基于机器学习的海洋表面温度预报研究综述
基于AI的海洋气候变化预测技术研究
基于AI的海洋气候变化预测技术研究海洋，覆盖了地球约 70%的表面，其气候变化对于全球生态、经济和人类社会都有着深远的影响。
随着科技的飞速发展，AI（人工智能）技术正逐渐成为海洋气候变化预测领域的有力工具。
海洋气候变化是一个极其复杂的过程，受到多种因素的相互作用。
例如，太阳辐射、大气环流、海洋环流、海冰覆盖以及海洋生物活动等，都在不同程度上影响着海洋的温度、盐度、海平面高度以及风暴潮等气候特征。
传统的海洋气候变化预测方法往往依赖于物理模型和统计分析，但这些方法存在着一定的局限性。
物理模型需要对海洋和大气的物理过程有精确的理解和描述，计算成本高，且在处理复杂的非线性关系时可能表现不佳；统计分析则通常依赖于历史数据的完整性和准确性，对于未来的不确定性难以有效捕捉。
AI 技术的出现为解决这些问题提供了新的思路和方法。
AI 技术能够自动从大量的数据中学习复杂的模式和关系，从而对海洋气候变化进行预测。
例如，深度学习中的神经网络可以处理高维的数据，捕捉到隐藏在数据中的复杂特征和非线性关系。
通过对历史海洋气候数据的训练，神经网络可以学习到不同变量之间的相互作用规律，从而提高预测的准确性。
在基于 AI 的海洋气候变化预测中，数据是至关重要的基础。
这些数据来源广泛，包括卫星观测、浮标测量、海洋科考船的实地测量等。
然而，这些数据往往存在着数据量巨大、多源异构、质量参差不齐等问题。
为了有效地利用这些数据，需要进行数据预处理和特征工程。
数据预处理包括数据清洗、缺失值处理、异常值检测等步骤，以确保数据的质量和可靠性。
特征工程则是从原始数据中提取有意义的特征，以便于 AI 模型的学习和理解。
除了数据处理，选择合适的 AI 模型也是实现准确预测的关键。
目前，常用于海洋气候变化预测的 AI 模型包括人工神经网络、支持向量机、随机森林等。
不同的模型具有不同的特点和适用范围，需要根据具体的问题和数据特点进行选择。
例如，人工神经网络具有强大的学习能力和泛化能力，适用于处理复杂的非线性问题；支持向量机在处理小样本、高维度数据时表现出色；随机森林则具有较好的鲁棒性和抗噪能力。
基于机器学习的海洋气象预报算法研究
基于机器学习的海洋气象预报算法研究随着科技的不断进步，人们对于海洋气象预报的要求也越来越高。
传统的气象预报方法已经无法满足人们对于精准预报的需求，因此，如何通过机器学习来对海洋气象进行更为准确的预报，成为了当前的研究热点。
一、机器学习在海洋气象预报中的应用机器学习在海洋气象预报中的应用范围非常广泛。
首先，它可以帮助我们分析气象数据，识别变化趋势，并进行趋势预测。
同时，还可以对气象数据进行分类、聚类，从而进行更加精准的预测。
除此之外，机器学习还可以通过分类算法，自动识别每个气象变量之间的关系，并利用这些信息进行更准确的预测。
二、机器学习在气象变量预测中的应用机器学习在气象变量预测中的应用也非常广泛。
对于气象预测来说，气压变化、温度、湿度等各种气象参数都非常重要。
通过机器学习，可以提取出这些参数之间的关联性，做出更准确的预报。
三、机器学习在风速预测中的应用风是影响气象变量最重要的因素之一。
通过运用机器学习算法，可以分析气象数据中的风速、风向等相关因素，从而做出更为准确的风速预报。
四、机器学习在海浪预报中的应用海浪也是气象变量当中非常重要的一个参数。
通过机器学习算法，可以预测海浪的高度、形态、周期等参数，从而为当地海事、渔业、旅游等行业提供更加准确的服务。
五、机器学习在海洋灾害预防中的应用海洋灾害频发，对于人们的生命财产造成极大的影响。
通过机器学习算法，可以预测海浪、潮汐等变化，为地方政府提供更加精准的防灾预警信息。
六、机器学习在提升气象预报准确度中的作用机器学习技术的应用，能够有效地降低气象预测的误差率，提高预测准确度，从而降低灾害可能性，并保障人们的生命财产安全。
七、机器学习在海洋气象预报中的挑战和研究方向机器学习在海洋气象预报中，主要存在以下几个挑战：1）数据准确性不高。
由于海洋气象的预测数据来自不同的平台及传感器，数据的准确性不够高；2）数据量巨大，且存在时效性问题。
由于气象数据的大小及复杂性，需要更加高效及快速的算法来处理这些数据；3）模型复杂度不够。
机器学习技术在海洋气象中的应用
机器学习技术在海洋气象中的应用近年来，随着人工智能和机器学习技术的飞速发展，它们在各个领域都取得了显著的成果。
而其中，机器学习技术在海洋气象领域的应用，无疑是极具潜力的。
本文将探讨机器学习技术在海洋气象中的应用，并分析其带来的益处。
首先，机器学习技术在海洋气象中的一个主要应用是天气预报的改进。
传统的天气预报主要依赖于物理模型和统计方法，这些方法往往会有一定的误差。
