间分布上提出了分析和预测方法。在海洋温度空间分布的研究中,本文提出了一种基于SVR（Support Vector Regression）的高空间分辨率海洋温度预测方法。海洋温度的空间分布具有范围广和数量大的特点。空间分布预测本质上是根据训练数据样本来寻找拟合函数,然后根据需要运用所求得的拟合函数对海洋某一位置上的温度进行估计。本文首先使用Argo（Array for Real-time Geostrophic Oceanography）数据作为构建SVR海洋温度模型的数据来源,根据不同月份训练不同的模型,通过交叉验证和网格搜索的方法对模型参数进行优化,根据优化后的参数确定SVR模型。然后,根据SVR模型对高空间分辨率网格化区域内的温度进行预测,将原数据集1°×1°的水平分辨率提高到0.1°×0.1°。最后,对高空间分辨率的海洋温度模型进行可视化展示...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
全球Argo浮标位置分布
图 2.4 k 折交叉验证示意图.2.3.2 参数调节大多数学习算法都需要进行参数设定，参数配置不同，学得模型的性能也有著差别。在建模参数的选择上，常用的方法有两种。一种是试凑法，试凑法根历史经验，通过反复的实验来获取最好的性能，具体实现步骤本文不与讨论。一种超参数搜索方法是网格搜索(gridsearch)。网格搜索的基本思想是先选取一模型参数的取值范围，按照某一规则将此范围划分为若干个小区间，然后计算所有参数取值的组合以及各个组合方式所对应的目标误差，最后通过比较，选该区间最小目标误差所对应的参数组合作为最终训练模型时所采用的参数。这的目标误差，就是经过 k 折交叉验证后得到的平均 MSE 值。在前面的方法中，们在模型评估与选择过程中，由于需要留出测试集 T 进行评估测试，事实上我只使用了训练集 S 训练模型。因此，参数配置确定后，我们应该用数据集 D 重
本实验所用数据来自于《全球海洋 Argo 网格数据集（BOA-Argo）》[9]。该网格数据集提供了从 2004 年 1 月~2016 年 12 月覆盖全球海洋(180°W~180°E，79.5°S~79.5°N)的年平均、月平均和逐年逐月的海洋温度和盐度数据。其空间分辨率为水平 1°×1°和垂向标准层共 58 层。本次试验使用了 BOA-Argo 的 2014 年1 月-12 月的海洋温度数据。实验区域为 20.5°N~24.°N，135.°E~139.5°E，深度覆盖了 0-1975 米的 BOA-Argo 标准层深度。选取该区域进行研究主要因为此区域海水深度大，且地处南北纬 30 度之间的海洋中，表层和深层海水之间的温差大，波浪能、海水温差能和海流能资源丰富，具有开发和研究意义。图 2.5 展示了 2014年 9 月实验数据 0-300m 海水温度的空间分布情况。从图中可以看出，BOA-Argo数据相邻观测点空间跨度较大。我们通过接下来的实验，构建出符合 BOA-Argo数据规律的高空间分辨率海洋温度模型，并将水平分辨率从 1°精细化到 0.1°，垂直分辨率由 5 米及以上提高到均等的 1 米间隔。
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[2]基于体绘制的海洋温盐空间分布探究[J]. 曾祥倚,李游,温雅. 测绘与空间地理信息. 2016(01)
[3]海洋温度场稳定性与可预报性研究[J]. 笪良龙,熊张浩,过武宏. 海洋技术学报. 2015(01)
[4]Argo大洋观测资料的同化及其在短期气候预测和海洋分析中的应用[J]. 张人禾,朱江,许建平,刘益民,李清泉,牛涛. 大气科学. 2013(02)
[5]基于特征的时间序列聚类方法研究进展[J]. 宋辞,裴韬. 地理科学进展. 2012(10)
[6]中国ARGO大洋观测网试验[J]. 许建平. 中国基础科学. 2006(04)
