基于深度学习的深海遥感技术研究

论文摘要

传统船基或浮标观测精度较高,可以获得海洋表层以下参数信息,但是难以获得空间分布较为全面的海洋动力环境参数;而卫星遥感可以提供高时空覆盖率的海面表层风场、有效波高、海面高度、海表流场以及温盐等海洋动力环境参数,但是缺乏中深层海洋动力参数。随着深度学习技术的不断发展与成熟,越来越多的学科、应用开始引入深度学习技术。因此本文旨在利用深度学习,根据遥感卫星反演的海洋表面的动力参数,以及船基浮标数据,反演构造高精度较为完整的时空覆盖中深层的全球海洋动力参数资料集。另一方面,海洋动力过程机制较为复杂,传统物理模型难以准确模拟和预测,海水温度的预测在许多海洋科学领域具有重要的应用,而以往的关于海水温度预测的研究主要关注于表层海水的温度,对不同深度的海水温度变化的预测较少。因此本文将尝试利用深度学习的方法,对不同深度的海水温度的时序变化进行预测。本文一方面基于BP神经网络,利用洋面表层的温度、盐度、海面高度等数据,反演中深层海水的温度和盐度信息。另一方面,本文基于时空数据集,将长短期记忆网络(Long short term memory,LSTM)与卷积神经网络(Convolution neural network,CNN)结合,利用时间序列的海温特征,以及不同层位的温度信息进行提取局部特征,从而训练神经网络,进行预测和回溯验证,在一定的时间步长上预测不同深度的海水温度数据。基于BP网络的中深层反演方法,利用卫星遥感获得的海面表层的SST、SSH、SSS等参数信息,可以反演中深层的海水温度信息,并且有较高的精度。而基于多层convLSTM的时间序列预测方法可以对不同深度的海水温度信息进行预测,并在一定时间步长内有较好的精度。

论文目录

摘要

Abstract

第一章绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 论文研究内容与章节安排

第二章数据

2.1 ARGO数据介绍

2.1.1 ARGO简介

2.1.2 ARGO站点分布

2.1.3 ARGO数据的网格化产品

2.2 Windsat数据

2.3 OISSS数据

2.4 SSH数据

2.5 本章小结

第三章深度学习

3.1 符号定义

3.2 深度学习简介

3.2.1 神经网络的概念

3.2.2 多层前馈神经网络简介,LM（Levenberg-Marquard）算法

3.2.3 激活函数

3.2.4 前向传播和反向传播算法

3.2.5 学习率（Learning rate）

3.2.6 卷积神经网络（CNN）

3.2.7 长短期记忆神经网络（LSTM）

3.2.8 卷积长短期记忆网络（convLSTM）

3.3 本章小结

第四章基于BP网络的中深层海水反演

4.1 引言

4.2 问题描述

4.3 温盐反演实例

4.3.1 构建数据集

4.3.2 评价标准

4.3.3 实验过程

4.3.4 结果分析

4.4 本章小结

第五章基于convLSTM的时间序列预测

5.1 引言

5.2 问题引入

5.3 处理时间序列的模型介绍

5.4 实验与评估

5.4.1 构建训练数据集

5.4.2 数据预处理

5.4.3 设置convLSTM模型的参数

5.4.4 评价标准

5.4.5 实验过程

5.4.6 结果分析

5.5 本章小结

第六章总结和展望

6.1 论文工作总结

6.2 未来工作展望

参考文献

致谢

文章来源

类型: 硕士论文

作者: 张昆

导师: 严晓海,耿旭朴

关键词: 深度学习,卷积神经网络,长短期记忆网络,神经网络

来源: 厦门大学

年度: 2019

分类: 基础科学

专业: 海洋学

单位: 厦门大学

分类号: P715.7

总页数: 85

文件大小: 6181K

下载量: 34

基于深度学习的深海遥感技术研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