基于海洋时序数据的温度预测与补全方法研究
发布时间：2021-03-22 07:26
海洋与人类的生存和可持续发展息息相关。一方面,海洋有着丰富的各种能源,包括生物资源,能源资源,旅游资源;另一方面当前海洋也存在诸多问题与潜在风险,包括海洋环境污染,气候变暖,海洋生物多样化减少,海平面上升等与我们人类密切相关的亟需我们解决的共同难题。而海洋温度这一指标的变化情况,可以说是海洋健康状况的晴雨表,通过对海洋温度的预测以及历史海洋温度数据的补全,可以让我们对整个海洋的气候特征,变化规律,发展趋势有进一步的了解,对海洋气象学,海洋渔业,海洋环境,海洋生物信息等学科有着重要意义。本文基于全球海洋Argo（Array for Real-time Geostrophic Oceanography）散点资料集（V3.0）中的温盐深数据集,从中选取了2008年-2018年11年的数据,对海洋表层水温的变化趋势进行分析和研究。本文选取了包括传统时间序列预测模型ARIMA（Autoregressive Integrated Moving Average model）、长短时记忆神经网络模型LSTM（Long Short Term Memory）、LSTM模型的变体GRU（Gated Recu...
【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】：67 页
【学位级别】：硕士
【部分图文】：
Argo浮标分布图
第1章绪论6图1.2各年度数据量图由于前期观测条件有限以及数据质量原因，2007年以前的年数据量不足一千万条，为了更好地进行实验分析，本文选取的数据从2008-2018年共计11年数据。再从中选取特征数据进行不同时空尺度下的温度预测。(3)LSTM-GRU联合多层神经网络对历史缺失数据进行补全从上图中可以发现，2008年之前的数据量较少，这对于我们分析历史温度数据十分不利；Argo浮标统计了自2000年以来的数据，对于之前的海洋温度数据，其数据量以及数据质量都很难达到进行数据分析的地步；虽然2008年以后，数据量有了很明显的提升，但是对于特定地区，特定经纬度的数据量也时而会出现长达数月的数据缺失，单纯的用统计学方法很难对缺失数据补全。为了解决上述问题，将LSTM-GRU联合多层神经网络中的时间步长进行调整，从相邻的前后数据对中间缺失的数据进行修正，以期在数据补全上取得较好效果。1.4章节安排针对上述研究内容并结合本文研究重点，论文共设置为以下五个章节：第一章绪论。介绍本论文的研究背景和意义，介绍国内外Argo浮标现在的使用情况以及海洋温度预测的现状，提出本文的主要内容和结构安排。第二章海洋大数据及相关技术介绍。介绍海洋大数据的相关知识，并对本文用到的LSTM神经网络模型和GRU神经网络进行介绍。第三章LSTM-GRU联合多层神经网络在不同时空尺度下的温度预测
第2章海洋大数据及相关技术介绍9图2.1海洋立体观测体系图本文所用的数据全部来自于Argo浮标。Argo浮标是一种具有上下自动沉涪数据获娶数据传输等功能的新型海洋观测浮标。Argo浮标主要由压强、温度和电导率传感器、液压驱动系统、微机控制系统和数据发射系统等构成。一般情况下,Argo浮标被工作人员布放在特定观测区域，Argo浮标会根据设定好的观测周期进行定期的下潜与上浮，获得的观测数据是在浮标上浮的过程中进行的，得到一系列的剖面浮标数据。到达海面时，根据GPS重新校准经纬度信息以及各传感器的精度,并通过GPS将测量数据传送到Argo浮标的地面接收站,经信号转换处理后发送给浮标相关的科研机构和组织[11]。Argo浮标根据观测型号的不同,观测要素也不一样,但观测的要素基本上是压强,温度，盐度和溶解氧,更新率根据调查者设定的周期的不同而不同,大多数Argo浮标的更新周期为10天,也有2天、7天和15天等。
【参考文献】：
期刊论文
[1]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[2]海洋大数据科学发展现状与展望[J]. 钱程程,陈戈. 中国科学院院刊. 2018(08)
[3]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)
[4]循环神经网络结构中激活函数的改进[J]. 叶小舟,陶飞飞,戚荣志,张云飞,周思琪,刘璇. 计算机与现代化. 2016(12)
[5]中国Argo海洋观测十五年[J]. 刘增宏,吴晓芬,许建平,李宏,卢少磊,孙朝辉,曹敏杰. 地球科学进展. 2016(05)
[6]基于ARIMA模型的云南气象干旱预测研究[J]. 白致威,张雷,王杰,黄英. 人民长江. 2015(15)
