基于深度学习的多空间尺度海洋声速预测方法研究.pdf

基于深度学习的多空间尺度海洋声速预测方法研究

摘要

海洋声速是影响声呐工作效能的主要环境因素，甚至决定着水下信息对抗的成败，

因此海洋声速预测是海洋科学研究与军事海洋环境保障的重要内容。随着计算机算力的

不断提升与人工智能的飞速发展，给海洋时空预测研究带来了前所未有的机遇和挑战。

海洋声速的时空连续性和时空异质性使其表现出显著的不确定性和复杂的非线性特性。

现今时空序列预测算法层出不穷，但其预测精度有待进一步提升，且在海洋声速上，多

为声速剖面预测，鲜有对多空间尺度海洋声速的预测。鉴于此，本文提出了一种基于深

度学习的多空间尺度海洋声速预测方法，针对不同空间尺度下的海洋声速进行预测。具

体研究内容如下：

首先，基于BOA_Argo网格数据集获取海洋温度、盐度、深度这几个影响海洋声速

的主要环境因子。由于原始数据集存在垂向分布不均匀、水平分辨率较低以及有缺失值

等问题，会导致海洋声速建模不精细。为了解决上述问题，本文提出一种多时间跨度的

神经网络插值模型，可以有效提高数据的空间分辨率，且较单时间跨度插值模型效率更

高，为更精细的声速预测奠定了基础。

其次，本文对海洋声速预测模型进行构建与改进。分别研究了不同空间尺度下，数

据集的划分方式、ConvLSTM模型的网络结构以及预测方式对预测精度的影响，通过对

比分析确定了ConvLSTM模型的最佳超参数。接着，以ConvLSTM模型为主干框架提

出了一种融合时空注意力的STA-ConvLSTM模型，为不同的时间步和空间位置分配不

同的权重，取代了正常情况下每个时间步和空间位置的重要性都相同的情况，可进一步

提高对海洋声速的预测精度。

最后，通过预测不同区域的多空间尺度海洋声速来验证STA-ConvLSTM模型的预

测性能。实验结果表明，改进后的STA-ConvLSTM模型在多空间尺度的海洋声速预测

中取得了较好的预测效果，具有良好的泛化性能，其预测精度、可解释性等方面均有提

升。

关键词：海洋声速预测；神经网络；ConvLSTM；注意力机制

基于深度学习的多空间尺度海洋声速预测方法研究

ABSTRACT

Oceansoundspeedisamajorenvironmentalfactorthataffectstheeffectivenessofsonar

systemsandevendeterminesthesuccessorfailureofunderwaterinformationwarfare.

Therefore,oceansoundspeedpredictionisanimportantaspectofoceanographicresearchand

militaryoceanenvironmentprotection.Withthecontinuousimprovementofcomputer

processingpowerandtherapiddevelopmentofartificialintelligence,unprecedented

opportunitiesandchallengeshaveemergedforspatiotemporalpredictionofoceansoundspeed.

Thespatiotemporalcontinuityandheterogeneityofoceansoundspeedexhibitsignificant

uncertaintyandcomplexnonlinearcharacteristics.Althoughnumerousspatiotemporal

sequencepredictionalgorithmshaveemerged,theirpredictionaccuracystillneedstobefurther

improved.Moreover,inthecontextofoce