目錄
第1章概述 1
1.1 大數(shù)據(jù)與海洋大數(shù)據(jù) 1
1.1.1 大數(shù)據(jù)概述 1
1.1.2 海洋大數(shù)據(jù)概述 1
1.2 海洋大數(shù)據(jù)特征 2
1.2.1 多源性 2
1.2.2 多模態(tài) 3
1.2.3 3B 挑戰(zhàn) 4
1.2.4 小樣本貧信息 4
1.2.5 高不確定性 5
參考文獻(xiàn) 6
第2章海洋大數(shù)據(jù)資源 7
2.1 面向分析預(yù)報(bào)的海洋大數(shù)據(jù) 7
2.1.1 海洋實(shí)測(cè)數(shù)據(jù) 7
2.1.2 海洋遙感數(shù)據(jù) 10
2.1.3 海洋數(shù)值預(yù)報(bào)產(chǎn)品 11
2.1.4 再分析產(chǎn)品 13
2.1.5 專(zhuān)題數(shù)據(jù) 16
2.1.6 網(wǎng)絡(luò)大數(shù)據(jù) 17
2.2 數(shù)據(jù)處理 17
2.2.1 數(shù)據(jù)清洗 18
2.2.2 標(biāo)準(zhǔn)處理 19
2.2.3 數(shù)據(jù)融合 21
2.3 數(shù)據(jù)質(zhì)量控制與評(píng)估 23
2.3.1 數(shù)據(jù)質(zhì)量控制 23
2.3.2 數(shù)據(jù)質(zhì)量評(píng)估 26
2.3.3 數(shù)據(jù)不確定性分析 28
參考文獻(xiàn) 30
第3章海洋大數(shù)據(jù)管理技術(shù) 31
3.1 海洋大數(shù)據(jù)平臺(tái)架構(gòu) 31
3.1.1 大數(shù)據(jù)平臺(tái)發(fā)展概況 31
3.1.2 主流的大數(shù)據(jù)架構(gòu) 35
3.1.3 海洋大數(shù)據(jù)平臺(tái)總體架構(gòu) 38
3.2 海洋大數(shù)據(jù)存儲(chǔ)管理 40
3.2.1 海洋大數(shù)據(jù)存儲(chǔ)架構(gòu) 40
3.2.2 海洋大數(shù)據(jù)存儲(chǔ)模式 41
3.2.3 海洋大數(shù)據(jù)管理技術(shù) 46
3.3 海洋大數(shù)據(jù)分析處理 51
3.3.1 海洋大數(shù)據(jù)分析處理架構(gòu) 51
3.3.2 海洋大數(shù)據(jù)分析處理技術(shù) 52
3.3.3 方法庫(kù)構(gòu)建技術(shù) 56
參考文獻(xiàn) 58
第4章海洋大數(shù)據(jù)典型挖掘分析方法概述 60
4.1 回歸方法 60
4.1.1 KNN 回歸 60
4.1.2 線性回歸 63
4.1.3 logistic 回歸 65
4.1.4 EM 回歸 67
4.2 聚類(lèi)方法 69
4.2.1 k-means 聚類(lèi)算法 69
4.2.2 動(dòng)態(tài)時(shí)間規(guī)整 71
4.3 關(guān)聯(lián)方法 74
4.3.1 Apriori 算法 75
4.3.2 基于Spark 的并行關(guān)聯(lián)分析方法 76
4.3.3 列聯(lián)表 79
4.3.4 皮爾遜相關(guān)系數(shù) 80
4.3.5 肯德?tīng)?斯皮爾曼等級(jí)相關(guān)系數(shù) 81
4.4 分類(lèi)方法 82
4.4.1 支持向量機(jī) 82
4.4.2 隨機(jī)森林 84
4.5 可視分析方法 85
4.5.1 平行坐標(biāo)可視分析 86
4.5.2 散點(diǎn)圖可視分析 87
參考文獻(xiàn) 89
第5章海洋大數(shù)據(jù)深度學(xué)習(xí)預(yù)測(cè)方法 91
5.1 傳統(tǒng)機(jī)器學(xué)習(xí)預(yù)測(cè)方法 91
5.2 典型深度學(xué)習(xí)預(yù)測(cè)方法 94
5.2.1 海洋數(shù)據(jù)時(shí)間序列預(yù)測(cè)與深度學(xué)習(xí) 94
5.2.2 典型深度學(xué)習(xí)預(yù)測(cè)分析算法 95
5.2.3 神經(jīng)網(wǎng)絡(luò) 97
5.3 遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法 98
