張雪薇，韓震,2*

(1.上海海洋大學(xué) 海洋科學(xué)學(xué)院，上海 201306；2.上海河口海洋測繪工程技術(shù)研究中心，上海 201306)

海表面溫度是海洋環(huán)境主要要素之一，在氣象學(xué)、航海、漁業(yè)和海洋環(huán)境保護(hù)等領(lǐng)域起著重要的作用[1]。如何有效地挖掘其信息，并對其時(shí)序關(guān)系和空間特征進(jìn)行提取，是海洋科學(xué)領(lǐng)域亟待解決的問題[2-3]。對于海表面溫度數(shù)據(jù)時(shí)間尺度的預(yù)測，傳統(tǒng)時(shí)間序列預(yù)測方法大多忽略了自然地理位置中數(shù)據(jù)的空間分布信息，且在處理海量海表面溫度數(shù)據(jù)方面存在欠缺[4-5]。海表面溫度數(shù)據(jù)具有時(shí)間性、空間性和多維性，可通過挖掘其數(shù)據(jù)各要素間的關(guān)聯(lián)性和時(shí)空尺度變化下的規(guī)律性，更好地認(rèn)識(shí)海洋各環(huán)境要素耦合下的本質(zhì)特征。

海洋預(yù)測模型通常有兩類方法：一類是數(shù)值方法，另一類是數(shù)據(jù)驅(qū)動(dòng)方法。前者利用動(dòng)力學(xué)方程和熱力學(xué)方程建立預(yù)測模型；后者使用統(tǒng)計(jì)或機(jī)器學(xué)習(xí)方法，從數(shù)據(jù)中學(xué)習(xí)建立預(yù)測模型。隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展[6]，建立準(zhǔn)確的模型對海表面溫度進(jìn)行預(yù)測具有重要的研究意義。2007年，Garcia-Gorriz等[7]利用人工神經(jīng)網(wǎng)絡(luò)(ANN)，對地中海西部海表面溫度的季節(jié)和年際變化進(jìn)行了預(yù)測，預(yù)測效果較好。2017年，Zhang等[8]利用LSTM模型對海表面溫度進(jìn)行了預(yù)測，其網(wǎng)絡(luò)架構(gòu)由LSTM層和全連通密集層組成，并以中國沿海海域?yàn)槔?yàn)證了該方法的有效性。同年，Jiang 等[9]分析了溫度、鹽度和地理位置對溫躍層的影響，提出了一種改進(jìn)的基于熵值法的躍層選擇模型，該模型能夠有效地預(yù)測溫度的變化。2019年，Xiao等[10]在東海利用36年星載海表面溫度數(shù)據(jù)建立了LSTM模型，該模型對短期和中期海表面溫度場的日預(yù)測效果較好。2020年，Xu等[11]提出了M-LCNN預(yù)測模型，利用小波變換對時(shí)間序列進(jìn)行分解和重構(gòu)以預(yù)測海表面溫度多個(gè)時(shí)間尺度的序列變化。同年，He等[12]構(gòu)建了一個(gè)采用局部搜索策略的SSTP模型，該模型適用于長時(shí)間序列的海溫?cái)?shù)據(jù)預(yù)測。以上基于深度學(xué)習(xí)的海表面溫度預(yù)測方法均存在一些不足：如參數(shù)的數(shù)據(jù)量過少，不適用于處理海量的海洋數(shù)據(jù)；大多忽略了自然地理位置中的區(qū)域分布信息，導(dǎo)致區(qū)域信息的丟失；沒有很好地將時(shí)間特征和空間特征相結(jié)合，故很難同時(shí)達(dá)到模型的預(yù)測精度和信息特征提取的準(zhǔn)確度。

