QQ客服 官方微博 反馈留言

题名	基于深度学习的印尼贯穿流反演与预测研究
作者	辛林超
答辩日期	2023-05
文献子类	硕士
授予单位	中国科学院大学
授予地点	中国科学院海洋研究所
导师	胡石建
关键词	印尼贯穿流，海表面高度，神经网络，深度学习，卷积神经网络
学位名称	理学硕士
英文摘要	印尼贯穿流(Indonesian Throughflow, ITF)是全球海洋中唯一的热带间海洋通道，连接了太平洋低纬度西边界流和印度洋环流系，可以大量地将热带太平洋暖水和盐向印度洋输送，将热带太平洋和印度洋之间的热和盐进行重新的分配。ITF 也影响着两个大洋、尤其是印度洋的流场变化，而这些变化又会作用于海洋和气候系统，在区域和全球气候系统中发挥着重要作用。大洋环流模式和耦合全球气候模式的模拟表明，ITF 的存在对全球海洋环流和气候具有深远的影响。 在全球变暖的背景下，包括 ITF 在内的海洋环流预计将发生显著变化。ITF 的变化可能导致印太交流的波动，并影响区域和全球气候。因此，研究印尼贯穿流的长期变化趋势，对于探讨全球变暖背景下太平洋和印度洋两大暖池结构的相互影响，预测全球未来气候变化趋势具有重要意义。然而，由于缺乏长期和连续的 ITF 时间序列，很难对其有更好地理解。 前人的研究表明，印度-太平洋压力梯度是 ITF 的主要驱动因素，这意味着可以用印度-太平洋海表面高度来反演 ITF 的输运流量。在本文中，我们主要使用深度学习方法中的卷积神经网络模型来重构 ITF 流量。卷积神经网络模型使用“第六次国际耦合模式比较计划” (Coupled Model Intercomparison Project Phase 6, CMIP6)模拟的 1850-1974 年数据进行训练，并使用 CMIP6 模拟的 1974-2014 年数据进行验证、测试。对训练结果的测试表明，使用海表面高度数据训练的卷积神经网络模型能够重现约 90%的 ITF 流量总方差，反演技能为 0.69。将使用CMIP6 训练的卷积神经网络模型迁移学习至 SODA 数据集中，研究发现迁移学习后的神经网络模型能够再现 SODA 中约 80%的 ITF 流量总方差，反演技能为 0.54。然后通过该模型利用 1993-2021 年期间的卫星观测数据，生成了这段时间的 ITF 流量时间序列，该序列得到了多个观测 ITF 测量计划的验证。深度学习通过卫星数据反演的 ITF 输运流量捕捉到了 ITF 的一般性，并且卷积神经网络通过遥感数据反演的ITF 流量信息与 INSTANT 计划、MITF、IX1 阵列观测到的 ITF 流量信息的相关系数分别为 0.57、0.52、0.43，在 98%的置信水平上显著。生成的 ITF 流量时间序列与 Nino3.4 指数的相关系数为 0.62,并提前 ITF 三个月左右的时间。卷积神经网络模型也能够提前 7 个月对 ITF 流量做出有效的预测，这意味着使用海表面高度数据的深度学习方法预测 ITF 流量是可行的。相比较其他神经网络模型，卷积神经网络具有更高的准确性、预测时长以及更加轻量化的模型参数。
语种	中文
内容类型	学位论文
源URL	[http://ir.qdio.ac.cn/handle/337002/181233]
专题	海洋研究所_海洋环流与波动重点实验室
推荐引用方式 GB/T 7714	辛林超. 基于深度学习的印尼贯穿流反演与预测研究[D]. 中国科学院海洋研究所. 中国科学院大学. 2023.

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。