5.3.1 LSTM 模型與原理 98
5.3.2 LSTM 特性與用途 100
5.3.3 GRU 神經(jīng)網(wǎng)絡(luò) 101
5.3.4 ConvLSTM 101
5.3.5 EEMD 102
5.3.6 注意力機(jī)制 102
5.3.7 雙階段注意力機(jī)制 104
5.4 卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法 106
5.4.1 卷積神經(jīng)網(wǎng)絡(luò)概述 106
5.4.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 107
5.4.3 卷積神經(jīng)網(wǎng)絡(luò)原理 108
5.4.4 卷積神經(jīng)網(wǎng)絡(luò)特性 109
5.4.5 幾種典型卷積神經(jīng)網(wǎng)絡(luò) 110
5.4.6 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用 113
參考文獻(xiàn) 115
第6章海表溫度大數(shù)據(jù)分析預(yù)報(bào) 117
6.1 海表溫度預(yù)報(bào)概況 117
6.1.1 統(tǒng)計(jì)預(yù)報(bào) 117
6.1.2 數(shù)值預(yù)報(bào) 117
6.1.3 大數(shù)據(jù)分析預(yù)報(bào) 118
6.2 海表溫度多尺度時(shí)空特征和規(guī)律分析 119
6.2.1 海表溫度年尺度時(shí)空特征 119
6.2.2 海表溫度月尺度時(shí)空特征 121
6.2.3 海表溫度日尺度時(shí)空特征 126
6.2.4 海表溫度變化規(guī)律分析 132
6.3 海表溫度環(huán)境要素關(guān)聯(lián)關(guān)系 132
6.3.1 基于相關(guān)分析的海表溫度的時(shí)空相關(guān)影響分析 132
6.3.2 基于熵和信息流的海氣界面多物理過(guò)程對(duì)海表溫度的影響分析 137
6.3.3 基于信息流的上層海洋多環(huán)境因子對(duì)海表溫度的影響分析 141
6.4 海表溫度大數(shù)據(jù)預(yù)報(bào)應(yīng)用 144
6.4.1 基于動(dòng)態(tài)時(shí)間規(guī)整分析的海表溫度大數(shù)據(jù)分析預(yù)報(bào)模型 144
6.4.2 基于時(shí)空注意力機(jī)制的海表溫度大數(shù)據(jù)分析預(yù)報(bào)模型 146
6.4.3 海表溫度大數(shù)據(jù)預(yù)報(bào)示范應(yīng)用 152
參考文獻(xiàn) 162
第7章海面高度大數(shù)據(jù)分析預(yù)報(bào) 165
7.1 海面高度預(yù)報(bào)概況 165
7.1.1 統(tǒng)計(jì)預(yù)報(bào) 165
7.1.2 數(shù)值預(yù)報(bào) 165
7.1.3 大數(shù)據(jù)預(yù)報(bào) 166
7.2 海平面高度多尺度時(shí)空特征和規(guī)律分析 168
7.2.1 全球海平面高度變化規(guī)律 168
7.2.2 我國(guó)海平面高度變化規(guī)律 170
7.2.3 南海海平面高度變化規(guī)律 171
7.3 海面高度動(dòng)力環(huán)境要素關(guān)聯(lián)關(guān)系分析 173
7.3.1 基于關(guān)聯(lián)分析的海氣界面多物理過(guò)程對(duì)海平面高度的影響分析 173
7.3.2 基于相關(guān)分析的上層海洋多環(huán)境因子對(duì)海平面高度的影響分析 177
7.4 海面高度大數(shù)據(jù)預(yù)報(bào)應(yīng)用 179
7.4.1 基于通道殘差注意力機(jī)制的海面高度異常大數(shù)據(jù)分析預(yù)報(bào)模型 179
7.4.2 基于多模態(tài)融合的海面高度異常大數(shù)據(jù)分析預(yù)報(bào)模型 181
7.4.3 海面高度異常大數(shù)據(jù)預(yù)報(bào)示范應(yīng)用 183
參考文獻(xiàn) 187