而机器学习技术能够通过大量的数据分析和模式识别，提高天气预报的准确性。
例如，可以利用机器学习算法分析历史天气数据，挖掘出影响海洋气象的重要因素，从而改进天气预报模型。
通过不断的训练和优化，机器学习算法可以学习到更准确的海洋气象有关知识，提高天气预报的精度。
其次，机器学习技术在海洋气象中还可以用于实时数据处理和监测。
在海洋气象领域，需要对海水温度、海浪高度、风力等实时数据进行采集和分析。
传统的方法需要人工介入，费时费力且容易出错。
而机器学习技术可以通过自动化算法，实时采集、处理和分析大量的数据，快速获得准确的结果。
例如，通过机器学习算法，可以识别出海洋中的不同气象现象，包括台风、寒潮等，提前作出预警和应对措施。
此外，机器学习技术还可以在海洋气象领域的船舶导航、海上救援等方面发挥重要作用。
海洋中的气象变化往往是不可预测的，这给船舶导航和海上救援带来了巨大的挑战。
利用机器学习技术，可以分析历史气象数据和交通数据，预测海上气象情况，为船舶导航提供精准的建议。
同时，机器学习算法还可以通过监测海上救援行动的数据，优化救援方案，提高救援效率。
然而，尽管机器学习技术在海洋气象中应用广泛，但也存在一些挑战和限制。
首先，由于海洋气象数据量庞大且复杂，需要大量的计算资源和存储空间来支持机器学习算法的训练和运行。
其次，机器学习算法的建立需要大量的标注和训练样本，而在海洋气象领域，往往存在着模型和数据的不完备性，导致机器学习算法的性能受到限制。
此外，机器学习算法的结果可能受到数据采集和传感器等技术的限制，进而影响应用效果。
海洋环境监测中的机器学习技术研究
海洋环境监测中的机器学习技术研究一、海洋环境监测简介海洋环境是全球气候、生态和资源之间相互联系的重要平衡因素，因此海洋环境监测的重要性日益凸显。
海洋环境监测是指对海洋环境的物理、化学、生物及海洋资源等各方面状况进行持续观测、追踪、预警和评估，以维护和改善海洋环境质量、保障海洋生态安全、促进海洋可持续发展。
二、机器学习在海洋环境监测中的应用随着科技的不断发展，机器学习技术在海洋环境监测中得到了越来越多的应用。
机器学习技术是一种能够从大量数据中学习经验，通过算法不断优化推进自我完善的技术。
在海洋环境监测中，机器学习技术通过对海洋环境的海洋大数据进行处理和分析，提高监测精度和预测能力，为海洋环境保护和资源开发提供了有力支持。
下面分别从海洋环境监测的领域应用和机器学习技术的应用场景两个角度进行讲解。
1、海洋环境监测的领域应用(1)海洋生态环境监测：机器学习技术在海洋生态环境监测领域的应用可实现对暴发性有毒赤潮、海洋底质及生态系统监测、生物体特征监测等方面实现智能化监控，并根据环境和生物的变化情况进行智能异常预警和敏感程度分析，为及时化解海洋环境危机提供坚实支持。
(2)海洋水质监测：机器学习技术在海洋水质监测中可以对污染指数、营养盐浓度、化学物质浓度，微塑料等进行预警，以及对不同等级污染源进行判别和分类，并对污染的特征和分布情况进行综合分析，提高海洋环境监测的监测效率和监测效果，促进治理措施的制定和优化。
(3)海洋天气预报：机器学习技术在海洋天气预报方面应用包括气象数据分类，海上风速与气压现场拟合，海面高度、风速等特征数据预测等，通过提高预报精度和实时性，为海上作业和海运活动保驾护航。
2、机器学习技术的应用场景(1)数据预处理：机器学习在海洋环境监测中的一个基本应用层次是数据预处理，即对海洋环境中的数据进行清洗、缺失值填补、异常值处理、数据集成和数据规范等，将海洋环境数据转换成计算机可以理解、处理和分析的形式。
基于机器学习的海洋数据预测模型
基于机器学习的海洋数据预测模型在当今数字化和信息化的时代，海洋数据的预测对于海洋科学研究、资源开发、环境保护以及灾害预防等众多领域都具有至关重要的意义。
传统的海洋数据预测方法往往依赖于物理模型和经验公式，虽然在一定程度上能够提供有用的信息，但在面对复杂多变的海洋环境和大量的数据时，其局限性也逐渐显现出来。
机器学习技术的出现为海洋数据预测带来了新的机遇和挑战。
机器学习是一种能够让计算机从数据中自动学习规律和模式的技术。
它通过对大量的数据进行训练，让模型自动调整参数，从而能够对未知的数据进行准确的预测。
在海洋数据预测中，机器学习模型可以利用海洋温度、盐度、流速、波浪高度等多种数据进行学习，挖掘出其中隐藏的关系和模式，从而实现对未来海洋状态的预测。
在基于机器学习的海洋数据预测模型中，数据的收集和预处理是至关重要的第一步。
海洋数据的来源非常广泛，包括卫星遥感、浮标观测、船舶测量等。
这些数据往往具有不同的精度、分辨率和时间频率，需要进行有效的整合和预处理。
例如，对于缺失值的处理，可以采用插值法或基于模型的预测方法进行填补；对于异常值的检测和处理，可以通过统计方法或基于领域知识的规则进行判断和修正。
