本书从大数据和人工智能的角度，系统、全面介绍海洋预测预报与挖掘分析技术。全书分为三个部分：第一部分（第1～3章）是数据部分，对海洋大数据的特征、资源分析、处理评估、平台架构、存储管理、分析处理等进行阐述；第二部分（第4～5章）是方法部分，介绍基于机器学习的海洋大数据典型挖掘分析方法，包括回归方法、聚类方法、关联方法、分类方法及可视分析方法，并给出典型的深度学习预测方法；第三部分（第6～10章）是应用部分，展示利用海洋大数据处理方法对各类海洋数据进行分析预报的成果，包括对海表温度、海面高度、海洋三维温盐、台风路径和赤潮发生概率的分析预报。
样章试读
目录
- 目录
第1章概述 1
1.1 大数据与海洋大数据 1
1.1.1 大数据概述 1
1.1.2 海洋大数据概述 1
1.2 海洋大数据特征 2
1.2.1 多源性 2
1.2.2 多模态 3
1.2.3 3B 挑战 4
1.2.4 小样本贫信息 4
1.2.5 高不确定性 5
参考文献 6
第2章海洋大数据资源 7
2.1 面向分析预报的海洋大数据 7
2.1.1 海洋实测数据 7
2.1.2 海洋遥感数据 10
2.1.3 海洋数值预报产品 11
2.1.4 再分析产品 13
2.1.5 专题数据 16
2.1.6 网络大数据 17
2.2 数据处理 17
2.2.1 数据清洗 18
2.2.2 标准处理 19
2.2.3 数据融合 21
2.3 数据质量控制与评估 23
2.3.1 数据质量控制 23
2.3.2 数据质量评估 26
2.3.3 数据不确定性分析 28
参考文献 30
第3章海洋大数据管理技术 31
3.1 海洋大数据平台架构 31
3.1.1 大数据平台发展概况 31
3.1.2 主流的大数据架构 35
3.1.3 海洋大数据平台总体架构 38
3.2 海洋大数据存储管理 40
3.2.1 海洋大数据存储架构 40
3.2.2 海洋大数据存储模式 41
3.2.3 海洋大数据管理技术 46
3.3 海洋大数据分析处理 51
3.3.1 海洋大数据分析处理架构 51
3.3.2 海洋大数据分析处理技术 52
3.3.3 方法库构建技术 56
参考文献 58
第4章海洋大数据典型挖掘分析方法概述 60
4.1 回归方法 60
4.1.1 KNN 回归 60
4.1.2 线性回归 63
4.1.3 logistic 回归 65
4.1.4 EM 回归 67
4.2 聚类方法 69
4.2.1 k-means 聚类算法 69
4.2.2 动态时间规整 71
4.3 关联方法 74
4.3.1 Apriori 算法 75
4.3.2 基于Spark 的并行关联分析方法 76
4.3.3 列联表 79
4.3.4 皮尔逊相关系数 80
4.3.5 肯德尔/斯皮尔曼等级相关系数 81
4.4 分类方法 82
4.4.1 支持向量机 82
4.4.2 随机森林 84
4.5 可视分析方法 85
4.5.1 平行坐标可视分析 86
4.5.2 散点图可视分析 87
参考文献 89
第5章海洋大数据深度学习预测方法 91
5.1 传统机器学习预测方法 91
5.2 典型深度学习预测方法 94
5.2.1 海洋数据时间序列预测与深度学习 94
5.2.2 典型深度学习预测分析算法 95
5.2.3 神经网络 97
5.3 递归神经网络预测方法 98
5.3.1 LSTM 模型与原理 98
5.3.2 LSTM 特性与用途 100
5.3.3 GRU 神经网络 101
5.3.4 ConvLSTM 101
5.3.5 EEMD 102
5.3.6 注意力机制 102
5.3.7 双阶段注意力机制 104
5.4 卷积神经网络预测方法 106
5.4.1 卷积神经网络概述 106
5.4.2 卷积神经网络结构 107
5.4.3 卷积神经网络原理 108
5.4.4 卷积神经网络特性 109
5.4.5 几种典型卷积神经网络 110
5.4.6 卷积神经网络应用 113
参考文献 115
第6章海表温度大数据分析预报 117
6.1 海表温度预报概况 117
6.1.1 统计预报 117
6.1.2 数值预报 117
6.1.3 大数据分析预报 118
6.2 海表温度多尺度时空特征和规律分析 119
6.2.1 海表温度年尺度时空特征 119
