人工智能在效率和能耗上明顯優(yōu)于傳統(tǒng)手段, 得到海洋科學研究者的青睞, 具有海洋科學特色、以海洋大數(shù)據(jù)為“燃料”驅動的海洋信息挖掘、數(shù)據(jù)分析和處理的手段, 已經在海洋科學眾多研究領域取得成功。本書將從介紹人工智能海洋學的基礎內容開始, 系統(tǒng)全面地介紹海洋大數(shù)據(jù)、Python語言、人工智能基礎等專業(yè)知識, 并從海洋特征智能識別、海洋參數(shù)智能預測、動力參數(shù)智能估算和模式智能訂正3個方面深入淺出地介紹了人工智能海洋學在海洋學科研究中的實際應用。
更多科學出版社服務，請掃碼獲取。
目錄
前言
第1章 緒論 1
1.1 人工智能發(fā)展歷程 1
1.1.1 第1次浪潮(20世紀50年代中期～60年代中期) 2
1.1.2 第1次低谷(20世紀60年代中期～70年代中期) 2
1.1.3 第2次浪潮(20世紀70年代中期～80年代中期) 2
1.1.4 第2次低谷(20世紀80年代中期～90年代中期) 3
1.1.5 第3次浪潮(20世紀90年代中期至今) 3
1.2 人工智能海洋學發(fā)展歷程 5
1.2.1 海洋特征智能識別 6
1.2.2 海洋參數(shù)智能預測 6
1.2.3 動力參數(shù)智能估算 7
1.2.4 海洋智能化探測 7
1.3 本書的結構和基本內容 8
第2章 海洋大數(shù)據(jù)簡介 10
2.1 大數(shù)據(jù)概況 10
2.2 海洋大數(shù)據(jù)的發(fā)展歷程 10
2.2.1 海洋數(shù)據(jù)的初步積累階段 11
2.2.2 海洋數(shù)據(jù)的進一步積累階段 12
2.2.3 海洋數(shù)據(jù)的大量積累階段 13
2.3 海洋大數(shù)據(jù)的定義及特征 14
2.3.1 海洋大數(shù)據(jù)的定義 14
2.3.2 海洋大數(shù)據(jù)的特征 14
2.4 海洋大數(shù)據(jù)的數(shù)據(jù)來源 15
2.4.1 海洋實測數(shù)據(jù) 15
2.4.2 海洋遙感數(shù)據(jù) 18
2.4.3 海洋模式數(shù)據(jù) 21
2.5 海洋大數(shù)據(jù)的處理分析 23
2.5.1 海洋大數(shù)據(jù)的存儲與管理 23
2.5.2 海洋大數(shù)據(jù)分析挖掘技術 24
2.5.3 海洋大數(shù)據(jù)可視化技術 24
2.6 常用海洋大數(shù)據(jù)平臺 25
2.6.1 海洋科學大數(shù)據(jù)中心 25
2.6.2 美國國家數(shù)據(jù)浮標中心 26
2.6.3 歐洲海洋觀測和數(shù)據(jù)網絡 26
2.6.4 日本氣象廳平臺 27
2.7 一種常用的海洋大數(shù)據(jù)管理系統(tǒng) 27
2.7.1 為什么需要Hadoop 27
2.7.2 HDFS 29
2.7.3 MapReduce 31
2.7.4 Hadoop的部署 32
思考練習題 37
第3章 Python語言 38
3.1 安裝與運行 38
3.1.1 安裝Anaconda 38
3.1.2 安裝PyCharm 41
3.2 基本變量類型 42
3.2.1 數(shù)字與運算 43
3.2.2 字符串 44
3.2.3 列表 44
3.2.4 字典 46
3.3 函數(shù)和類 48
3.3.1 函數(shù) 48
3.3.2 類 48
3.4 循環(huán)與判斷 51
3.5 庫 52
3.5.1 Numpy 52
3.5.2 Matplotlib 55
3.5.3 NetCDF 69
3.5.4 Xarray 69
3.5.5 Cartopy 72
3.5.6 TensorFlow 73
思考練習題 76
第4章 人工智能基礎 79
4.1 人工智能基本概念 79
4.1.1 數(shù)據(jù)集劃分方法 79
4.1.2 分類問題評價指標 80
4.1.3 回歸問題評價指標 82
4.2 BP神經網絡 82
4.2.1 神經網絡基本概念 83
4.2.2 M-P模型 84
4.2.3 感知機模型 85
4.2.4 BP神經網絡 87
4.3 其他神經網絡 90
4.3.1 前饋神經網絡 90
4.3.2 模糊神經網絡 91