循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks，RNN)作為提取動(dòng)態(tài)時(shí)間序列的網(wǎng)絡(luò)，具有對數(shù)據(jù)進(jìn)行選擇性記憶的特點(diǎn)[13]，可以將上一層的輸出作為下一層的輸入[14]，通過在不同區(qū)域上增加卷積操作，得到時(shí)序關(guān)系和空間特征，解決了傳統(tǒng)方法中數(shù)據(jù)空間分布信息丟失的問題?；赗NN擴(kuò)展算法和卷積神經(jīng)網(wǎng)絡(luò)(CNN)相結(jié)合的ConvGRU深度學(xué)習(xí)網(wǎng)絡(luò)模型,通過在不同的區(qū)域上疊加卷積操作，能夠得到時(shí)序關(guān)系和空間特征，在信息挖掘的基礎(chǔ)上，更好地預(yù)測其未來的變化規(guī)律。ConvGRU模型在視頻目標(biāo)檢測、多目標(biāo)跟蹤和醫(yī)學(xué)等方面應(yīng)用廣泛[15-17]。該模型解決了傳統(tǒng)時(shí)間序列網(wǎng)絡(luò)未能將時(shí)間性與空間性很好地結(jié)合、區(qū)域信息丟失及批量處理海洋大數(shù)據(jù)能力差的問題。本研究中，以西北太平洋部分海域?yàn)檠芯繀^(qū)域，開展了基于ConvGRU循環(huán)神經(jīng)網(wǎng)絡(luò)模型的海表面溫度預(yù)測分析，以期提高海表面溫度的預(yù)測精度。

1 相關(guān)模型

1.1 RNN模型

循環(huán)神經(jīng)網(wǎng)絡(luò)RNN采用定向循環(huán)，使得隱藏節(jié)點(diǎn)定向連接成環(huán)，這樣的內(nèi)部結(jié)構(gòu)有利于信息傳遞，可以將同層間不同的神經(jīng)元進(jìn)行連接，并且同一時(shí)間的網(wǎng)絡(luò)層可以共享權(quán)值參數(shù)。RNN的輸入和輸出數(shù)據(jù)均為向量序列，可以較好地體現(xiàn)數(shù)據(jù)的時(shí)間序列性。

hk=fh(Wihxk+Whhhk-1+bh)。

(1)

其中：hk為k時(shí)刻RNN隱層的狀態(tài)向量；Wih為從輸入層到隱層的連接矩陣；Whh為隱層相鄰時(shí)刻之間的連接矩陣；xk為k時(shí)刻輸入樣本；bh為偏置向量；fh為非線性激活函數(shù)，在RNN中，fh通常為sigmoid或tanh函數(shù)。

ok為RNN網(wǎng)絡(luò)輸出，其計(jì)算公式為

ok=f0(Wh0hk+b0)。

(2)

其中：Wh0為隱層到輸出層的連接矩陣；b0為輸出層的偏置向量；f0為非線性激活函數(shù)。

RNN可以得到時(shí)間序列特征，但當(dāng)網(wǎng)絡(luò)層增加時(shí)，會(huì)因BPTT(back propagation through time)而導(dǎo)致梯度消失，從而無法獲得相隔時(shí)間比較長的數(shù)據(jù)間的相關(guān)性。GRU作為RNN的變體，只要在GRU中增加卷積操作就可以解決這個(gè)問題。

1.2 ConvGRU模型

ConvGRU模型是RNN擴(kuò)展算法和卷積神經(jīng)網(wǎng)絡(luò)的結(jié)合[18]。ConvGRU的核心思想是將矩陣運(yùn)算加上卷積操作，既能利用GRU得到時(shí)序特征，又能利用卷積計(jì)算提取空間特征。ConvGRU模型采用門結(jié)構(gòu)控制信息流動(dòng)，權(quán)重的一部分放到了卷積核內(nèi)，另一部分放入循環(huán)層的循環(huán)核。

ConvGRU模型計(jì)算公式為

Zt=σ(Wxzxt+WhzHt-1)，

(3)

Rt=σ(Wxrxt+WhrHt-1)，

(4)

Ht′=f[Wxhxt+Rt°(WhhHt-1)]，

(5)

Ht=(1-Zt)°Ht′+Zt°Ht-1。

(6)

其中：Zt為更新門；Rt為重置門；Ht′為候選門(記憶狀態(tài))；x為卷積操作；°為哈達(dá)瑪積；xt為輸入；f為非線性激活函數(shù)；σ為sigmoid激活函數(shù)；H和W為輸入張量的高和寬。

2 海表面溫度預(yù)測模型的構(gòu)建

2.1 研究區(qū)域和數(shù)據(jù)

