叶绿素a预报赤潮原理探索

首次提出并探索了采用单一参数叶绿素a进行赤潮短期预报的原理和技术。该原理主要以叶绿素a大于某一基准值时连续2d是否呈指数增长来判定未来1～3d内是否会发生赤潮。对于任何海区，都仅基于叶绿素a基准值和增长速率下限两个常数即可进行预报操作。     

基于串联深度神经网络的Chl-a浓度短期预报方法研究

以浙江海洋保护区2019年5月生态浮标监测数据为基础,对叶绿素a(Chl-a)与各理化因子进行Pearson相关性分析,发现研究海域的Chl-a与溶解氧和pH呈显著正相关(P=0.01),与硝氮和磷酸盐呈显著负相关(P=0.05)。在此基础上,建立了一种串联深度神经网络(DNN)的Chl-a短期预报模型,该模型以5层神经网络为基本单元,采用前后串联方式构建了拥有6个隐层的DNN。实验结果显示:DNN模型能够较为准确地预测Chl-a浓度短期变化趋势,24 h和48 h预报结果的RMSE分别为1.25μg/L和2.43μg/L,MAE分别为1.03μg/L和1.99μg/L,相比于浅层网络预测精度更高。     

基于BP神经网络的湖南镇水库叶绿素a浓度预测模型的研究

以湖南镇水库2006-2007年间的监测资料为基础,利用插值和主成分分析法,运用BP人工神经网络方法构建预测模型,探求叶绿素a浓度与总氮、总磷、溶解氧等5项环境因子之间的关系,选出最佳预测模型,并对模型进行敏感度分析.结果显示:(1)BP神经网络模型对叶绿素a浓度预测值与实测值之间拟合程度良好,相关系数达到了0.95,...     

长短期记忆神经网络在叶绿素a浓度预测中的应用

针对传统人工神经网络对叶绿素a浓度预测存在训练速度慢、收敛精度低、易陷入局部最优,尤其是无法灵活的利用任意长度的历史信息对叶绿素a浓度进行预测等问题,本文根据海洋各要素与叶绿素a浓度之间的长短期依赖程度,对叶绿素a浓度与各要素间的关系进行界定,分别将各要素与叶绿素a浓度之间的长期依赖关系与短期依赖关系分割开来,并且在长短期记忆(Long Short-Term Memory, LSTM)神经网络模型的基础上构建融合的LSTM预测模型,模型中的长期依赖关系与短期依赖关系分别使用不同的神经元,最终在模型的最上层进行长短期融合。本文选取三都澳站位的连续监测资料作为实验数据,实验结果表明本文构建的模型不仅具有训练误差下降快的优点,与其他3种经典的神经网络模型相比,预测精度也有显著提高。     

长江口叶绿素a浓度的周日变化

2006 年 6 月 16 日和 20 日对长江口进行了叶绿素 a 浓度的现场周日监测.监测结果显示:叶绿素 a 浓度表层周日波动比中、底层明显,呈现出半日周期(～ 11 h)的变化,高潮时浓度达到峰值,低潮时浓度出现谷值.叶绿素 a 浓度的周日变化主要与海域特定的水动力条件(如潮汐、再悬浮作用和温盐跃层)密切相关,与各环境因子(温度、盐度、浊度、总无机氮、磷酸盐和硅酸盐)的周日波动没有显著的相关关系.     

珠江口海域叶绿素a质量浓度SAR反演模型

以珠江口海域的Radarsatt-2全极化SAR数据和海域表层水面叶绿素a质量浓度实测数据为基础,利用微波散射原理及Cloude Pottier理论对SAR图像进行分解,得到平均散射角a、散射熵H及VH、VV、HH、HV等6个参数;采用BP人工神经网络模型建立上述6个参数与叶绿素a质量浓度的数学关系模型,并结合实测数据对叶绿素a质量浓度进行分类。结果表明:当隐含层节点数为9,输入层和隐含层传递函数分别为tansig和logsig,学习速率和动量系数均为0.2时的网络结构对叶绿素质量浓度反演取得了较好的效果,叶绿素a质量浓度实测值与预测值之间的决定系数(R~2)为0.826。将模型应用于不同时期的2幅图像进行验证,效果良好,与实际情况基本相符。     

