大數(shù)據(jù)背景下,遙感衛(wèi)星數(shù)據(jù)的獲取難度正不斷降低,這種數(shù)據(jù)開放在進行大面積和難以測量環(huán)境的檢測識別時提供了巨大便利。海冰的動態(tài)變化是影響海洋尤其是極區(qū)海洋反照率的關(guān)鍵因素,更是全球熱量交換系統(tǒng)的重要組成部分。大量研究表明,海洋與氣候特征之間存在顯著的相互作用,準確獲取北極海冰的動態(tài)變化規(guī)律,對全球氣候變化預(yù)測具有重要作用。近年來,依托愈發(fā)充足的數(shù)據(jù)、不斷優(yōu)化的硬件設(shè)備與層出不窮的算法模型,深度學習方法蓬勃發(fā)展,逐漸滲透到各行各業(yè)的實際應(yīng)用中。本文以深度學習方法為基礎(chǔ),首先分析了海冰密集度數(shù)據(jù)集在不同情形下的預(yù)測可用性,基于評估結(jié)果開展了長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory,LSTM）在海冰面積預(yù)測領(lǐng)域的相關(guān)研究。最后基于神經(jīng)網(wǎng)絡(luò)相關(guān)知識,對模型進行相應(yīng)改進和優(yōu)化,提出了適用于多變量海冰面積時間序列預(yù)測的深度學習方法。論文的主要研究工作如下:（1）對NSIDC、SICCI和BLM三種海冰密集度數(shù)據(jù)集進行對比分析,按照緯度、密集度、北極航道航段分情況評估不同數(shù)據(jù)集的適用性,為實現(xiàn)不同預(yù)測目標（如長時間預(yù)測或具體區(qū)域預(yù)測）的北極海冰面積變化趨勢提供數(shù)據(jù)選擇依據(jù)。（2）采... 

【文章來源】：青島大學山東省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

傳統(tǒng)機器學習和深度學習流程對比

青島大學碩士學位論文7開始興起，并且在之后很長一段時間內(nèi)都是人工智能領(lǐng)域內(nèi)的研究熱點。近年來，一些深度學習模型已逐漸應(yīng)用于時間序列研究領(lǐng)域，在時間序列處理方向，人們將神經(jīng)網(wǎng)絡(luò)技術(shù)廣泛應(yīng)用到多個領(lǐng)域，如自然語言處理[63-64]、動作識別[65]、語音識別[66]，在時間序列預(yù)測領(lǐng)域上的應(yīng)用則有金融時間序列預(yù)測[67-68]、環(huán)境預(yù)測[69]、流量預(yù)測[70]，有農(nóng)業(yè)領(lǐng)域的預(yù)測[71]，也有與海洋相關(guān)的風暴潮預(yù)測[72]、海浪有效波高預(yù)測[73]及對波浪的預(yù)報[74]等。因為強大的學習能力，人工神經(jīng)網(wǎng)絡(luò)已成為數(shù)據(jù)處理的新模式。如圖2.2，輸入神經(jīng)元接收訓練集數(shù)據(jù)，通過各隱藏層學習輸入數(shù)據(jù)的部分特征，特征之間用不同網(wǎng)絡(luò)節(jié)點鏈接，通過訓練不斷更新網(wǎng)絡(luò)鏈接的權(quán)重以改變鏈接強度，直至模型輸出滿足模型要求。圖2.2人工神經(jīng)網(wǎng)絡(luò)由圖2.2可以發(fā)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)有著非線性、自適應(yīng)的信息處理機制，這種機制表現(xiàn)在網(wǎng)絡(luò)由大量簡單單元構(gòu)成，這些單元彼此相連但功能相對簡單，一般來說，神經(jīng)網(wǎng)絡(luò)具有”四非”特征。(1)非線性。網(wǎng)絡(luò)中的神經(jīng)元可處于兩種狀態(tài)：激活或抑制，在數(shù)學上這種行為表現(xiàn)為一種線性行為，他們可以通過具有閾值(或稱偏置)的激活函數(shù)來完成該功能。具有閾值的神經(jīng)元，可構(gòu)成性能更佳的神經(jīng)網(wǎng)絡(luò)，增強整個網(wǎng)絡(luò)的穩(wěn)定性。(2)非局限性。生物神經(jīng)系統(tǒng)大多是由多個廣泛神經(jīng)元組成，系統(tǒng)在進行行為時，某個神經(jīng)元并不足以起決定作用，而是高度依賴神經(jīng)元之間的相互作用關(guān)系。任何一個神經(jīng)元的作用域都不是局部的，而是可能通過網(wǎng)絡(luò)鏈接波及全網(wǎng)。(3)非常定性。之所以神經(jīng)網(wǎng)絡(luò)一直處于運動狀態(tài)，是因為它強大的自適應(yīng)、自組織、自學習能力。在人工神經(jīng)網(wǎng)絡(luò)中，除了處理的信息變化多端外，在處理信息的同時，非線性動力系統(tǒng)本身可能也在演化(比