選取西北太平洋10°～30°N、130°～160°E的海域?yàn)檠芯繀^(qū)域。研究數(shù)據(jù)來自美國國家海洋和大氣管理局(NOAA)的OISST(optimum interpolation sea surface temperature)的最優(yōu)插值OI(optimum interpolation)產(chǎn)品(https://climatedataguide.ucar.edu/climate-data)。OISST原始數(shù)據(jù)[19]來源于衛(wèi)星數(shù)據(jù)和現(xiàn)場平臺(tái)(船舶和浮標(biāo))的海表面溫度(sea surface temperature，SST)觀測數(shù)據(jù)，是由插值和外推數(shù)據(jù)創(chuàng)建的空間網(wǎng)格產(chǎn)品，也是目前應(yīng)用最廣泛的再分析數(shù)據(jù)產(chǎn)品之一。每天的OISST數(shù)值誤差包含隨機(jī)誤差(random errors，RE)、采樣誤差(sampling errors，SE)和偏置誤差 (bias errors，BE)，由于選取數(shù)據(jù)的時(shí)間不同，產(chǎn)生的誤差也不同。一個(gè)完整的海溫圖通過插值填補(bǔ)空白產(chǎn)生，該方法包括衛(wèi)星和船舶觀測(參考浮標(biāo))的偏差調(diào)整，以補(bǔ)償平臺(tái)差異和傳感器偏差。OISST將船舶數(shù)據(jù)和浮標(biāo)數(shù)據(jù)作為實(shí)測數(shù)據(jù)(船舶-浮標(biāo)數(shù)據(jù)的總體差異為0.138 ℃)[20]進(jìn)行數(shù)據(jù)的誤差分析，浮標(biāo)的海表溫度觀測精度各不相同，隨機(jī)誤差通常小于0.58 ℃[21]。全球平均誤差為0.38 ℃，在年際尺度上，產(chǎn)品間的全球平均差異約為0.058 ℃[22]。本研究中，訓(xùn)練和驗(yàn)證數(shù)據(jù)為1999—2019年海表面溫度數(shù)據(jù)，預(yù)測數(shù)據(jù)為2020年海表面溫度數(shù)據(jù)，其空間分辨率均為1°。

2.2 預(yù)測模型的總體結(jié)構(gòu)

海表面溫度預(yù)測模型ConvGRU總體結(jié)構(gòu)如圖1所示，其預(yù)測的具體步驟包括數(shù)據(jù)預(yù)處理、樣本生成器建立與數(shù)據(jù)篩選、網(wǎng)絡(luò)模型的建立、預(yù)測與存儲(chǔ)和模型評估分析。模型結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，并利用樣本生成器處理數(shù)據(jù)，解決了長時(shí)間序列遙感數(shù)據(jù)的批量處理問題；通過對數(shù)據(jù)進(jìn)行批量隨機(jī)訓(xùn)練，提高了訓(xùn)練的效率和可靠性；通過改進(jìn)模型本身的訓(xùn)練層和樣本生成器，提升了預(yù)測結(jié)果的精度。

圖1 預(yù)測模型ConvGRU的結(jié)構(gòu)Fig.1 Structure of the prediction model ConvGRU

2.2.1 數(shù)據(jù)的預(yù)處理和樣本生成器的建立 選取1999—2019年SST數(shù)據(jù)構(gòu)建一個(gè)三維數(shù)據(jù)集。主要過程包括對創(chuàng)建的時(shí)間序列文件進(jìn)行區(qū)域選取，重構(gòu)樣本集NC文件，對樣本集NC文件增加通道維度，形成樣本數(shù)據(jù)，然后對數(shù)據(jù)進(jìn)行歸一化處理(圖2)，其計(jì)算公式為

圖2 預(yù)處理流程圖Fig.2 Preprocessing flow chart

xnormalizatin=(x-max)/(max-min)。

(7)

其中：xnormalizatin為海表面溫度數(shù)據(jù)0～1數(shù)值內(nèi)的歸一化值；max、min分別為時(shí)間步長內(nèi)海表面溫度數(shù)據(jù)的最大值和最小值；x為時(shí)間步長內(nèi)海表面溫度數(shù)據(jù)的每月網(wǎng)格數(shù)據(jù)值。

