论文总字数：15214字

摘 要

海洋资源是地球上重要的生物资源，研究海洋对充分利用海洋资源至关重要，而海洋表面温度是海洋的一个非常重要的参数，它的变化对于海洋科学、海洋天气的预报、渔业和国家海洋军事策略等息息相关，所以对海洋温度资料的分析以及海洋温度的长期预测是有很重要的现实意义的，近几年也有一些对海洋温度做短期预测的研究，但是对海洋表面温度做长期预测却一直是未能解决的问题，因为精确性不能达到保证，而本文对海表温度的长短期预测分别提出了不同的模型，但是考虑到影响海温的因素多元复杂以及其他不确定性，本文只从海温序列本身的内在规律出发在时间上做出长短期预测，不做空间上海温讨论与可视化。

本文作长期预测时，以月平均温度为研究单位，考虑到海表温度并没有很明显的趋势，但有很强的周期性，为非平稳序列，于是先采用12步的差分，然后根据差分后序列的自相关和偏自相关截尾情况选择合理的ARMA模型拟合，再对比所有的可行模型，利用最小信息准则选择出最优模型并作预测，作短期预测时，以每日温度为研究单位，考虑到海洋温度非线性、非平稳特点以及前人对EMD分解在非平稳、非线性信号处理里的有极高的评价，于是在短期预测讨论了引入EMD分解是否对BP模型有改良，对比发现经过EMD分解后的数据虽在时间尺度上有明显的区别，但分解后的数据并不适合于BP网络模型模拟，于是最后在做预测时选择了没有EMD分解的BP网络模型，实验表明，在短期预测中，直接用BP网络模型所做出的预测在一定程度上更具有参考意义。

关键词： 海洋表面温度、ARIMA模型、疏系数模型、EMD分解、BP神经网络

Abstract

Marine resources are important biological resources on earth, the sea is very important to make full use of Marine resources, and sea surface temperature is a very important parameter of the ocean, it changes to ocean science, weather forecasting, fisheries and military strategies, such as national Marine so on ocean temperature data analysis and long-term projections of sea temperature is a very important practical significance^[2].

In recent years, there have been some studies on short-term predictions of ocean temperature, but long-term predictions of ocean surface temperature have been a problem that has not been solved because accuracy cannot be guaranteed. In this paper, different models are proposed for the long-term and short-term prediction of SST. However, considering the multiple and complex factors affecting SST and other uncertainties, this paper only makes long-term and short-term prediction in time based on the inherent law of SST series itself, and does not discuss and visualize the spatial Shanghai temperature.

When making long-term prediction in this paper, monthly average temperature is taken as the research unit. Considering that SST has no obvious trend, but has a strong periodicity, it is a non-stationary series, so the 12-step difference is adopted first. Then, according to the autocorrelation and partial autocorrelation truncation of the sequence after difference, a reasonable ARMA model fitting is selected. By comparing all the feasible models, the optimal model is selected by using the minimum information criterion and the prediction is made. When making short-term prediction, taking daily temperature as the research unit, considering the non-linear and non-stationary characteristics of ocean temperature and the high evaluation of EMD decomposition in non-stationary and non-linear signal processing by predecessors, the paper discusses whether the introduction of EMD decomposition can improve BP model in short-term prediction. By comparison, it was found that although the data decomposed by EMD had obvious differences on the time scale, the decomposed data were not suitable for the simulation of BP network model. Therefore, the BP network model without EMD decomposition was selected for the prediction. The experiment shows that in the short term prediction, the prediction made directly by BP network model is more referential to some extent.

Key words: Ocean surface temperature, ARIMA model, thinning coefficient model, EMD decomposition, BP neural network.