基于荧光原理的叶绿素a传感器校准方法研究

利用传感器对水体叶绿素a 浓度进行原位测量是获取实时、连续、长时间序列数据的重要手段。本文在对RBR 传感器和ECO（Environmental Characterization Optics）传感器进行原理分析和线性度、稳定性、重复性等基本性能测试的基础上，利用单一藻种培养液和2020年南海北部海域现场数据校准传感器，并对新的传感器校准系数进行验证。结果表明：两台传感器使用新系数比原出厂系数的叶绿素a 浓度测量准确度有明显提高。RBR 传感器现场数据校准系数的计算结果与叶绿素a 标准值误差最小，平均绝对误差从1.93 μg/L 减小到0.35 μg/L，平均相对误差从55.1%减小到10.9%；ECO 传感器藻液系数明显优于出厂系数和现场数据校准系数的计算结果，平均绝对误差从1.76 μg/L 减小到0.59 μg/L，平均相对误差从50.3%减小到15.1%。传感器测量准确度的提高，可为海洋环境监测、海洋生态灾害预警等工作获取真实可靠数据提供支撑。     

北部湾海域叶绿素a质量浓度时空分布研究

叶绿素a质量浓度是水体富营养化的重要指标,及时和有效地对水体叶绿素a质量浓度进行监测和评价,对环境保护十分必要。本文基于2011年至2016年的卫星遥感数据,分析了北部湾海表叶绿素a质量浓度的时空分布特征。研究结果表明:北部湾叶绿素a质量浓度有明显的月变化和季节性变化,北部湾叶绿素a月平均质量浓度在8月和1月分别达到峰值,北部湾冬季与夏季的叶绿素a季平均质量浓度高于春季和秋季,夏季北部湾海域表层的叶绿素a质量浓度开始迅速升高,秋季北部湾中南部叶绿素a质量浓度呈下降的趋势。在空间分布上,北部湾近岸海域叶绿素a质量浓度平均水平较高,叶绿素a质量浓度高值区集中在湾北部雷州半岛西部沿岸的浅水区海域,而低值区在湾中部以及湾南部的深水区海域。     

基于进化建模方法的HJ-1 CCD黄海悬浮物和叶绿素a浓度遥感反演模型研究

本文利用实测数据集,发展了基于进化建模方法的HJ-1CCD黄海悬浮物(TSM)和叶绿素a浓度(Chl a)遥感反演模型,建模过程中有针对性地设计了适合水色反演的端点集和函数集,并利用转基因方法引入水色先验知识。经实测数据检验,TSM反演的平均相对误差约为31%(相关系数R2为0.96),Chl a反演误差约为33%(R2为0.88)。分析了模型对输入误差的敏感性,当输入端引入±5%的误差时,模型误差的波动在大多数情形下都可控制在±10%以内。与神经网络模型相比,本文发展的进化模型具有检验精度高、结构简单等优势。利用不同季节的黄、东海实测数据进行了模型精度的独立检验。本文的研究工作表明,进化建模方法适用于水色遥感反演建模问题,可由程序自动生成多个满足精度要求、结构形式多样的显式模型,为水色反演应用提供了多种选择,对于拥有数百个波段的高光谱数据水色反演具有更大的应用潜力。本文最后探讨了进化建模方法的改进方向。     

人工神经网络在潮汐数值预报中的应用

潮汐数值预报经过了几十年的发展,但是其预报精度并不能让人十分满意,本文试图将传统的潮汐数值预报模式与近年来发展迅速的人工神经网络相结合并改进潮汐数值预报的精度。文章建立了一个神经网络系统,采用潮汐数值模式的输出结果作为网络输入,潮位观测资料作为输出,用建立的神经网络进行训练,结果表明人工神经网络可以明显地改进潮汐数值预报的精度。     