4.3.3 徑向基神經網絡 93
4.4 上機實驗：搭建BP神經網絡 95
4.4.1 數(shù)據(jù)準備 96
4.4.2 模型搭建 96
4.4.3 結果檢驗 97
思考練習題 100
第5章 深度學習 101
5.1 深度學習入門 101
5.2 深度學習的特征 102
5.3 卷積神經網絡的基礎結構 104
5.3.1 數(shù)據(jù)輸入層 104
5.3.2 卷積層 105
5.3.3 池化層 107
5.3.4 全連接層 109
5.4 常用的4類卷積神經網絡架構 109
5.4.1 LeNet5 110
5.4.2 AlexNet 111
5.4.3 VGG 114
5.4.4 ResNet 115
5.5 基于卷積神經網絡的語義分割 118
5.5.1 圖像處理的不同層次 118
5.5.2 全卷積神經網絡 120
5.5.3 DeepLab系列模型 123
5.5.4 PSPNet 127
5.6 上機實驗：搭建卷積神經網絡 129
5.6.1 模型搭建 129
5.6.2 結果檢驗 131
思考練習題 133
第6章 循環(huán)神經網絡 134
6.1 循環(huán)神經網絡 134
6.2 長短時記憶網絡 137
6.2.1 LSTM的內部結構 137
6.2.2 LSTM的“門”結構 138
6.3 門控循環(huán)單元 141
6.3.1 GRU的網絡結構 141
6.3.2 重置門和更新門 142
6.3.3 候選隱藏狀態(tài) 142
6.3.4 隱藏狀態(tài) 143
6.4 雙向網絡結構 145
6.4.1 雙向長短時記憶網絡 145
6.4.2 雙向門控循環(huán)單元 146
6.5 上機實驗：搭建循環(huán)神經網絡 147
6.5.1 數(shù)據(jù)準備與模型搭建 147
6.5.2 結果檢驗 149
思考練習題 151
第7章 海洋特征智能識別 152
7.1 海洋渦旋與智能識別 152
7.1.1 海洋渦旋 152
7.1.2 基于PSPNet算法的海洋渦旋智能識別 153
7.1.3 不同人工智能算法在海洋渦旋識別應用中的比較 160
7.2 海洋內波與智能識別 166
7.2.1 海洋內波 166
7.2.2 海洋內波的智能識別 168
7.3 海表溢油與智能監(jiān)測 170
7.3.1 海表溢油 170
7.3.2 海表溢油監(jiān)測 172
7.3.3 海表溢油的智能監(jiān)測 172
7.4 海冰與智能探測 176
7.4.1 海冰 176
7.4.2 海冰探測 177
7.4.3 海冰智能探測 177
7.5 海洋藻類與智能識別 180
7.5.1 海洋藻類 180
7.5.2 海洋藻類的智能識別 181
7.6 海上船只與智能監(jiān)測 183
7.6.1 海上船只監(jiān)測 183
7.6.2 海上船只智能監(jiān)測 184
7.7 上機實驗：語義分割識別海洋渦旋 187
7.7.1 數(shù)據(jù)準備 187
7.7.2 模型識別 189
7.7.3 結果顯示 193
思考練習題 197
第8章 海洋參數(shù)智能預測 198
8.1 海洋氣候預測 198
8.2 近岸風暴潮智能預測 201
8.2.1 風暴潮單點水位智能預測 202
8.2.2 風暴潮漫灘過程智能預測 206
8.3 海洋波浪智能預測 209
8.4 海面風速智能預測 211
8.5 海表溫度智能預測 213
8.6 上機實驗：有效波高智能預測 217
8.6.1 數(shù)據(jù)準備 218
8.6.2 模型構建 218
8.6.3 結果展示 220
思考練習題 221
第9章 動力參數(shù)智能估算和模式誤差智能訂正 222
9.1 海洋模式次網格動力參數(shù)的智能估算 223
9.1.1 準地轉海洋模式 223
9.1.2 降低數(shù)據(jù)分辨率 224
9.1.3 智能估算模型 225
9.1.4 智能估算結果 226
9.2 大氣模式濕物理參數(shù)的智能估算 229
9.2.1 濕靜力能量守恒 230
9.2.2 神經網絡設置和數(shù)據(jù) 230
9.2.3 ResCu的智能預測結果 232
9.3 數(shù)值模式誤差智能訂正 235
思考練習題 238
參考文獻 239
書單推薦