目录

摘要 I

Abstract II

目录 IV

第一章 绪论 1

1.1 研究背景及意义 1

1.2 研究手段与方法 2

1.3 文章布局 3

第二章 模型的理论基础 4

2.1 EMD(经验模态分解)理论 4

2.2 BP神经网络理论 5

2.3ARIMA与疏系数模型 9

第三章 实验分析 10

3.1 实验数据选取与说明 10

3.2 短期预测分析 10

3. 3 长期预测 18

第四章 分析与总结 22

4.1 本文的研究成果 22

4.2 本文的创新之处与待改进之处 23

参考文献 24

第一章 绪论

1.1 研究背景及意义

1.1.1 研究背景

由于海洋表面温度对渔业、全球气候等都有很多大程度上的影响，各国对海洋温度的相关研究也从未停歇，从各国对海洋温度的研究方法上看，基本可以分为两大类，即传统的统计学方法和现代的人工智能方法。在传统统计学方面，DC Collins^[6]通过典型相关分析设计经验模型，并且在一定程度上证明了印度洋海洋表面温度的可预测性，在美国NOAA官方网站上也可以看到Y Xue^[7]等人用马尔科夫模型对太平洋海表温度的实时预测结果.而在现代的人工智能方面，张桐^[2]将海洋温度预测分为空间分布和时间分布两个部分，对于前者，他提出了一种基于SVR(支持向量机)的高空间分辨率海洋温度预测方法，对于后者，他提出了一种基于重构时间序列的LSTM神经网络模型预测方法，同样地，也有李嘉康^[8]等人提出了将CEEMD-BP神经网络模型运用于海温异常的预测研究中。

对于海洋温度所表现出来的非平稳、非线性的特征，Huang^[1]等人提出的EMD有很有效的处理效果，基于这些优势，在非平稳、非线性信号处理领域，傅里叶变换和小波分析所体现出来的缺陷也正好可以被EMD的自适应性所取代，近几年EMD渐渐被引用到金融领域和其他领域以分解复杂的时域特征，而神经网络模型具有很强的学习能力和鲁棒性，其预测应用特别是在非线性系统中的十分普遍，所以在短期预测中，本文拟将EMD和BP神经网络算法结合在一起，对比经过EMD分解后的数据与未分解的数据哪个更适合于BP神经网络做预测；长期预测中，则采用时间序列里典型的线性系统做预测。

1.1.2 研究意义

海洋表面温度在海洋水文要素中是十分重要的,由于海洋的比热容和所占地球表面面积十分之大，如果海洋表面温度异常，会对人类的日常生活和局地气候造成很大的影响，历史上气象台所报道过的厄尔尼诺现象和拉尼娜现象都是由于海洋表面温度异常引起的，所以研究者们对海洋温度的深入研究和准确掌握是十分必要的,同时这项研究也对气象学、航海学以及海洋学等学科的科学研究起到了参考作用。此外，海洋面积占据地球表面的绝大部分，相当于地球的一层外衣，在很大程度上起了保温的作用，从这个角度分析和预测海洋温度也可以帮助衡量和预测全球变暖的速度，在一定程度上反映了人类的资源消耗速度是否应该得到延缓，在全球变暖和保护自然方面也可以起到一定的借鉴作用。

1.2 研究手段与方法

本文在做海洋温度的长期预测时，以月平均温度为研究单位，考虑到海表温度并没有很明显的趋势，但有很强的季节性，为非平稳序列，于是对原序列先采用12步的差分，然后根据差分后序列的自相关和偏自相关截尾情况选择合理的ARMA模型拟合，在做短期预测时对比了经过EMD分解和没有经过EMD分解的数据来训练BP神经网络，在EMD-BP模型中，先对数据采用EMD（经验模态分解）方法对原始数据进行分解，形成有限多个时序特征明显的本征模态函数（IMF）及残差项，根据分解得到的IMF分量和余项的频率、振幅以及方差贡献比等特征将其划分为高频部分、低频部分以及长期趋势三个部分，然后利用这三部分的数据分别训练出三个不同的BP神经网络并做出预测，将对应的预测结果重新求和即可得到最终的预测结果，作为参照，用没有经过EMD分解的数据直接训练BP算法，对比两种模型的预测精度再选择合适的模型作为最终的模型。

请支付后下载全文，论文总字数：15214字