將歸一化值作為生成器的標(biāo)簽值，構(gòu)建標(biāo)簽樣本集NC文件，形成標(biāo)簽樣本集。將選取區(qū)域的樣本數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集和評估數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集為1999—2019年數(shù)據(jù)，通過訓(xùn)練這些數(shù)據(jù)來預(yù)測2020年，并用2020年數(shù)據(jù)集進(jìn)行驗(yàn)證評估。

在樣本生成器中批量選取數(shù)據(jù)進(jìn)行訓(xùn)練，建立樣本訓(xùn)練集生成器。從樣本數(shù)據(jù)中隨機(jī)選取20個(gè)批量數(shù)據(jù)作為1步，每步包含連續(xù)6個(gè)特征數(shù)據(jù)，7步為1輪進(jìn)行400輪計(jì)算。每步包含的連續(xù)6個(gè)特征數(shù)據(jù)的時(shí)間間隔為1個(gè)月，形成樣本特征集數(shù)據(jù)。1個(gè)標(biāo)簽日期對應(yīng)6個(gè)月的時(shí)間特征數(shù)據(jù)集，通過標(biāo)簽和單步數(shù)據(jù)的對應(yīng)關(guān)系，建立與樣本特征集數(shù)據(jù)在時(shí)間尺度上對應(yīng)的標(biāo)簽，形成標(biāo)簽數(shù)據(jù)。

對于樣本驗(yàn)證集生成器，隨機(jī)選取樣本數(shù)據(jù)中10個(gè)批量數(shù)據(jù)作為1步，建立樣本特征集數(shù)據(jù)和標(biāo)簽數(shù)據(jù)，7步為1輪，進(jìn)行400輪計(jì)算。

在樣本生成器中，輸入5個(gè)維度的樣本數(shù)據(jù)，分別為批量大小、連續(xù)時(shí)間尺度、緯度值、經(jīng)度值和通道大??；目標(biāo)數(shù)據(jù)輸出維度分別為標(biāo)簽數(shù)據(jù)中的批量大小、緯度值、經(jīng)度值和通道大小4個(gè)維度，以確保用6個(gè)連續(xù)的時(shí)間序列輸出1個(gè)時(shí)間序列的預(yù)測效果。

2.2.2 預(yù)測模型的建立 預(yù)測模型ConvGRU各層參數(shù)見表1，主要建立步驟如下：

表1 ConvGRU模型各層參數(shù)Tab.1 Parameters of each layer of ConvGRU model

1)將預(yù)處理過的數(shù)據(jù)進(jìn)行輸入，分別將樣本數(shù)據(jù)和標(biāo)簽數(shù)據(jù)輸入到ConvGRU層，通過5層的ConvGRU 2D疊加，建立時(shí)序關(guān)系。本研究中使用多個(gè)ConvGRU層，每層過濾器個(gè)數(shù)為50，卷積核大小為7×7，每層ConvGRU均帶有Dropout內(nèi)處理層，Dropout可以在每次迭代時(shí)隨機(jī)更新網(wǎng)絡(luò)參數(shù)。在每ConvGRU層，將Dropout值設(shè)為0.5，以減少過擬合發(fā)生的次數(shù)。

2)在每個(gè)ConvGRU 2D層后加入一個(gè)正則化層(Batch normalization)，使得處理海表面溫度數(shù)據(jù)時(shí)，調(diào)整參數(shù)過程簡潔，減少對樣本數(shù)據(jù)初始化要求。

3)在ConvGRU 2D層計(jì)算后，加入2個(gè)Conv2D層進(jìn)行優(yōu)化，并將多維計(jì)算結(jié)果進(jìn)行2D輸出。第一個(gè)Conv2D的過濾器個(gè)數(shù)為50，卷積核大小為7×7；第二個(gè)Conv 2D的過濾器個(gè)數(shù)為1，卷積核大小為7×7。

對建立好的樣本生成器中的批量數(shù)據(jù)進(jìn)行訓(xùn)練，并利用Keras建立多層ConvGRU模型，獲取時(shí)空相關(guān)性，將訓(xùn)練好的模型進(jìn)行模型存儲(chǔ)。

2.2.3 數(shù)據(jù)的預(yù)測與存儲(chǔ) 根據(jù)2020年預(yù)測數(shù)據(jù)，建立基于預(yù)測每月海表面溫度數(shù)據(jù)的預(yù)測樣本生成器。隨機(jī)選取預(yù)測樣本數(shù)據(jù)中12個(gè)批量數(shù)據(jù)作為1步，建立樣本特征集數(shù)據(jù)和標(biāo)簽數(shù)據(jù)，7步為1輪，進(jìn)行15輪計(jì)算，對預(yù)測好的模型按月進(jìn)行參數(shù)存儲(chǔ)輸出。