青島大學碩士學位論文8是線性的，多層神經(jīng)網(wǎng)絡(luò)就可能會“退化”為一層神經(jīng)網(wǎng)絡(luò)�，F(xiàn)在的主流激活函數(shù)主要是Sigmoid、Tanh、Relu，下面分別給予簡單介紹。（1）Sigmoid函數(shù)xex11)(f2-(1)Sigmoid函數(shù)圖如下，圖2.3Sigmoid函數(shù)Sigmoid函數(shù)的值域位于(0，1)之間，當輸入較大值時，函數(shù)會返回一個接近1的值，反之，如果輸入較小，返回值將接近0。正是因為這個特性，Sigmoid函數(shù)的輸出有時候被當作概率使用。(2)Tanh函數(shù)xxxxeeeexxTanhf)()(2-(2)其圖像如圖2.4所示，圖2.4Tanh函數(shù)雙曲正切函數(shù)Tanh實際上是Sigmoid函數(shù)的線性組合，所以它的一些特性與Sigmoid相似。不同于Sigmoid函數(shù)的是，Tanh函數(shù)的置于在(-1，1)之間，在某些神經(jīng)網(wǎng)絡(luò)中，輸出負值也有

【參考文獻】：
期刊論文
[1]近30年北極海冰運動特征分析[J]. 李瑜潔,高曉清,張錄軍,郭維棟,楊麗薇.  高原氣象. 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]長序列北極海冰覆蓋數(shù)據(jù)集對比分析[J]. 武勝利,劉健.  海洋學報. 2018(11)
[4]基于卷積-LSTM網(wǎng)絡(luò)的廣告點擊率預(yù)測模型研究[J]. 厙向陽,王邵鵬.  計算機工程與應(yīng)用. 2019(02)
[5]神經(jīng)網(wǎng)絡(luò)方法在上海沿海海浪預(yù)報中的應(yīng)用[J]. 朱智慧,曹慶,徐杰.  海洋預(yù)報. 2018(05)
[6]FY-3B/MWRI和Aqua/AMSR-E海冰密集度比較及印證[J]. 王曉雨,管磊,李樂樂.  遙感學報. 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]北極海冰融化影響東亞冬季天氣和氣候的研究進展以及學術(shù)爭論焦點問題[J]. 武炳義.  大氣科學. 2018(04)
[9]基于遙感和氣象數(shù)據(jù)對遼東灣海冰變化預(yù)測研究[J]. 龐海洋,孔祥生,孫志偉,汪麗麗.  海洋與湖沼. 2018(04)
[10]基于海冰密集度遙感數(shù)據(jù)的波弗特海海冰時空變化研究[J]. 劉玥,龐小平,趙羲,蘇楚欽,季青.  極地研究. 2018(02)

碩士論文
[1]1979-2017年北極航道冰情變化研究[D]. 王蔓蔓.南京大學 2018
[2]基于人工神經(jīng)網(wǎng)絡(luò)的冰情預(yù)測研究[D]. 盧海.天津大學 2007



本文編號：3591187