基于深度学习的海冰面积预测研究
发布时间：2022-01-15 19:25
大数据背景下,遥感卫星数据的获取难度正不断降低,这种数据开放在进行大面积和难以测量环境的检测识别时提供了巨大便利。海冰的动态变化是影响海洋尤其是极区海洋反照率的关键因素,更是全球热量交换系统的重要组成部分。大量研究表明,海洋与气候特征之间存在显著的相互作用,准确获取北极海冰的动态变化规律,对全球气候变化预测具有重要作用。近年来,依托愈发充足的数据、不断优化的硬件设备与层出不穷的算法模型,深度学习方法蓬勃发展,逐渐渗透到各行各业的实际应用中。本文以深度学习方法为基础,首先分析了海冰密集度数据集在不同情形下的预测可用性,基于评估结果开展了长短期记忆网络（Long Short-Term Memory,LSTM）在海冰面积预测领域的相关研究。最后基于神经网络相关知识,对模型进行相应改进和优化,提出了适用于多变量海冰面积时间序列预测的深度学习方法。论文的主要研究工作如下:（1）对NSIDC、SICCI和BLM三种海冰密集度数据集进行对比分析,按照纬度、密集度、北极航道航段分情况评估不同数据集的适用性,为实现不同预测目标（如长时间预测或具体区域预测）的北极海冰面积变化趋势提供数据选择依据。（2）采...
【文章来源】：青岛大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
传统机器学习和深度学习流程对比
青岛大学硕士学位论文7开始兴起，并且在之后很长一段时间内都是人工智能领域内的研究热点。近年来，一些深度学习模型已逐渐应用于时间序列研究领域，在时间序列处理方向，人们将神经网络技术广泛应用到多个领域，如自然语言处理[63-64]、动作识别[65]、语音识别[66]，在时间序列预测领域上的应用则有金融时间序列预测[67-68]、环境预测[69]、流量预测[70]，有农业领域的预测[71]，也有与海洋相关的风暴潮预测[72]、海浪有效波高预测[73]及对波浪的预报[74]等。因为强大的学习能力，人工神经网络已成为数据处理的新模式。如图2.2，输入神经元接收训练集数据，通过各隐藏层学习输入数据的部分特征，特征之间用不同网络节点链接，通过训练不断更新网络链接的权重以改变链接强度，直至模型输出满足模型要求。图2.2人工神经网络由图2.2可以发现，人工神经网络有着非线性、自适应的信息处理机制，这种机制表现在网络由大量简单单元构成，这些单元彼此相连但功能相对简单，一般来说，神经网络具有”四非”特征。(1)非线性。网络中的神经元可处于两种状态：激活或抑制，在数学上这种行为表现为一种线性行为，他们可以通过具有阈值(或称偏置)的激活函数来完成该功能。具有阈值的神经元，可构成性能更佳的神经网络，增强整个网络的稳定性。(2)非局限性。生物神经系统大多是由多个广泛神经元组成，系统在进行行为时，某个神经元并不足以起决定作用，而是高度依赖神经元之间的相互作用关系。任何一个神经元的作用域都不是局部的，而是可能通过网络链接波及全网。(3)非常定性。之所以神经网络一直处于运动状态，是因为它强大的自适应、自组织、自学习能力。在人工神经网络中，除了处理的信息变化多端外，在处理信息的同时，非线性动力系统本身可能也在演化(比
青岛大学硕士学位论文8是线性的，多层神经网络就可能会“退化”为一层神经网络。现在的主流激活函数主要是Sigmoid、Tanh、Relu，下面分别给予简单介绍。（1）Sigmoid函数xex11)(f2-(1)Sigmoid函数图如下，图2.3Sigmoid函数Sigmoid函数的值域位于(0，1)之间，当输入较大值时，函数会返回一个接近1的值，反之，如果输入较小，返回值将接近0。正是因为这个特性，Sigmoid函数的输出有时候被当作概率使用。(2)Tanh函数xxxxeeeexxTanhf)()(2-(2)其图像如图2.4所示，图2.4Tanh函数双曲正切函数Tanh实际上是Sigmoid函数的线性组合，所以它的一些特性与Sigmoid相似。不同于Sigmoid函数的是，Tanh函数的置于在(-1，1)之间，在某些神经网络中，输出负值也有
