本書從大數據和人工智能的角度系統、全面介紹海洋預測預報與挖掘分析技術。全書分為三個部分：第一部分(第1-3章)是數據部分，對海洋大數據的特征、資源分析、處理評估、平臺架構、存儲管理、分析處理等進行闡述；第二部分(第4-5章)是方法部分，介紹基于機器學習的海洋大數據的典型挖掘分析方法，包括回歸方法、聚類方法、關聯方法、分類方法及可視分析方法，并給出典型的深度學習預測方法；第三部分(第6-10章)是應用部分，利用海洋大數據處理方法對各類海洋數據進行分析預報的成果展示，包括對海表溫度、海面高度、海洋三維溫鹽、臺風路徑和赤潮發生概率的分析預報。
目錄
第1章概述 1
1.1 大數據與海洋大數據 1
1.1.1 大數據概述 1
1.1.2 海洋大數據概述 1
1.2 海洋大數據特征 2
1.2.1 多源性 2
1.2.2 多模態 3
1.2.3 3B 挑戰 4
1.2.4 小樣本貧信息 4
1.2.5 高不確定性 5
參考文獻 6
第2章海洋大數據資源 7
2.1 面向分析預報的海洋大數據 7
2.1.1 海洋實測數據 7
2.1.2 海洋遙感數據 10
2.1.3 海洋數值預報產品 11
2.1.4 再分析產品 13
2.1.5 專題數據 16
2.1.6 網絡大數據 17
2.2 數據處理 17
2.2.1 數據清洗 18
2.2.2 標準處理 19
2.2.3 數據融合 21
2.3 數據質量控制與評估 23
2.3.1 數據質量控制 23
2.3.2 數據質量評估 26
2.3.3 數據不確定性分析 28
參考文獻 30
第3章海洋大數據管理技術 31
3.1 海洋大數據平臺架構 31
3.1.1 大數據平臺發展概況 31
3.1.2 主流的大數據架構 35
3.1.3 海洋大數據平臺總體架構 38
3.2 海洋大數據存儲管理 40
3.2.1 海洋大數據存儲架構 40
3.2.2 海洋大數據存儲模式 41
3.2.3 海洋大數據管理技術 46
3.3 海洋大數據分析處理 51
3.3.1 海洋大數據分析處理架構 51
3.3.2 海洋大數據分析處理技術 52
3.3.3 方法庫構建技術 56
參考文獻 58
第4章海洋大數據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 聚類方法 69
4.2.1 k-means 聚類算法 69
4.2.2 動態時間規整 71
4.3 關聯方法 74
4.3.1 Apriori 算法 75
4.3.2 基于Spark 的并行關聯分析方法 76
4.3.3 列聯表 79
4.3.4 皮爾遜相關系數 80
4.3.5 肯德爾/斯皮爾曼等級相關系數 81
4.4 分類方法 82
4.4.1 支持向量機 82
4.4.2 隨機森林 84
4.5 可視分析方法 85
4.5.1 平行坐標可視分析 86
4.5.2 散點圖可視分析 87
參考文獻 89
第5章海洋大數據深度學習預測方法 91
5.1 傳統機器學習預測方法 91
5.2 典型深度學習預測方法 94
5.2.1 海洋數據時間序列預測與深度學習 94
5.2.2 典型深度學習預測分析算法 95
5.2.3 神經網絡 97
5.3 遞歸神經網絡預測方法 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 神經網絡 101
5.3.4 ConvLSTM 101
5.3.5 EEMD 102
5.3.6 注意力機制 102
5.3.7 雙階段注意力機制 104
5.4 卷積神經網絡預測方法 106
5.4.1 卷積神經網絡概述 106
5.4.2 卷積神經網絡結構 107
5.4.3 卷積神經網絡原理 108
5.4.4 卷積神經網絡特性 109
5.4.5 幾種典型卷積神經網絡 110
5.4.6 卷積神經網絡應用 113
參考文獻 115
第6章海表溫度大數據分析預報 117
6.1 海表溫度預報概況 117
6.1.1 統計預報 117
6.1.2 數值預報 117
6.1.3 大數據分析預報 118
6.2 海表溫度多尺度時空特征和規律分析 119
6.2.1 海表溫度年尺度時空特征 119
6.2.2 海表溫度月尺度時空特征 121
6.2.3 海表溫度日尺度時空特征 126