基于神经网络的潮汐预报方法初探

文章运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报。将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高。     

基于人工神经网络的混凝土疲劳寿命估算

把决定混凝土疲劳寿命的应力水平，应力比，加载频率和描述随机性的破坏概率作为神经网络的输入，以疲劳寿命作为网络的输出，用网络结构描述它们之间的非线性关系，利用实验数据样本完成了网络的训练，并对模拟样本进行了估算，实例计算了结果表明，利用已有疲劳试验数据训练好的人工神经网络进行混凝土疲劳寿命估算，可部分代替冗长，昂贵的疲劳实验。     

基于二元LSTM神经网络的船舶运动预测算法研究

在海况环境下,进行船舶运动预测时.由于惯性传感器采集系统本身的电学特性,会产生误差偏移,影响预测的准确性.针对这一问题,在常规长短期记忆网络(LSTM)的基础上,设计改良了一种二元的LSTM网络架构.在船舶运动仿真平台上进行模拟船舶升沉运动实验,并通过惯性传感系统测量仿真平台实时积分位移进行计算验证.验证统计该网络预测...     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

基于BP人工神经网络的海水水质综合评价

为了能够客观地对海水水质进行综合评价,在分析人工神经网络概念和原理的基础上,从阈值角度出发,通过对各类海水水质污染指标浓度生成样本的方法,生成了适用于BP人工神经网络模型训练的样本,并应用基于误差反向传播原理的前向多层神经网络,建立了用于海水水质评价的BP人工神经网络模型。将该模型用于渤海湾近岸海域水环境评价,通过模型...     

基于自适应BP网络的涌潮波速计算模型

运用BP网络附加动量法和自适应学习速率法，建立神经网络模型，模拟计算涌潮波速。根据部分试验数据对网络进行训练，确定相关参数，建立涌潮波速计算模型，同时利用其余部分试验数据对模型进行检验，模拟结果与试验数据吻合较好，相关程度高，表明神经网络模型用于计算涌潮波速是合适的。     

BP神经网络在铜及铜合金海水腐蚀预测中的应用

根据实海环境数据及材料腐蚀数据,利用BP结构神经网络建立了铜及铜合金在实海环境中腐蚀速度与环境因素、材料成分之间神经网络预测模型。利用建立的预测模型分析了环境因素对铜及铜合金的腐蚀速度的影响。分析结果表明,温度的升高及生物污损促进铜及铜合金的腐蚀,而pH、盐度和氧浓度的升高对浸泡1年的材料腐蚀速度有明显的抑制作用。     

基于遗传算法和BP神经网络的海洋工程材料腐蚀预测研究

为提高海洋工程材料腐蚀速率预测的精度,提出了一种基于遗传算法(GA)优化反向传播(Back Propagation,BP)神经网络的海洋工程材料海洋环境腐蚀速率预测模型。通过遗传算法对BP神经网络的权值和阈值进行优化,利用优化后的BP神经网络对试验数据进行预测。GA-BP模型选取具有代表性的2Cr1312不锈钢、Q235B碳钢和6082铝合金三种基本海洋工程材料数据进行试验,预测结果误差小于传统BP神经网络,并且在网络训练时间上有所缩短,预测精度上有所提高。本模型在海洋工程材料于海洋环境中腐蚀速率的实际预测中具有良好的推广价值。     

基于人工神经网络的半潜平台动力定位系统推力分配策略研究

针对带有禁止角的半潜平台动力定位系统推力分配算法功率较大的问题,提出了一种基于人工神经网络拟合桨—桨干扰推力损失函数的序列二次规划推力分配算法。该方法考虑了半潜平台桨—桨干扰造成的推力损失,引入推力系数来表达推力损失。利用人工神经网络拟合推力系数,将推力损失加入到推力分配的数学模型中,取消了禁止角。采用序列二次规划求解推力分配数学模型。最后以某半潜式钻井平台为例,选取三种浪向角工况进行推力分配仿真模拟,结果显示该算法在高效分配定位所需推力的同时有效减小了功率消耗,应用前景广泛。