【参考文献】：
期刊论文
[1]近30年北极海冰运动特征分析[J]. 李瑜洁,高晓清,张录军,郭维栋,杨丽薇. 高原气象. 2019(01)
[2]Impacts of the Autumn Arctic Sea Ice on the Intraseasonal Reversal of the Winter Siberian High[J]. Zhuozhuo L,Shengping HE,Fei LI,Huijun WANG. Advances in Atmospheric Sciences. 2019(02)
[3]长序列北极海冰覆盖数据集对比分析[J]. 武胜利,刘健. 海洋学报. 2018(11)
[4]基于卷积-LSTM网络的广告点击率预测模型研究[J]. 厍向阳,王邵鹏. 计算机工程与应用. 2019(02)
[5]神经网络方法在上海沿海海浪预报中的应用[J]. 朱智慧,曹庆,徐杰. 海洋预报. 2018(05)
[6]FY-3B/MWRI和Aqua/AMSR-E海冰密集度比较及印证[J]. 王晓雨,管磊,李乐乐. 遥感学报. 2018(05)
[7]Recent satellite-derived sea ice volume flux through the Fram Strait: 2011–2015[J]. BI Haibo,WANG Yunhe,ZHANG Wenfeng,ZHANG Zehua,LIANG Yu,ZHANG Yi,HU Wenmin,FU Min,HUANG Haijun. Acta Oceanologica Sinica. 2018(09)
[8]北极海冰融化影响东亚冬季天气和气候的研究进展以及学术争论焦点问题[J]. 武炳义. 大气科学. 2018(04)
[9]基于遥感和气象数据对辽东湾海冰变化预测研究[J]. 庞海洋,孔祥生,孙志伟,汪丽丽. 海洋与湖沼. 2018(04)
[10]基于海冰密集度遥感数据的波弗特海海冰时空变化研究[J]. 刘玥,庞小平,赵羲,苏楚钦,季青. 极地研究. 2018(02)
硕士论文
[1]1979-2017年北极航道冰情变化研究[D]. 王蔓蔓.南京大学 2018
[2]基于人工神经网络的冰情预测研究[D]. 卢海.天津大学 2007
本文编号：3591187
【文章来源】：青岛大学山东省
【文章页数】：64 页
【学位级别】：硕士
【部分图文】：
传统机器学习和深度学习流程对比
青岛大学硕士学位论文7开始兴起，并且在之后很长一段时间内都是人工智能领域内的研究热点。近年来，一些深度学习模型已逐渐应用于时间序列研究领域，在时间序列处理方向，人们将神经网络技术广泛应用到多个领域，如自然语言处理[63-64]、动作识别[65]、语音识别[66]，在时间序列预测领域上的应用则有金融时间序列预测[67-68]、环境预测[69]、流量预测[70]，有农业领域的预测[71]，也有与海洋相关的风暴潮预测[72]、海浪有效波高预测[73]及对波浪的预报[74]等。因为强大的学习能力，人工神经网络已成为数据处理的新模式。如图2.2，输入神经元接收训练集数据，通过各隐藏层学习输入数据的部分特征，特征之间用不同网络节点链接，通过训练不断更新网络链接的权重以改变链接强度，直至模型输出满足模型要求。图2.2人工神经网络由图2.2可以发现，人工神经网络有着非线性、自适应的信息处理机制，这种机制表现在网络由大量简单单元构成，这些单元彼此相连但功能相对简单，一般来说，神经网络具有”四非”特征。(1)非线性。网络中的神经元可处于两种状态：激活或抑制，在数学上这种行为表现为一种线性行为，他们可以通过具有阈值(或称偏置)的激活函数来完成该功能。具有阈值的神经元，可构成性能更佳的神经网络，增强整个网络的稳定性。(2)非局限性。生物神经系统大多是由多个广泛神经元组成，系统在进行行为时，某个神经元并不足以起决定作用，而是高度依赖神经元之间的相互作用关系。任何一个神经元的作用域都不是局部的，而是可能通过网络链接波及全网。(3)非常定性。之所以神经网络一直处于运动状态，是因为它强大的自适应、自组织、自学习能力。在人工神经网络中，除了处理的信息变化多端外，在处理信息的同时，非线性动力系统本身可能也在演化(比
