基于深度学习的多尺度海洋表面温度预测研究

作     者：吕彩云 

作者单位：天津大学 

学位级别：硕士

导师姓名：杨嘉琛;朱勇

授予年度：2022年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 0707[理学-海洋科学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：海洋表面温度预测 深度学习 多尺度 双向长短期记忆网络 图卷积网络 

摘      要：海洋表面温度是衡量海表能量和热量平衡的重要参数,海洋表面温度变化对海洋生态系统、海洋气候、海洋环境具有重要的影响,因此,海表温度预测已成为海洋领域的重要研究方向。海表温度预测方法在表征时间特征时一般关注序列中的正向相关性,而忽略了反向依赖性,存在未充分利用时序信息的问题。另外,基于时间相关性的海表温度预测方法往往忽略空间特征,造成预测结果可能存在空间上的不连续。本文基于深度学习方法捕捉海洋温度序列的前后向依赖性,挖掘时空特征,对海洋表面温度进行单点尺度和区域尺度预测研究,主要工作如下:(1)首次将双向长短期记忆(Bidirectional Long Short Term Memory,BLSTM)应用于海表温度预测,提出一种深层单双向长短期记忆(Deep Bidirectional and Unibidirectional Long Short Term Memory,DBULSTM)与Ada Boost集成模型,以捕捉海表温度序列中的前向依赖和后向依赖,降低预测误差。首先,采用BLSTM作为DBULSTM的首层构建块,从前向和后向的时间角度分析海表温度变化趋势。其次,将长短期记忆与BLSTM网络结合构建DBULSTM深层架构,增强海表温度时序特征学习。最后,将DBULSTM与Ada Boost模型集成,解决过拟合问题。在东海和南海区域上进行多种不同预测长度的实验,结果表明该模型在不同海域,不同预测水平上几乎均优于其他经典模型,其中与全连接长短期记忆(Full-Connected LSTM,FC-LSTM)模型相比,均方根误差降低了约0.16。(2)首次将图卷积网络应用于海表温度预测,提出一种时空注意力机制图卷积网络(Spatio-Temporal Attention Graph Convolutional Network,STAGCN),以捕捉海表温度序列的时空相关性,提高预测精度。首先,以海洋位置点为节点进行图结构建模,以节点距离信息构建邻接矩阵,采用图卷积网络捕捉空间相关性,进行特征学习和信息融合。其次,将带有空间特征的序列经门控循环单元学习海温的动态变化趋势来获取时间相关性。最后,加入注意力机制挖掘海表温度序列的全局时空上下文依赖性,更新学习特征权值,增强相关性信息。在东海和南海区域上进行多种不同预测长度实验,结果表明,该模型能够捕捉区域尺度海表温度序列的时空相关性,在不同海域,不同预测水平上几乎均优于其他经典模型,其中与FC-LSTM模型相比,均方根误差降低了约0.2。