以npy文件進(jìn)行訓(xùn)練結(jié)果輸出，將輸出的四維npy預(yù)測文件去除通道這一維，并按預(yù)測的總個(gè)數(shù)、緯度值、經(jīng)度值進(jìn)行三維重構(gòu)NC文件，然后進(jìn)行反歸一化操作實(shí)現(xiàn)對預(yù)測數(shù)據(jù)的還原。對預(yù)測的時(shí)間點(diǎn)求平均值，從而形成包含緯度和經(jīng)度的三維NC文件，最后對結(jié)果進(jìn)行投影輸出。

2.2.4 模型評估分析

1)訓(xùn)練模型。在樣本訓(xùn)練過程中，利用均方根誤差(root mean squared error)和準(zhǔn)確率(precision)對訓(xùn)練結(jié)果進(jìn)行評估，其計(jì)算公式為

(8)

其中：ERMS為均方根誤差，是海表面溫度訓(xùn)練值與標(biāo)簽值間差值平方和的平均值(℃)；yactual為海表面溫度數(shù)據(jù)的標(biāo)簽值；ypred為海表面溫度數(shù)據(jù)的訓(xùn)練值(℃)；n為選擇區(qū)域的寬和高的乘積。

P=2TP/(TP+FP+FN)×100%。

(9)

其中：P為預(yù)測正確的概率(準(zhǔn)確率)；TP為真正例，即正例的數(shù)據(jù)點(diǎn)被標(biāo)記為正例；FP為假正例，即反例的數(shù)據(jù)點(diǎn)被標(biāo)記為正例；FN為假反例，即正例的數(shù)據(jù)點(diǎn)被標(biāo)記為反例。

ConvGRU模型在預(yù)報(bào)時(shí)，ERMS值越小，代表訓(xùn)練和驗(yàn)證效果越好，而P則相反，P值越大，代表模型的訓(xùn)練和驗(yàn)證效果越好，在訓(xùn)練模型時(shí)，可通過分析這兩個(gè)指標(biāo)判斷模型訓(xùn)練的效果。

2)預(yù)測模型。在預(yù)測樣本生成器中，對15輪數(shù)據(jù)進(jìn)行反歸一化計(jì)算，形成預(yù)測數(shù)據(jù)，并對這些預(yù)測數(shù)據(jù)求平均值，與原始數(shù)據(jù)進(jìn)行絕對差值計(jì)算，其計(jì)算公式為

(10)

其中：DMA為平均絕對誤差(mean absolute deviation)，是海表面溫度預(yù)測值與真實(shí)值間差值絕對值的平均值(℃)；yactual為海表面溫度數(shù)據(jù)的真實(shí)值(℃)；ypred為海表面溫度數(shù)據(jù)的預(yù)測值(℃)。

(11)

其中：AP為海表面溫度預(yù)測值與真實(shí)值間的精度值(prediction accuracy)，其值越大，代表模型的預(yù)測性能越好，反之，則預(yù)測性能越差；n為預(yù)測區(qū)域?qū)捄透叩某朔e。

3 海表面溫度模型的預(yù)測結(jié)果

3.1 模型訓(xùn)練結(jié)果

用ConvGRU模型進(jìn)行了400輪訓(xùn)練，模型訓(xùn)練結(jié)果見表2。通過對模型訓(xùn)練結(jié)果分析發(fā)現(xiàn)：ConvGRU模型訓(xùn)練集的均方根誤差、準(zhǔn)確率平均值分別為0.044 9 ℃、99.69%，最佳值分別為0.042 3 ℃、99.72%；驗(yàn)證集的均方根誤差、準(zhǔn)確率平均值分別為0.045 2 ℃、99.64%，最佳值分別為0.039 0 ℃、99.70%，總體上可以看出，ConvGRU模型的訓(xùn)練結(jié)果較好；模型訓(xùn)練完后，再對其訓(xùn)練結(jié)果模型進(jìn)行評估，發(fā)現(xiàn)其測試集的均方根誤差、準(zhǔn)確率平均值分別為0.047 8 ℃、99.60%，最佳值分別為0.045 4 ℃、99.59%。

