孙 苗，赵龙飞，孔祥超

1.国家海洋信息中心 天津 300171

2.自然资源部海洋信息技术创新中心 天津 300171

3.天津农学院 天津 300392

海表面温度 (Sea Surface Temperature,SST)是太阳辐射、海洋热力、动力过程以及海气相互作用的综合结果,是海表面水汽和热量交换的一个重要物理参数[1,2]。因此,海表面温度的变化一直备受关注,常用的海表面温度预报方法主要分经验预报、数值预报和统计预报等三类。其中,经验预报根据海温自身变动的持续性、周期性、相似性以及与其他要素的相关性,进行定性或定量的预报[3]。数值预报,采用模式或者同化了实测数据的模式进行海温预报[4],但预测精度受初始边界条件、次网格物理过程参数化等影响。统计预报是从数理统计的角度进行预报,包括多元分析与时间序列分析法[5]。然而由于物理机制认识上的不完备、人类活动影响等现实复杂性,传统的海洋预报仍存在一定的技术瓶颈。随着大数据、人工智能等关键技术的发展,以及计算机软硬件环境的不断提升,深度学习通过一个比较泛化的学习过程从输入数据中学习,具有非线性、容错性、自适应性等特点,能够改善传统预测方法的不足。

本文以南海为研究区域,在梳理对比深度学习框架与模型方法的基础上,建立了基于卷积神经网络-长短期记忆网络 (Convolutional Neural Network-Long Short-Term Memory,CNN-LSTM)的南海区域海表面温度预测模型,并与单纯基于卷积神经网络或循环神经网络的预测结果进行了对比分析。结果表明,基于CNN-LSTM的SST预测模型……