第8章海洋三維溫鹽大數(shù)據(jù)分析預(yù)報(bào) 191
8.1 海洋三維溫鹽場(chǎng)構(gòu)建概況 191
8.1.1 統(tǒng)計(jì)方法 191
8.1.2 動(dòng)力學(xué)方法 192
8.1.3 大數(shù)據(jù)方法構(gòu)建 193
8.2 海洋三維溫鹽垂向建模及規(guī)律分析 194
8.2.1 多源多要素動(dòng)態(tài)分析垂向建模規(guī)律 194
8.2.2 主模態(tài)多約束最優(yōu)分析垂向建模規(guī)律 199
8.2.3 卷積神經(jīng)網(wǎng)絡(luò)垂向建模規(guī)律 208
8.2.4 長(zhǎng)短期記憶網(wǎng)絡(luò)垂向建模規(guī)律 210
8.3 海洋三維動(dòng)力環(huán)境要素關(guān)聯(lián)建模分析 213
8.3.1 溫度和鹽度剖面延拓分析 213
8.3.2 水團(tuán)模糊聚類(lèi)分析 215
8.3.3 模型方法比較分析 216
8.4 海洋三維溫鹽要素大數(shù)據(jù)預(yù)報(bào)應(yīng)用 220
8.4.1 基于垂向映射方法的水下三維溫鹽大數(shù)據(jù)分析預(yù)報(bào)模型 220
8.4.2 海洋三維溫鹽大數(shù)據(jù)預(yù)報(bào)系統(tǒng)業(yè)務(wù)化運(yùn)行 222
8.4.3 海洋三維溫鹽大數(shù)據(jù)預(yù)報(bào)示范應(yīng)用 225
參考文獻(xiàn) 227
第9章臺(tái)風(fēng)路徑大數(shù)據(jù)分析預(yù)報(bào) 230
9.1 臺(tái)風(fēng)路徑預(yù)報(bào)概況 230
9.2 西北太平洋臺(tái)風(fēng)移動(dòng)規(guī)律分析 231
9.2.1 臺(tái)風(fēng)路徑時(shí)空分布特征分析 231
9.2.2 臺(tái)風(fēng)路徑聚類(lèi)分析 235
9.3 西北太平洋臺(tái)風(fēng)路徑關(guān)聯(lián)因子分析 242
9.3.1 逐步回歸與互信息結(jié)合的大氣、海洋因子與臺(tái)風(fēng)路徑的關(guān)聯(lián)分析 242
9.3.2 基于注意力機(jī)制的關(guān)鍵因子與臺(tái)風(fēng)路徑的關(guān)聯(lián)分析 246
9.4 西北太平洋臺(tái)風(fēng)路徑大數(shù)據(jù)預(yù)報(bào)應(yīng)用 248
9.4.1 基于CNN 的臺(tái)風(fēng)路徑大數(shù)據(jù)分析預(yù)報(bào)模型 248
9.4.2 基于DNN 的臺(tái)風(fēng)路徑大數(shù)據(jù)分析預(yù)報(bào)模型 251
9.4.3 臺(tái)風(fēng)路徑大數(shù)據(jù)預(yù)報(bào)示范應(yīng)用 253
參考文獻(xiàn) 256
第10章赤潮發(fā)生概率大數(shù)據(jù)分析預(yù)報(bào) 259
10.1 赤潮發(fā)生概率預(yù)報(bào)概況 259
10.1.1 赤潮災(zāi)害概況 259
10.1.2 分析預(yù)報(bào)概況 262
10.2 赤潮發(fā)生規(guī)律分析 264
10.2.1 我國(guó)近海赤潮發(fā)生規(guī)律分析 264
10.2.2 福建沿海赤潮特征 267
10.2.3 赤潮發(fā)生前后環(huán)境狀況特征 268
10.3 赤潮發(fā)生因子關(guān)聯(lián)分析 269
10.3.1 基于列聯(lián)表方法的赤潮發(fā)生因子關(guān)聯(lián)分析 270
10.3.2 赤潮發(fā)生因子閾值范圍 274
10.4 赤潮發(fā)生概率大數(shù)據(jù)預(yù)報(bào)應(yīng)用 278
10.4.1 基于BP-RBF 的赤潮發(fā)生概率大數(shù)據(jù)分析預(yù)報(bào)模型 279
10.4.2 基于GRU 的赤潮發(fā)生概率大數(shù)據(jù)分析預(yù)報(bào)模型 280
10.4.3 赤潮發(fā)生概率大數(shù)據(jù)預(yù)報(bào)示范應(yīng)用 283
參考文獻(xiàn) 288