特征工程是构建海洋数据预测模型的关键环节之一。
特征工程的目的是从原始数据中提取出有代表性、有区分度的特征，以便模型能够更好地学习和预测。
在海洋数据中，可以提取的特征包括时间特征（如季节、月份、日）、空间特征（如经纬度、水深）、物理特征（如温度梯度、盐度差）等。
此外，还可以通过数据变换（如对数变换、标准化）和特征组合（如交叉乘积、多项式扩展）等方法来创造新的特征。
选择合适的机器学习算法是构建海洋数据预测模型的核心。
常见的机器学习算法包括线性回归、决策树、随机森林、支持向量机、神经网络等。
对于不同类型的海洋数据和预测任务，需要选择不同的算法。
例如，对于线性关系较为明显的数据，可以选择线性回归算法；对于复杂的非线性关系，可以选择神经网络或随机森林等算法。
机器学习在海洋领域中的应用研究
机器学习在海洋领域中的应用研究随着科技的发展，机器学习作为一项人工智能技术，已经逐渐渗透到了各个领域，并且在各个领域都取得了不少成果。
海洋领域作为一个极具挑战性和广阔的领域，机器学习在这个领域的应用研究也日益受到了重视。
本文将从机器学习在海洋领域中的应用研究的背景出发，详细探讨机器学习在海洋领域中的具体应用研究，并最后归纳总结。
一、背景海洋领域是一个极具挑战性和广阔的领域。
海洋问题的复杂性、海洋数据的极度稀疏性等都使得传统的统计分析方法面临着很大的困境。
机器学习以其拥有高效、精确且快速的判断能力，成为了解决这些问题的重要手段之一。
在海洋领域，机器学习所具有的自适应能力能够适应海洋环境的复杂性，从而有效的提高数据处理的效率，减轻了人工工作量，方便了数据的归集和分析。
二、具体应用研究1. 海洋物理预报海洋预报是目前海洋领域中最为应用机器学习技术的领域。
海洋预报是利用观测、样本、数学模型等手段，预测海洋环境变化情况的一项研究。
机器学习应用在海洋预报中，除了能够利用传感器获取的立体观测数据和卫星遥感数据，快速、准确的获取海洋环境的变化信息外，还能通过建立数学模型将相关的特征刻画出来，进而预报海洋环境变化。
比如，利用神经网络算法，对气象网格预报数据进行相关特征提取，即可快速预报未来48小时海洋温度、盐度等环境参数。
2. 海洋声呐信道估计海洋中的水体分布和海底的地形是影响声波传播的主要因素。
在声呐检测领域中，海底地形是影响声呐信号传播准确性的重要因素之一。
传统的音速模型是通过观测实验手动建立的，具有时效性，并且需要人工操作来实现模型的更新。
近年来，机器学习技术为海洋声呐信道估计和水中目标检测问题的研究提供了新的途径。
研究表明，利用机器学习算法从已有的声学数据中得到的模型能够更加准确和优秀，有效提高声呐系统的性能以及海洋生物的探测效率。
3. 海洋自主探测机器人海洋生态环境的复杂性以及海洋各种信息的稀缺和不稳定性，使得研发一款能够适应海洋环境、自主收集、处理和传输海洋数据的机器人成为必要。
基于机器学习订正模型的未来百年全球海表温度预估研究
Study on the Future Projection of Global Sea Surface Temperature over 21st Century Using a Biases Correction Model Based on Machine Learning
Zhiyuan Kuang1,2,3, Zhenya Song2,3,4*, Changming Dong1,3,5
Received: Jun. 23rd, 2020; accepted: Jul. 3rd, 2020; published: Jul. 10th, 2020
Abstract
The climate model has become the key tool to understand climate change and predict the future climate. However, due to the simulation biases, accurate simulation and prediction is still a challenge for climate models. The pilot works on the biases correction based on machine learning have shown good application potential in research on the weather forecast and climate prediction. In this paper, based on Ensemble Empirical Mode Decomposition (EEMD) and BP (Back Propagation) neural network, a biases