表2 模型結(jié)果評估表Tab.2 Table of the model result evaluation

3.2 模型預(yù)測結(jié)果

在預(yù)測樣本生成器中，對15輪數(shù)據(jù)進(jìn)行反歸一化計(jì)算，形成預(yù)測數(shù)據(jù)，對預(yù)測值進(jìn)行評估，并與ConvLSTM模型預(yù)測值進(jìn)行比較(表3)。對ConvGRU模型進(jìn)行多輪精度計(jì)算，發(fā)現(xiàn)6月的平均絕對誤差最小，為0.102 9 ℃，與之對應(yīng)的精度值也最高，為98.39%;作為常用的機(jī)器學(xué)習(xí)預(yù)測模型ConvGRU,比傳統(tǒng)預(yù)測模型ConvLSTM具有更高的預(yù)測精度和泛化能力，ConvLSTM模型全年平均絕對誤差的平均值為0.583 7 ℃，預(yù)測精度的平均值為96.19%，而ConvGRU模型的全年平均絕對誤差的平均值為0.379 3 ℃，預(yù)測精度的平均值為97.31%，ConvGRU模型的各項(xiàng)指標(biāo)明顯好于ConvLSTM模型。

表3 預(yù)測值評估表Tab.3 Table of the predicted values evaluation

通過分析2020年12個(gè)月的連續(xù)變化，可以發(fā)現(xiàn)其預(yù)測變化的連續(xù)性較好，表明ConvGRU模型可以很好地預(yù)測海表面溫度的時(shí)空特征變化。從圖3的真實(shí)值可以發(fā)現(xiàn)，研究海域1—4月的海表面溫度變化情況穩(wěn)定，為19.7～29.1 ℃；5月海表面溫度開始升高，最高溫度上升1 ℃，5—6月的海表面溫度范圍為22.2～30.6 ℃；7—9月為全年中海表面溫度最高的時(shí)段，其變化范圍為27.9～30.9 ℃，其中8月為2020年海表面溫度最高的時(shí)段，為28.6～30.9 ℃；10—12月海表面溫度為22.8～30.5 ℃。ConvGRU模型在2020年1—12月顯示的預(yù)測結(jié)果與真實(shí)值匹配度較高，總體變化趨勢與真實(shí)值吻合。

由于原始數(shù)據(jù)的分辨率問題，在預(yù)測海表面溫度的細(xì)節(jié)變化規(guī)律方面還存在一些誤差。海表面溫度預(yù)測圖(圖3)因使用了克里金插值，也會(huì)對視覺精度產(chǎn)生影響。為了更好地說明預(yù)測模型在研究海域的預(yù)測精度，將2020年真實(shí)值和預(yù)測值的平均值進(jìn)行了比較(圖4)，結(jié)果顯示，實(shí)測值曲線和預(yù)測值擬合曲線吻合程度較好。

圖3 2020年海表面溫度真實(shí)值與預(yù)測值的比較Fig.3 Comparison of actual value with predicted value of SST in 2020

圖4 2020年海表面溫度真實(shí)值與預(yù)測值平均值的比較Fig.4 Comparison of actual average value with predicted average value of SST in 2020

4 討論

4.1 模型的精度比較

對于海表面溫度時(shí)間尺度的預(yù)測，通常使用的傳統(tǒng)時(shí)間序列預(yù)測方法僅適用于處理少量站點(diǎn)的海洋數(shù)據(jù)，而且不同的海表面溫度數(shù)據(jù)使用的模型參數(shù)也存在差異，由于參數(shù)的數(shù)據(jù)量過少，不適用于處理海量的海洋數(shù)據(jù)。ConvGRU模型利用樣本生成器進(jìn)行訓(xùn)練，可以較好地解決傳統(tǒng)預(yù)測模型在訓(xùn)練中由于數(shù)據(jù)量大而無法訓(xùn)練的問題。ConvGRU模型還可以較好地將時(shí)間特征和空間特征結(jié)合在一起，從而獲得更好的訓(xùn)練效果。本研究中，使用ConvGRU模型預(yù)測海表面溫度平均絕對誤差的平均值為0.379 3 ℃，預(yù)測精度的平均值為97.31%，與前人預(yù)測海表面溫度的模型相比較，ConvGRU模型預(yù)測精度明顯高于ConvLSTM和CFCC-LSTM模型(精度96.59%)[23]。本研究中，從ConvGRU模型預(yù)測值與真實(shí)值比較可以看出，ConvGRU模型的預(yù)測結(jié)果在空間上匹配程度較高，在時(shí)間上其預(yù)測的連續(xù)變化性較強(qiáng)，可以較好地預(yù)測海表面溫度的時(shí)空變化。

