人工智能海洋学是一门融合人工智能和海洋学的新兴交叉学科，本书旨在详尽充实地介绍人工智能海洋学的相关知识。本书共分9章，介绍了海洋大数据、Python语言、人工智能基础（神经网络、深度学习、卷积神经网络和循环神经网络）、海洋特征智能识别、海洋参数智能预测、动力参数智能估算和模式误差智能订正等，深入浅出地介绍了人工智能技术在海洋学中的应用。
样章试读
目录
- 目录
前言
第1章 绪论 1
1.1 人工智能发展历程 1
1.1.1 第1次浪潮(20世纪50年代中期～60年代中期) 2
1.1.2 第1次低谷(20世纪60年代中期～70年代中期) 2
1.1.3 第2次浪潮(20世纪70年代中期～80年代中期) 2
1.1.4 第2次低谷(20世纪80年代中期～90年代中期) 3
1.1.5 第3次浪潮(20世纪90年代中期至今) 3
1.2 人工智能海洋学发展历程 5
1.2.1 海洋特征智能识别 6
1.2.2 海洋参数智能预测 6
1.2.3 动力参数智能估算 7
1.2.4 海洋智能化探测 7
1.3 本书的结构和基本内容 8
第2章 海洋大数据简介 10
2.1 大数据概况 10
2.2 海洋大数据的发展历程 10
2.2.1 海洋数据的初步积累阶段 11
2.2.2 海洋数据的进一步积累阶段 12
2.2.3 海洋数据的大量积累阶段 13
2.3 海洋大数据的定义及特征 14
2.3.1 海洋大数据的定义 14
2.3.2 海洋大数据的特征 14
2.4 海洋大数据的数据来源 15
2.4.1 海洋实测数据 15
2.4.2 海洋遥感数据 18
2.4.3 海洋模式数据 21
2.5 海洋大数据的处理分析 23
2.5.1 海洋大数据的存储与管理 23
2.5.2 海洋大数据分析挖掘技术 24
2.5.3 海洋大数据可视化技术 24
2.6 常用海洋大数据平台 25
2.6.1 海洋科学大数据中心 25
2.6.2 美国国家数据浮标中心 26
2.6.3 欧洲海洋观测和数据网络 26
2.6.4 日本气象厅平台 27
2.7 一种常用的海洋大数据管理系统 27
2.7.1 为什么需要Hadoop 27
2.7.2 HDFS 29
2.7.3 MapReduce 31
2.7.4 Hadoop的部署 32
思考练习题 37
第3章 Python语言 38
3.1 安装与运行 38
3.1.1 安装Anaconda 38
3.1.2 安装PyCharm 41
3.2 基本变量类型 42
3.2.1 数字与运算 43
3.2.2 字符串 44
3.2.3 列表 44
3.2.4 字典 46
3.3 函数和类 48
3.3.1 函数 48
3.3.2 类 48
3.4 循环与判断 51
3.5 库 52
3.5.1 Numpy 52
3.5.2 Matplotlib 55
3.5.3 NetCDF 69
3.5.4 Xarray 69
3.5.5 Cartopy 72
3.5.6 TensorFlow 73
思考练习题 76
第4章 人工智能基础 79
4.1 人工智能基本概念 79
4.1.1 数据集划分方法 79
4.1.2 分类问题评价指标 80
4.1.3 回归问题评价指标 82
4.2 BP神经网络 82
4.2.1 神经网络基本概念 83
4.2.2 M-P模型 84
4.2.3 感知机模型 85
4.2.4 BP神经网络 87
4.3 其他神经网络 90
4.3.1 前馈神经网络 90
4.3.2 模糊神经网络 91
4.3.3 径向基神经网络 93
4.4 上机实验：搭建BP神经网络 95
4.4.1 数据准备 96
4.4.2 模型搭建 96
4.4.3 结果检验 97
思考练习题 100
第5章 深度学习 101
5.1 深度学习入门 101
5.2 深度学习的特征 102
5.3 卷积神经网络的基础结构 104
5.3.1 数据输入层 104
5.3.2 卷积层 105
5.3.3 池化层 107
5.3.4 全连接层 109
5.4 常用的4类卷积神经网络架构 109
5.4.1 LeNet5 110
5.4.2 AlexNet 111
5.4.3 VGG 114
5.4.4 ResNet 115
5.5 基于卷积神经网络的语义分割 118
5.5.1 图像处理的不同层次 118
5.5.2 全卷积神经网络 120
5.5.3 DeepLab系列模型 123
5.5.4 PSPNet 127
5.6 上机实验：搭建卷积神经网络 129
5.6.1 模型搭建 129
5.6.2 结果检验 131
思考练习题 133
第6章 循环神经网络 134
6.1 循环神经网络 134
6.2 长短时记忆网络 137
6.2.1 LSTM的内部结构 137
6.2.2 LSTM的“门”结构 138
6.3 门控循环单元 141
6.3.1 GRU的网络结构 141
6.3.2 重置门和更新门 142
6.3.3 候选隐藏状态 142
6.3.4 隐藏状态 143
6.4 双向网络结构 145
6.4.1 双向长短时记忆网络 145
6.4.2 双向门控循环单元 146
6.5 上机实验：搭建循环神经网络 147
6.5.1 数据准备与模型搭建 147
6.5.2 结果检验 149
思考练习题 151
第7章 海洋特征智能识别 152
7.1 海洋涡旋与智能识别 152
7.1.1 海洋涡旋 152
7.1.2 基于PSPNet算法的海洋涡旋智能识别 153
7.1.3 不同人工智能算法在海洋涡旋识别应用中的比较 160
7.2 海洋内波与智能识别 166
7.2.1 海洋内波 166
7.2.2 海洋内波的智能识别 168
7.3 海表溢油与智能监测 170
7.3.1 海表溢油 170
7.3.2 海表溢油监测 172
7.3.3 海表溢油的智能监测 172
7.4 海冰与智能探测 176
7.4.1 海冰 176
7.4.2 海冰探测 177
7.4.3 海冰智能探测 177
7.5 海洋藻类与智能识别 180
7.5.1 海洋藻类 180
7.5.2 海洋藻类的智能识别 181
7.6 海上船只与智能监测 183
7.6.1 海上船只监测 183
7.6.2 海上船只智能监测 184
7.7 上机实验：语义分割识别海洋涡旋 187
7.7.1 数据准备 187
7.7.2 模型识别 189
7.7.3 结果显示 193
思考练习题 197
第8章 海洋参数智能预测 198
8.1 海洋气候预测 198
8.2 近岸风暴潮智能预测 201
8.2.1 风暴潮单点水位智能预测 202
8.2.2 风暴潮漫滩过程智能预测 206
8.3 海洋波浪智能预测 209
8.4 海面风速智能预测 211
8.5 海表温度智能预测 213
8.6 上机实验：有效波高智能预测 217
8.6.1 数据准备 218
8.6.2 模型构建 218
8.6.3 结果展示 220
思考练习题 221
第9章 动力参数智能估算和模式误差智能订正 222
9.1 海洋模式次网格动力参数的智能估算 223
9.1.1 准地转海洋模式 223
9.1.2 降低数据分辨率 224
9.1.3 智能估算模型 225
9.1.4 智能估算结果 226
9.2 大气模式湿物理参数的智能估算 229
9.2.1 湿静力能量守恒 230
9.2.2 神经网络设置和数据 230
9.2.3 ResCu的智能预测结果 232
9.3 数值模式误差智能订正 235
思考练习题 238
参考文献 239
京公网安备 11010102004214号