基于深度学习的南沙群岛海域环境要素预测方法研究
近几十年来，赤潮污染、海洋酸化和有机污染等海洋环境问题日益严重。南沙海域存在众多珊瑚礁，生态环境脆弱，故此海洋环境治理更应该注重“预防为主，防治结合”。海洋环境要素的监测预报能够加强海洋环境治理的事前预防，从而降低海洋环境事故风险。目前，学术界对于海洋环流和海水温度的预测预报研究取得了很多研究成果，但对海洋生物化学要素的预测预报仍处于起步阶段。传统的海洋环境要素预测由于缺乏可靠观测预测精度低，且无法进行长期预测。 针对以上问题，研究改进了一种兼顾时空特征的CNN-LSTM深度学习模型。通过优化模型参数，并在时间序列预测时加入相关性强的空间域数据以扩展数据集，最终将其应用于海洋环境要素预测。该模型可以同时提取海洋环境要素的时间域和空间域特征，并基于历史观测数据开展长期滚动预测，可有效提高预测精度和训练速度。预测实验基于南海海洋环境要素数据集开展，数据源为美国NASA官方网站从2002年1月到2020年6月的卫星数据。实验结果表明，CNN-LSTM模型的预测效果优于传统的LSTM模型和SARIMA模型。此外，论文实验还对海洋环境要素进行了5年的长期滚动预测，部分海域叶绿素a（Chl-a）、颗粒有机碳（POC）3年预测结果的Pearson相关系数（简称“R值”）可达0.5，黄色物质（CDOM）2年预测结果的R值可达0.5，研究区域的Chl-a、POC与CDOM的1年预测结果的平均R值达到0.5。 论文基于观测数据和CNN-LSTM深度学习模型预测结果进一步开展了局部和整体海域海洋环境要素的变化趋势分析。文中采用Mann-Kendall趋势检验法和最小二乘法拟合直线的方式，分别验证了5年预测值和真值的变化趋势。结果表明，2015-2020年海面Chl-a与POC的预测值和真实值均呈总体上升趋势，2015-2020年海面CDOM的预测值和真实值均呈总体下降趋势。最后，经过分析总结得出，海洋环境要素的季节性长期预测具有对赤潮、有机污染等海洋污染长期监测和预警的潜力，能够体现海洋酸化程度，并为南沙海域海洋治理提供服务。
海水环境要素;CNN-LSTM模型;长期预测;海洋治理
天津大学
硕士
海洋科学
陈韶阳
2022
中文
P208;X145
2023-08-29（万方平台首次上网日期，不代表论文的发表时间）