correction model for monthly global mean sea surface temperature (SST) of a climate model is developed. The parameters of the biases correction model are determined using historical observation data and simulation results, and then it is used to project the global mean SST over 21st century under three future emission scenarios (SSP1-2.6, SSP2-4.5, SSP5-8.5) based on the sixth phase of the Coupled Model Intercomparison Project experiments conducted by FIO-ESM v2.0. The results show that the biases correction model can effectively reduce the historical simulation biases of FIO-ESM v2.0.The root-mean-square-error and absolute mean deviation decrease from 0.401˚C to 0.096˚C and from 0.338˚C to 0.077˚C, respectively, while the correlation coefficient increases from 0.33 to 0.95. The corrected trends of global mean SST under the three future emission scenarios over the 21st century are 0.424˚C/100a, 1.325˚C/100a, and 3.185˚C/100a, respectively. And the global mean SST will increase by 0.608˚C, 1.181˚C, and 2.409˚C at the end of 21st century (2081-2100) compared to the present (1995-2014).
基于AI的海洋气候变化预测研究
基于AI的海洋气候变化预测研究在我们生活的这个蓝色星球上，海洋占据了超过七成的面积，其对于全球气候的影响至关重要。
随着科技的不断发展，人工智能（AI）正逐渐成为预测海洋气候变化的有力工具。
海洋气候变化的复杂性超乎想象。
海洋的温度、盐度、洋流等众多因素相互作用，共同影响着全球的气候模式。
传统的预测方法在面对如此复杂的系统时，往往显得力不从心。
而 AI 的出现，为我们打开了一扇新的大门。
AI 之所以能够在海洋气候变化预测中发挥作用，主要得益于其强大的数据分析和模式识别能力。
它可以处理海量的海洋观测数据，包括卫星遥感数据、浮标监测数据、海洋科考数据等等。
这些数据来源广泛、类型多样，传统的分析方法很难从中提取出有价值的信息。
但 AI 却能够迅速筛选、整合这些数据，并发现其中隐藏的规律和模式。
比如说，AI 可以通过深度学习算法，对海洋温度的历史数据进行学习，从而预测未来一段时间内海洋温度的变化趋势。
它还能够综合考虑多个因素，如大气环流、海冰覆盖、海洋生态系统等，构建更加准确的海洋气候变化模型。
然而，要将 AI 成功应用于海洋气候变化预测，并非一帆风顺。
首先面临的就是数据质量和数量的问题。
虽然我们拥有大量的海洋观测数据，但这些数据往往存在误差、缺失值等问题。
如何对这些数据进行清洗和预处理，以提高数据的质量和可用性，是一个巨大的挑战。
其次，AI 模型的可解释性也是一个亟待解决的问题。
虽然 AI 能够给出准确的预测结果，但我们往往很难理解它是如何做出这些决策的。
这就使得我们在使用 AI 进行预测时，可能会对结果的可靠性产生一定的疑虑。
为了解决这些问题，科学家们正在不断努力。
他们通过改进数据采集和处理技术，提高数据的质量和完整性。
同时，也在探索新的 AI 算法和模型结构，以提高模型的可解释性和预测准确性。
在实际应用中，基于 AI 的海洋气候变化预测已经取得了一些令人瞩目的成果。