青岛大学硕士学位论文8是线性的，多层神经网络就可能会“退化”为一层神经网络。现在的主流激活函数主要是Sigmoid、Tanh、Relu，下面分别给予简单介绍。（1）Sigmoid函数xex11)(f2-(1)Sigmoid函数图如下，图2.3Sigmoid函数Sigmoid函数的值域位于(0，1)之间，当输入较大值时，函数会返回一个接近1的值，反之，如果输入较小，返回值将接近0。正是因为这个特性，Sigmoid函数的输出有时候被当作概率使用。(2)Tanh函数xxxxeeeexxTanhf)()(2-(2)其图像如图2.4所示，图2.4Tanh函数双曲正切函数Tanh实际上是Sigmoid函数的线性组合，所以它的一些特性与Sigmoid相似。不同于Sigmoid函数的是，Tanh函数的置于在(-1，1)之间，在某些神经网络中，输出负值也有
【参考文献】：
期刊论文
[1]近30年北极海冰运动特征分析[J]. 李瑜洁,高晓清,张录军,郭维栋,杨丽薇. 高原气象. 2019(01)
[2]Impacts of the Autumn Arctic Sea Ice on the Intraseasonal Reversal of the Winter Siberian High[J]. Zhuozhuo L,Shengping HE,Fei LI,Huijun WANG. Advances in Atmospheric Sciences. 2019(02)
[3]长序列北极海冰覆盖数据集对比分析[J]. 武胜利,刘健. 海洋学报. 2018(11)
[4]基于卷积-LSTM网络的广告点击率预测模型研究[J]. 厍向阳,王邵鹏. 计算机工程与应用. 2019(02)
[5]神经网络方法在上海沿海海浪预报中的应用[J]. 朱智慧,曹庆,徐杰. 海洋预报. 2018(05)
[6]FY-3B/MWRI和Aqua/AMSR-E海冰密集度比较及印证[J]. 王晓雨,管磊,李乐乐. 遥感学报. 2018(05)
[7]Recent satellite-derived sea ice volume flux through the Fram Strait: 2011–2015[J]. BI Haibo,WANG Yunhe,ZHANG Wenfeng,ZHANG Zehua,LIANG Yu,ZHANG Yi,HU Wenmin,FU Min,HUANG Haijun. Acta Oceanologica Sinica. 2018(09)
[8]北极海冰融化影响东亚冬季天气和气候的研究进展以及学术争论焦点问题[J]. 武炳义. 大气科学. 2018(04)
[9]基于遥感和气象数据对辽东湾海冰变化预测研究[J]. 庞海洋,孔祥生,孙志伟,汪丽丽. 海洋与湖沼. 2018(04)
[10]基于海冰密集度遥感数据的波弗特海海冰时空变化研究[J]. 刘玥,庞小平,赵羲,苏楚钦,季青. 极地研究. 2018(02)
硕士论文
[1]1979-2017年北极航道冰情变化研究[D]. 王蔓蔓.南京大学 2018
[2]基于人工神经网络的冰情预测研究[D]. 卢海.天津大学 2007
本文编号：3591187
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3591187.html
