海洋溫度在海洋水文要素中十分重要,深入研究和準確掌握海洋溫度在時空分布的變化規(guī)律,對水聲、航海和氣象等學科研究具有重要意義。由于海洋環(huán)境的復雜性和不確定性使得海洋溫度的預測難度較大。為提高對海洋溫度的預測能力,本文分別在海洋溫度的空間分布和時間分布上提出了分析和預測方法。在海洋溫度空間分布的研究中,本文提出了一種基于SVR（Support Vector Regression）的高空間分辨率海洋溫度預測方法。海洋溫度的空間分布具有范圍廣和數(shù)量大的特點�？臻g分布預測本質上是根據(jù)訓練數(shù)據(jù)樣本來尋找擬合函數(shù),然后根據(jù)需要運用所求得的擬合函數(shù)對海洋某一位置上的溫度進行估計。本文首先使用Argo（Array for Real-time Geostrophic Oceanography）數(shù)據(jù)作為構建SVR海洋溫度模型的數(shù)據(jù)來源,根據(jù)不同月份訓練不同的模型,通過交叉驗證和網(wǎng)格搜索的方法對模型參數(shù)進行優(yōu)化,根據(jù)優(yōu)化后的參數(shù)確定SVR模型。然后,根據(jù)SVR模型對高空間分辨率網(wǎng)格化區(qū)域內的溫度進行預測,將原數(shù)據(jù)集1°×1°的水平分辨率提高到0.1°×0.1°。最后,對高空間分辨率的海洋溫度模型進行可視化展示... 

【文章來源】：吉林大學吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：54 頁

【學位級別】：碩士

【部分圖文】：

全球Argo浮標位置分布

圖 2.4 k 折交叉驗證示意圖.2.3.2 參數(shù)調節(jié)大多數(shù)學習算法都需要進行參數(shù)設定，參數(shù)配置不同，學得模型的性能也有著差別。在建模參數(shù)的選擇上，常用的方法有兩種。一種是試湊法，試湊法根歷史經(jīng)驗，通過反復的實驗來獲取最好的性能，具體實現(xiàn)步驟本文不與討論。一種超參數(shù)搜索方法是網(wǎng)格搜索(gridsearch)。網(wǎng)格搜索的基本思想是先選取一模型參數(shù)的取值范圍，按照某一規(guī)則將此范圍劃分為若干個小區(qū)間，然后計算所有參數(shù)取值的組合以及各個組合方式所對應的目標誤差，最后通過比較，選該區(qū)間最小目標誤差所對應的參數(shù)組合作為最終訓練模型時所采用的參數(shù)。這的目標誤差，就是經(jīng)過 k 折交叉驗證后得到的平均 MSE 值。在前面的方法中，們在模型評估與選擇過程中，由于需要留出測試集 T 進行評估測試，事實上我只使用了訓練集 S 訓練模型。因此，參數(shù)配置確定后，我們應該用數(shù)據(jù)集 D 重

本實驗所用數(shù)據(jù)來自于《全球海洋 Argo 網(wǎng)格數(shù)據(jù)集（BOA-Argo）》[9]。該網(wǎng)格數(shù)據(jù)集提供了從 2004 年 1 月~2016 年 12 月覆蓋全球海洋(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溫度和鹽度數(shù)據(jù)。其空間分辨率為水平 1°×1°和垂向標準層共 58 層。本次試驗使用了 BOA-Argo 的 2014 年1 月-12 月的海洋溫度數(shù)據(jù)。實驗區(qū)域為 20.5°N~24.°N，135.°E~139.5°E，深度覆蓋了 0-1975 米的 BOA-Argo 標準層深度。選取該區(qū)域進行研究主要因為此區(qū)域海水深度大，且地處南北緯 30 度之間的海洋中，表層和深層海水之間的溫差大，波浪能、海水溫差能和海流能資源豐富，具有開發(fā)和研究意義。圖 2.5 展示了 2014年 9 月實驗數(shù)據(jù) 0-300m 海水溫度的空間分布情況。從圖中可以看出，BOA-Argo數(shù)據(jù)相鄰觀測點空間跨度較大。我們通過接下來的實驗，構建出符合 BOA-Argo數(shù)據(jù)規(guī)律的高空間分辨率海洋溫度模型，并將水平分辨率從 1°精細化到 0.1°，垂直分辨率由 5 米及以上提高到均等的 1 米間隔。

【參考文獻】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡的故障時間序列預測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學學報. 2018(04)
[2]基于體繪制的海洋溫鹽空間分布探究[J]. 曾祥倚,李游,溫雅.  測繪與空間地理信息. 2016(01)
[3]海洋溫度場穩(wěn)定性與可預報性研究[J]. 笪良龍,熊張浩,過武宏.  海洋技術學報. 2015(01)
[4]Argo大洋觀測資料的同化及其在短期氣候預測和海洋分析中的應用[J]. 張人禾,朱江,許建平,劉益民,李清泉,牛濤.  大氣科學. 2013(02)
[5]基于特征的時間序列聚類方法研究進展[J]. 宋辭,裴韜.  地理科學進展. 2012(10)
[6]中國ARGO大洋觀測網(wǎng)試驗[J]. 許建平.  中國基礎科學. 2006(04)
[7]我國Argo浮標的設計與研究[J]. 余立中,張少永,商紅梅.  海洋技術. 2005(02)
[8]支持向量機在模式識別中的核函數(shù)特性分析[J]. 李盼池,許少華.  計算機工程與設計. 2005(02)

博士論文
[1]時間序列分類算法研究[D]. 原繼東.北京交通大學 2016



本文編號：3012786