基于Argo数据的海洋叶绿素浓度预测方法研究

目录

声明

第1章 绪 论

1.1 研究背景及意义

1.2 研究现状

1.2.1 Argo海洋观测网的建设

1.2.2 当前对海洋叶绿素含量的研究情况

1.3 论文主要内容及章节安排

第2章 海洋叶绿素浓度空间范围内的预测

2.1 GBDT概念

2.1.1决策树

2.1.2决策树的构建

2.1.3决策树的优点

2.1.4 CART回归树

2.1.5 Gradient Boosting： 梯度提升

2.1.6 GBDT的调参

2.2 基于GBDT的高空间分辨率海洋叶绿素预测整体流程

2.2.1特征选择

2.2.2 GBDT模型构建方法

2.2.3模型性能评估方法

2.2.4 海洋叶绿素空间分布模型的构建

2.3 实验与分析

2.3.1 数据集

2.3.2 GBDT模型的优化

2.4 海洋叶绿素浓度叶绿素可视化模型

第3章 基于LSTM网络的海洋叶绿素浓度预测

3.1 循环神经网络(RNN)

3.1.1 RNN的介绍

3.1.2 RNN的分类

3.1.3 循环神经网络的优缺点

3.2 LSTM神经网络

3.2.1 LSTM网络的结构

3.3 注意力机制（Attention）的引入

3.4优化算法的选择

3.4.1 梯度下降优化算法

3.4.2 Dropout机制

3.4.3正则化

3.4.4 L1、L2正则化的实际应用

3.4.5 Batch Normalization

3.5激活函数的介绍

3.5.1 sigmod函数

3.5.2 tanh函数

3.5.3 ReLU函数

3.5.4 ELU函数

3.5.5神经网络的参数调节方法

3.6 海洋叶绿素时间序列预测方法设计

3.7 实验分析

3.7.1 数据集的说明

3.7.2 模型的参数设置

第4章 总结与展望

4.1 全文总结

4.2 研究中存在的问题和展望

参考文献

作者简介及在学期间所取得的科研成果

致谢