[7]我国海洋浮标发展现状及趋势[J]. 戴洪磊,牟乃夏,王春玉,田茂义. 气象水文海洋仪器. 2014(02)
[8]全球大洋混合层深度的计算及其时空变化特征分析[J]. 安玉柱,张韧,王辉赞,陈建,陈奕德. 地球物理学报. 2012(07)
硕士论文
[1]基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测研究[D]. 黄婕.浙江大学 2018
[2]基于深度学习的气象预测研究[D]. 杨函.哈尔滨工业大学 2017
本文编号：3093877
【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】：67 页
【学位级别】：硕士
【部分图文】：
Argo浮标分布图
第1章绪论6图1.2各年度数据量图由于前期观测条件有限以及数据质量原因，2007年以前的年数据量不足一千万条，为了更好地进行实验分析，本文选取的数据从2008-2018年共计11年数据。再从中选取特征数据进行不同时空尺度下的温度预测。(3)LSTM-GRU联合多层神经网络对历史缺失数据进行补全从上图中可以发现，2008年之前的数据量较少，这对于我们分析历史温度数据十分不利；Argo浮标统计了自2000年以来的数据，对于之前的海洋温度数据，其数据量以及数据质量都很难达到进行数据分析的地步；虽然2008年以后，数据量有了很明显的提升，但是对于特定地区，特定经纬度的数据量也时而会出现长达数月的数据缺失，单纯的用统计学方法很难对缺失数据补全。为了解决上述问题，将LSTM-GRU联合多层神经网络中的时间步长进行调整，从相邻的前后数据对中间缺失的数据进行修正，以期在数据补全上取得较好效果。1.4章节安排针对上述研究内容并结合本文研究重点，论文共设置为以下五个章节：第一章绪论。介绍本论文的研究背景和意义，介绍国内外Argo浮标现在的使用情况以及海洋温度预测的现状，提出本文的主要内容和结构安排。第二章海洋大数据及相关技术介绍。介绍海洋大数据的相关知识，并对本文用到的LSTM神经网络模型和GRU神经网络进行介绍。第三章LSTM-GRU联合多层神经网络在不同时空尺度下的温度预测
第2章海洋大数据及相关技术介绍9图2.1海洋立体观测体系图本文所用的数据全部来自于Argo浮标。Argo浮标是一种具有上下自动沉涪数据获娶数据传输等功能的新型海洋观测浮标。Argo浮标主要由压强、温度和电导率传感器、液压驱动系统、微机控制系统和数据发射系统等构成。一般情况下,Argo浮标被工作人员布放在特定观测区域，Argo浮标会根据设定好的观测周期进行定期的下潜与上浮，获得的观测数据是在浮标上浮的过程中进行的，得到一系列的剖面浮标数据。到达海面时，根据GPS重新校准经纬度信息以及各传感器的精度,并通过GPS将测量数据传送到Argo浮标的地面接收站,经信号转换处理后发送给浮标相关的科研机构和组织[11]。Argo浮标根据观测型号的不同,观测要素也不一样,但观测的要素基本上是压强,温度，盐度和溶解氧,更新率根据调查者设定的周期的不同而不同,大多数Argo浮标的更新周期为10天,也有2天、7天和15天等。
【参考文献】：
期刊论文
[1]循环神经网络研究综述[J]. 杨丽,吴雨茜,王俊丽,刘义理. 计算机应用. 2018(S2)
[2]海洋大数据科学发展现状与展望[J]. 钱程程,陈戈. 中国科学院院刊. 2018(08)
[3]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)
[4]循环神经网络结构中激活函数的改进[J]. 叶小舟,陶飞飞,戚荣志,张云飞,周思琪,刘璇. 计算机与现代化. 2016(12)
[5]中国Argo海洋观测十五年[J]. 刘增宏,吴晓芬,许建平,李宏,卢少磊,孙朝辉,曹敏杰. 地球科学进展. 2016(05)
[6]基于ARIMA模型的云南气象干旱预测研究[J]. 白致威,张雷,王杰,黄英. 人民长江. 2015(15)
[7]我国海洋浮标发展现状及趋势[J]. 戴洪磊,牟乃夏,王春玉,田茂义. 气象水文海洋仪器. 2014(02)
[8]全球大洋混合层深度的计算及其时空变化特征分析[J]. 安玉柱,张韧,王辉赞,陈建,陈奕德. 地球物理学报. 2012(07)
硕士论文
[1]基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测研究[D]. 黄婕.浙江大学 2018
[2]基于深度学习的气象预测研究[D]. 杨函.哈尔滨工业大学 2017
本文编号：3093877
本文链接：https://www.wllwen.com/shoufeilunwen/benkebiyelunwen/3093877.html
