基于机器学习的海洋表面温度预报研究综述

基于机器学习的海洋表面温度预报研究

综述

2.*.哈尔滨工程大学黑龙江哈尔滨，150001

摘要：机器学习在海洋表面温度预报的研究是水文预报的研究热点，本文对机器学习在海洋表面温度预报的相关进展进行总结，归纳目前海洋表面温度预报的数据来源和方法，分析关于影响因子的处理、优化方法思路和海洋表面预报模型的建模特点；总结目前研究面临的挑战，并展望未来，以期为相关人员开展研究提供参考。

关键字：机器学习；海洋表面温度预报；时空序列预测

A Review of Research on Predicting Ocean Surface Temperature Based on Machine Learning

Abstract: The research on machine learning in ocean surface temperature prediction is a hot topic in hydrological forecasting. This article summarizes the relevant progress of machine learning in ocean surface temperature prediction, summarizes the current data sources and methods of ocean surface temperature prediction, analyzes the processing and optimization methods of influencing factors, and the modeling characteristics of ocean surface prediction models; Summarize the current research challenges and look forward to the future, in order to provide reference for relevant personnel to conduct research.

Key words: machine learning; prediction of ocean surface temperature; spatiotemporal sequence prediction

引言

海洋表面温度（Sea Surface Temperature, SST）的预报是对海洋学者揭示

海洋水文现象时空变化规律的重要手段，对海洋相关领域的决策和应用具有重要

意义。随着计算机技术和人工智能的快速发展，机器学习在SST预报方面的应用

逐渐成为研究热点。机器学习具有强大的处理非线性和高维数据的能力，尤其是

在处理海洋数据方面，机器学习可通过自动学习海洋的复杂特征来提高SST预报

的准确性和效率。

近年来，越来越多的研究将机器学习应用在SST预报方面。机器学习模型的

应用包括传统的人工神经网络、随机森林、自回归等模型，这些模型不仅能够提

高SST的预报准确性，而且可以提取出不同的特征信息，比如局部相关性、全局

相干性以及不同的时间序列关系等。机器学习在SST预报方面的发展有望为未来

的海洋相关领域提供更多有价值的数据预测和决策支持。虽然机器学习在SST预

报方面发展迅速，但也存在一些挑战，例如如何合理使用SST数据以及其他海洋

相关数据进行模型学习和优化，以提高模型的预测性能；如何将预报结果应用到

实际海洋决策中，解决实际的海洋环境问题等。此外，如何处理不同来源、不同

质量的海洋数据也是一个重要问题。本文研究了机器学习在海洋表面温度预报研

究中的进展，进行归纳和总结，并指出现有研究仍存在的主要问题和未来研究发

展趋势。

1.海洋表面温度预报的数据以及方法分类

海洋是一个综合复杂的动力系统，SST的分布和变化受到气象因素（如气温、降水量、风速和湿度）、海洋学因素（如潮汐、海流、盐度和海表高度）和水文

因素（如河流流量和海水深度）多种因素的影响。此外，一些预测模型还可能考

虑其他遥感数据（如卫星遥感数据）和历史数据（如历史SST）；怎样选取合适

的影响因子作为输入是SST预测面临的一个挑战。机器学习模型相较于统计学习

模型结构更加灵活，理论上可以采取任意搭配的相关因子作为模型输入，而目前SST预报最广泛采用的输入变量类型是观测到的SST数据，除此之外还有再分析

数据和卫星信息等数据。

在海洋表面温度预测领域，机器学习、数值预报和统计预测模型都被广泛运用。机器学习模型基于样本的历史数据来学习预测规律，具有一定的灵活性和适

应性，也具有一定的非线性关系的建模能力。数值预报是利用大量计算得到的预

报结果，需要高容量、高性能的计算机，而且数值准确度方面也有一定的误差，

存在一定的局限性。统计学习模型则是一种基于数据统计方法的预测模型，通常

采用时间序列、回归和聚类等方法来识别和拟合数据中的规律和模式。虽然统计

学习模型的预测准确性相对较低，但是它们能够提供数据统计规律与实际物理机

理之间的关联，方便对预测结果进行解释和验证。考虑到这些模型各具有优势和

局限性，未来的研究需要根据实际应用需求，以及数据量、性质等因素的不同，

选择合适的模型进行预测，并不断推进模型的优化和提高预测性能和可靠性。

2.基于机器学习的海洋表面温度预报研究进展

海洋表面温度的预报对于环境保护、海洋生态学和渔业管理等领域至关重要。机器学习在SST预报中的应用可以提高预报精度。此外，机器学习还能为SST预

报模型不确定性提供较多可用方法。在过去的二十年里，基于机器学习的模型已

被广泛用于预报SST，例如人工神经网络模型和自回归模型等；也包括机器学习

中的重要分支深度学习模型：比如自组织SOM网络(SOM)，具有时序预报效果较

好的循环神经网络(Rerrent Neural Network, RNN)、长短期记忆神经网络(Long Short-Term Memory, LSTM)等，其中长短期记忆神经网络模型在评估SST方面比

其他可用的数值模型表现出更好的性能[1]。

2.1基于机器学习的海洋表面温度预报方法

相比于统计模型，机器学习模型有更强的自适应性与表示能力。Ferchichi Habiba等[2]使用现场数据训练了随机森林、人工神经网络和多元线性回归等模型，并使用不同的相关性测量方法进行比较SST与气象、海洋学、水文和遥感相

关模式之间的关系，以预测加拿大东部沿海海面温度（SST），并确定了最佳的

预测因子，实验表明模型的最小均方根误差（RMSE）为0.82°C和2.64°C之间，在所有站点的总体均方根误差为1.72°C。