[7]我国Argo浮标的设计与研究[J]. 余立中,张少永,商红梅. 海洋技术. 2005(02)
[8]支持向量机在模式识别中的核函数特性分析[J]. 李盼池,许少华. 计算机工程与设计. 2005(02)
博士论文
[1]时间序列分类算法研究[D]. 原继东.北京交通大学 2016
本文编号：3012786
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
全球Argo浮标位置分布
图 2.4 k 折交叉验证示意图.2.3.2 参数调节大多数学习算法都需要进行参数设定，参数配置不同，学得模型的性能也有著差别。在建模参数的选择上，常用的方法有两种。一种是试凑法，试凑法根历史经验，通过反复的实验来获取最好的性能，具体实现步骤本文不与讨论。一种超参数搜索方法是网格搜索(gridsearch)。网格搜索的基本思想是先选取一模型参数的取值范围，按照某一规则将此范围划分为若干个小区间，然后计算所有参数取值的组合以及各个组合方式所对应的目标误差，最后通过比较，选该区间最小目标误差所对应的参数组合作为最终训练模型时所采用的参数。这的目标误差，就是经过 k 折交叉验证后得到的平均 MSE 值。在前面的方法中，们在模型评估与选择过程中，由于需要留出测试集 T 进行评估测试，事实上我只使用了训练集 S 训练模型。因此，参数配置确定后，我们应该用数据集 D 重
本实验所用数据来自于《全球海洋 Argo 网格数据集（BOA-Argo）》[9]。该网格数据集提供了从 2004 年 1 月~2016 年 12 月覆盖全球海洋(180°W~180°E，79.5°S~79.5°N)的年平均、月平均和逐年逐月的海洋温度和盐度数据。其空间分辨率为水平 1°×1°和垂向标准层共 58 层。本次试验使用了 BOA-Argo 的 2014 年1 月-12 月的海洋温度数据。实验区域为 20.5°N~24.°N，135.°E~139.5°E，深度覆盖了 0-1975 米的 BOA-Argo 标准层深度。选取该区域进行研究主要因为此区域海水深度大，且地处南北纬 30 度之间的海洋中，表层和深层海水之间的温差大，波浪能、海水温差能和海流能资源丰富，具有开发和研究意义。图 2.5 展示了 2014年 9 月实验数据 0-300m 海水温度的空间分布情况。从图中可以看出，BOA-Argo数据相邻观测点空间跨度较大。我们通过接下来的实验，构建出符合 BOA-Argo数据规律的高空间分辨率海洋温度模型，并将水平分辨率从 1°精细化到 0.1°，垂直分辨率由 5 米及以上提高到均等的 1 米间隔。
【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[2]基于体绘制的海洋温盐空间分布探究[J]. 曾祥倚,李游,温雅. 测绘与空间地理信息. 2016(01)
[3]海洋温度场稳定性与可预报性研究[J]. 笪良龙,熊张浩,过武宏. 海洋技术学报. 2015(01)
[4]Argo大洋观测资料的同化及其在短期气候预测和海洋分析中的应用[J]. 张人禾,朱江,许建平,刘益民,李清泉,牛涛. 大气科学. 2013(02)
[5]基于特征的时间序列聚类方法研究进展[J]. 宋辞,裴韬. 地理科学进展. 2012(10)
[6]中国ARGO大洋观测网试验[J]. 许建平. 中国基础科学. 2006(04)
[7]我国Argo浮标的设计与研究[J]. 余立中,张少永,商红梅. 海洋技术. 2005(02)
[8]支持向量机在模式识别中的核函数特性分析[J]. 李盼池,许少华. 计算机工程与设计. 2005(02)
博士论文
[1]时间序列分类算法研究[D]. 原继东.北京交通大学 2016
本文编号：3012786
本文链接：https://www.wllwen.com/kejilunwen/haiyang/3012786.html