4.2 模型對西北太平洋海表面溫度的預(yù)測效果

海表面溫度數(shù)據(jù)具有體量大、類型雜、時(shí)效強(qiáng)、難以辨識(shí)和高價(jià)值等明顯的數(shù)據(jù)特征。海表面溫度數(shù)據(jù)是海洋水文重要參數(shù)之一，開展海表面溫度預(yù)測研究，對于海洋環(huán)境保護(hù)具有重要的理論價(jià)值和實(shí)際意義。從本研究的預(yù)測結(jié)果可以看出(圖3)：研究區(qū)域1—6月的海表面溫度為19.7～29.8 ℃；7—9月海表面溫度為27.1～29.9 ℃，其中8月海表面溫度最高，為27.5～29.9 ℃；10—12月海表面溫度開始下降，最低降到23.1 ℃左右，12月海表面溫度為23.1～29.5 ℃，10—12月海表面溫度為23.1～29.9 ℃。預(yù)測的結(jié)果在時(shí)空變化規(guī)律上符合前人得出的西北太平洋區(qū)域歷年海溫年際變化規(guī)律[24]。

本文中構(gòu)建的ConvGRU深度學(xué)習(xí)模型是對西北太平洋海表面溫度預(yù)測的嘗試。該模型的優(yōu)勢之處是可以利用空間和時(shí)間特征之間的內(nèi)在聯(lián)系，強(qiáng)化自然位置的區(qū)域分布信息，可提高模型的區(qū)域性效果和整體適用性效果。本研究中，在現(xiàn)有的海洋信息探測深度學(xué)習(xí)算法基礎(chǔ)上，面對海洋環(huán)境信息大數(shù)據(jù)特征，利用樣本生成器建立了海洋環(huán)境信息樣本庫和適應(yīng)高維度、多尺度、非平穩(wěn)特征的區(qū)域性海洋環(huán)境信息神經(jīng)網(wǎng)絡(luò)預(yù)測模型。

綜上所述，利用ConvGRU模型預(yù)測海表面溫度是切實(shí)可行的，且在研究區(qū)域具有較高的預(yù)報(bào)準(zhǔn)確度。與其他方法相比，該網(wǎng)絡(luò)模型的平均絕對誤差和預(yù)測精度均有明顯改善，能夠較好地預(yù)測海表面溫度的變化，為西北太平洋海域的海表面溫度預(yù)測提供了一種新的思路。

5 結(jié)論

1)ConvGRU模型利用RNN的時(shí)間性和CNN的空間性，將海表面溫度數(shù)據(jù)的時(shí)間和空間特征相結(jié)合，為建立海洋環(huán)境信息樣本庫及建立適應(yīng)高維度、多尺度、非平穩(wěn)特征的海表面溫度神經(jīng)網(wǎng)絡(luò)預(yù)測模型提供了一種可行性方法。

2)利用ConvGRU模型預(yù)測海表面溫度是切實(shí)可行的，且在研究區(qū)域具有較高的預(yù)報(bào)準(zhǔn)確度。

3)ConvGRU深度學(xué)習(xí)預(yù)測模型在一定程度上解決了傳統(tǒng)時(shí)間序列網(wǎng)絡(luò)模型在時(shí)間性與空間性結(jié)合上不足，以及批量處理海洋環(huán)境要素大數(shù)據(jù)能力不足的問題。但是在影響海表面溫度預(yù)測的要素中，還存在其他環(huán)境影響因子，如鹽度、風(fēng)速等。另外，數(shù)據(jù)選取不同的時(shí)間尺度也會(huì)影響其預(yù)測精度。在以后的研究中，可加入多參數(shù)進(jìn)一步優(yōu)化模型，提高海表面溫度預(yù)測精度。