6.2.4 海表溫度變化規律分析 132
6.3 海表溫度環境要素關聯關系 132
6.3.1 基于相關分析的海表溫度的時空相關影響分析 132
6.3.2 基于熵和信息流的海氣界面多物理過程對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境因子對海表溫度的影響分析 141
6.4 海表溫度大數據預報應用 144
6.4.1 基于動態時間規整分析的海表溫度大數據分析預報模型 144
6.4.2 基于時空注意力機制的海表溫度大數據分析預報模型 146
6.4.3 海表溫度大數據預報示范應用 152
參考文獻 162
第7章海面高度大數據分析預報 165
7.1 海面高度預報概況 165
7.1.1 統計預報 165
7.1.2 數值預報 165
7.1.3 大數據預報 166
7.2 海平面高度多尺度時空特征和規律分析 168
7.2.1 全球海平面高度變化規律 168
7.2.2 我國海平面高度變化規律 170
7.2.3 南海海平面高度變化規律 171
7.3 海面高度動力環境要素關聯關系分析 173
7.3.1 基于關聯分析的海氣界面多物理過程對海平面高度的影響分析 173
7.3.2 基于相關分析的上層海洋多環境因子對海平面高度的影響分析 177
7.4 海面高度大數據預報應用 179
7.4.1 基于通道殘差注意力機制的海面高度異常大數據分析預報模型 179
7.4.2 基于多模態融合的海面高度異常大數據分析預報模型 181
7.4.3 海面高度異常大數據預報示范應用 183
參考文獻 187
第8章海洋三維溫鹽大數據分析預報 191
8.1 海洋三維溫鹽場構建概況 191
8.1.1 統計方法 191
8.1.2 動力學方法 192
8.1.3 大數據方法構建 193
8.2 海洋三維溫鹽垂向建模及規律分析 194
8.2.1 多源多要素動態分析垂向建模規律 194
8.2.2 主模態多約束最優分析垂向建模規律 199
8.2.3 卷積神經網絡垂向建模規律 208
8.2.4 長短期記憶網絡垂向建模規律 210
8.3 海洋三維動力環境要素關聯建模分析 213
8.3.1 溫度和鹽度剖面延拓分析 213
8.3.2 水團模糊聚類分析 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據預報應用 220
8.4.1 基于垂向映射方法的水下三維溫鹽大數據分析預報模型 220
8.4.2 海洋三維溫鹽大數據預報系統業務化運行 222
8.4.3 海洋三維溫鹽大數據預報示范應用 225
參考文獻 227
第9章臺風路徑大數據分析預報 230
9.1 臺風路徑預報概況 230
9.2 西北太平洋臺風移動規律分析 231
9.2.1 臺風路徑時空分布特征分析 231
9.2.2 臺風路徑聚類分析 235
9.3 西北太平洋臺風路徑關聯因子分析 242
9.3.1 逐步回歸與互信息結合的大氣、海洋因子與臺風路徑的關聯分析 242
9.3.2 基于注意力機制的關鍵因子與臺風路徑的關聯分析 246
9.4 西北太平洋臺風路徑大數據預報應用 248
9.4.1 基于CNN 的臺風路徑大數據分析預報模型 248
9.4.2 基于DNN 的臺風路徑大數據分析預報模型 251
9.4.3 臺風路徑大數據預報示范應用 253
參考文獻 256
第10章赤潮發生概率大數據分析預報 259
10.1 赤潮發生概率預報概況 259
10.1.1 赤潮災害概況 259
10.1.2 分析預報概況 262
10.2 赤潮發生規律分析 264
10.2.1 我國近海赤潮發生規律分析 264
10.2.2 福建沿海赤潮特征 267
10.2.3 赤潮發生前后環境狀況特征 268
10.3 赤潮發生因子關聯分析 269
10.3.1 基于列聯表方法的赤潮發生因子關聯分析 270
10.3.2 赤潮發生因子閾值范圍 274
10.4 赤潮發生概率大數據預報應用 278
10.4.1 基于BP-RBF 的赤潮發生概率大數據分析預報模型 279
10.4.2 基于GRU 的赤潮發生概率大數據分析預報模型 280
10.4.3 赤潮發生概率大數據預報示范應用 283
參考文獻 288
新書資訊