6.2.2 海表温度月尺度时空特征 121
6.2.3 海表温度日尺度时空特征 126
6.2.4 海表温度变化规律分析 132
6.3 海表温度环境要素关联关系 132
6.3.1 基于相关分析的海表温度的时空相关影响分析 132
6.3.2 基于熵和信息流的海气界面多物理过程对海表温度的影响分析 137
6.3.3 基于信息流的上层海洋多环境因子对海表温度的影响分析 141
6.4 海表温度大数据预报应用 144
6.4.1 基于动态时间规整分析的海表温度大数据分析预报模型 144
6.4.2 基于时空注意力机制的海表温度大数据分析预报模型 146
6.4.3 海表温度大数据预报示范应用 152
参考文献 162
第7章海面高度大数据分析预报 165
7.1 海面高度预报概况 165
7.1.1 统计预报 165
7.1.2 数值预报 165
7.1.3 大数据预报 166
7.2 海平面高度多尺度时空特征和规律分析 168
7.2.1 全球海平面高度变化规律 168
7.2.2 我国海平面高度变化规律 170
7.2.3 南海海平面高度变化规律 171
7.3 海面高度动力环境要素关联关系分析 173
7.3.1 基于关联分析的海气界面多物理过程对海平面高度的影响分析 173
7.3.2 基于相关分析的上层海洋多环境因子对海平面高度的影响分析 177
7.4 海面高度大数据预报应用 179
7.4.1 基于通道残差注意力机制的海面高度异常大数据分析预报模型 179
7.4.2 基于多模态融合的海面高度异常大数据分析预报模型 181
7.4.3 海面高度异常大数据预报示范应用 183
参考文献 187
第8章海洋三维温盐大数据分析预报 191
8.1 海洋三维温盐场构建概况 191
8.1.1 统计方法 191
8.1.2 动力学方法 192
8.1.3 大数据方法构建 193
8.2 海洋三维温盐垂向建模及规律分析 194
8.2.1 多源多要素动态分析垂向建模规律 194
8.2.2 主模态多约束最优分析垂向建模规律 199
8.2.3 卷积神经网络垂向建模规律 208
8.2.4 长短期记忆网络垂向建模规律 210
8.3 海洋三维动力环境要素关联建模分析 213
8.3.1 温度和盐度剖面延拓分析 213
8.3.2 水团模糊聚类分析 215
8.3.3 模型方法比较分析 216
8.4 海洋三维温盐要素大数据预报应用 220
8.4.1 基于垂向映射方法的水下三维温盐大数据分析预报模型 220
8.4.2 海洋三维温盐大数据预报系统业务化运行 222
8.4.3 海洋三维温盐大数据预报示范应用 225
参考文献 227
第9章台风路径大数据分析预报 230
9.1 台风路径预报概况 230
9.2 西北太平洋台风移动规律分析 231
9.2.1 台风路径时空分布特征分析 231
9.2.2 台风路径聚类分析 235
9.3 西北太平洋台风路径关联因子分析 242
9.3.1 逐步回归与互信息结合的大气、海洋因子与台风路径的关联分析 242
9.3.2 基于注意力机制的关键因子与台风路径的关联分析 246
9.4 西北太平洋台风路径大数据预报应用 248
9.4.1 基于CNN 的台风路径大数据分析预报模型 248
9.4.2 基于DNN 的台风路径大数据分析预报模型 251
9.4.3 台风路径大数据预报示范应用 253
参考文献 256
第10章赤潮发生概率大数据分析预报 259
10.1 赤潮发生概率预报概况 259
10.1.1 赤潮灾害概况 259
10.1.2 分析预报概况 262
10.2 赤潮发生规律分析 264
10.2.1 我国近海赤潮发生规律分析 264
10.2.2 福建沿海赤潮特征 267
10.2.3 赤潮发生前后环境状况特征 268
10.3 赤潮发生因子关联分析 269
10.3.1 基于列联表方法的赤潮发生因子关联分析 270
10.3.2 赤潮发生因子阈值范围 274
10.4 赤潮发生概率大数据预报应用 278
10.4.1 基于BP-RBF 的赤潮发生概率大数据分析预报模型 279
10.4.2 基于GRU 的赤潮发生概率大数据分析预报模型 280
10.4.3 赤潮发生概率大数据预报示范应用 283
参考文献 288
京公网安备 11010102004214号