随着我国海洋经济的发展和海洋战略地位的提高，对于海面温度预测的要求也在逐渐提高。实现快速、精准的海面温度预测能够为我国各类海洋产业的发展和海洋国防安全提供坚实可靠的保障。传统的海面温度预测大多采用数值预报方法，存在物理方程复杂、预报时长有限的问题。基于数理统计方法的海面温度统计预报，预测精度较低。目前深度学习模型被广泛应用于海面温度预测，但大多只考虑了海面温度的时间特征，只能实现单点海面温度时间序列预测，缺少对海面温度空间特征和空间联系的研究。事实上，海面温度不仅具有周期性、季节性、趋势性等时间特征，还具有明显的空间特征与空间联系。 为了充分考虑海面温度的时空特征，本文构建了一种基于卷积长短期记忆神经网络(Convolutionallong-shorttermmemory,ConvLSTM)的海面温度时空预测模型，通过卷积运算实现对海面温度空间特征的提取，再通过长短期记忆神经网络(Longshort-termmemory，LSTM)实现对长时间海面温度序列周期性、季节性、趋势性等时间特征的记忆与学习，最终实现南海海域高精度的海面温度时空预测。 首先，通过对南海海面温度的时间变化规律、空间分布特征、时间序列自相关性和全局空间相关性的分析与研究，发现南海海面温度存在明显的时空特征，且海面温度不仅受其自身历史温度的影响，空间临近位置的温度也会对其产生很大影响，证明了海面温度时空预测的可行性与必要性。 其次，通过构建LSTM模型，实现了单点海面温度时间序列预测，并分别构建了BP神经网络模型和循环神经网络(RecurrentNeuralNetwork,RNN)模型作为对比模型。三种模型的预测结果对比表明，在单点海面温度时间序列预测时，LSTM模型的预测效果优于两种对比模型，更适合处理长时间复杂的海面温度时间序列。但由于缺少海面温度的空间信息，LSTM模型的预测结果也存在不同点的预测效果差异较大和在某些海面温度极值点处的预测误差较大等问题。 最后，通过构建ConvLSTM模型，实现了南海部分海域的海面温度时空预测，预测结果表明，基于ConvLSTM模型的海面温度时空预测效果优于LSTM模型的时间序列预测效果，且很好的解决了LSTM模型在海面温度预测时存在的问题，证明了海面温度的空间特征和空间联系对于海面温度预测的重要性。并分别构建卷积神经网络(ConvolutionalNeuralNetwork,CNN)与LSTM相串联的CNN+LSTM模型和时空经验正交分解(EmpiricalOrthogonalFunction,EOF)模型作为对比模型。预测结果表明，ConvLSTM模型的预测效果优于两种对比模型，证明了本文构建的基于ConvLSTM的海面温度时空预测模型具有优异的预测效果。
NETL