例如，在预测厄尔尼诺和拉尼娜现象方面，AI 模型的表现越来越出色。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于机器学习的海洋表面温度预报研究综述2.*.哈尔滨工程大学黑龙江哈尔滨，150001摘要：机器学习在海洋表面温度预报的研究是水文预报的研究热点，本文对机器学习在海洋表面温度预报的相关进展进行总结，归纳目前海洋表面温度预报的数据来源和方法，分析关于影响因子的处理、优化方法思路和海洋表面预报模型的建模特点；总结目前研究面临的挑战，并展望未来，以期为相关人员开展研究提供参考。
关键字：机器学习；海洋表面温度预报；时空序列预测A Review of Research on Predicting Ocean Surface Temperature Based on Machine LearningAbstract: The research on machine learning in ocean surface temperature prediction is a hot topic in hydrological forecasting. This article summarizes the relevant progress of machine learning in ocean surface temperature prediction, summarizes the current data sources and methods of ocean surface temperature prediction, analyzes the processing and optimization methods of influencing factors, and the modeling characteristics of ocean surface prediction models; Summarize the current research challenges and look forward to the future, in order to provide reference for relevant personnel to conduct research.Key words: machine learning; prediction of ocean surface temperature; spatiotemporal sequence prediction引言海洋表面温度（Sea Surface Temperature, SST）的预报是对海洋学者揭示海洋水文现象时空变化规律的重要手段，对海洋相关领域的决策和应用具有重要意义。
随着计算机技术和人工智能的快速发展，机器学习在SST预报方面的应用逐渐成为研究热点。
机器学习具有强大的处理非线性和高维数据的能力，尤其是在处理海洋数据方面，机器学习可通过自动学习海洋的复杂特征来提高SST预报的准确性和效率。
近年来，越来越多的研究将机器学习应用在SST预报方面。
机器学习模型的应用包括传统的人工神经网络、随机森林、自回归等模型，这些模型不仅能够提高SST的预报准确性，而且可以提取出不同的特征信息，比如局部相关性、全局相干性以及不同的时间序列关系等。
机器学习在SST预报方面的发展有望为未来的海洋相关领域提供更多有价值的数据预测和决策支持。
虽然机器学习在SST预报方面发展迅速，但也存在一些挑战，例如如何合理使用SST数据以及其他海洋相关数据进行模型学习和优化，以提高模型的预测性能；如何将预报结果应用到实际海洋决策中，解决实际的海洋环境问题等。
此外，如何处理不同来源、不同质量的海洋数据也是一个重要问题。
本文研究了机器学习在海洋表面温度预报研究中的进展，进行归纳和总结，并指出现有研究仍存在的主要问题和未来研究发展趋势。
1.海洋表面温度预报的数据以及方法分类海洋是一个综合复杂的动力系统，SST的分布和变化受到气象因素（如气温、降水量、风速和湿度）、海洋学因素（如潮汐、海流、盐度和海表高度）和水文因素（如河流流量和海水深度）多种因素的影响。
此外，一些预测模型还可能考虑其他遥感数据（如卫星遥感数据）和历史数据（如历史SST）；怎样选取合适的影响因子作为输入是SST预测面临的一个挑战。
机器学习模型相较于统计学习模型结构更加灵活，理论上可以采取任意搭配的相关因子作为模型输入，而目前SST预报最广泛采用的输入变量类型是观测到的SST数据，除此之外还有再分析数据和卫星信息等数据。
在海洋表面温度预测领域，机器学习、数值预报和统计预测模型都被广泛运用。
机器学习模型基于样本的历史数据来学习预测规律，具有一定的灵活性和适应性，也具有一定的非线性关系的建模能力。
数值预报是利用大量计算得到的预报结果，需要高容量、高性能的计算机，而且数值准确度方面也有一定的误差，存在一定的局限性。
统计学习模型则是一种基于数据统计方法的预测模型，通常采用时间序列、回归和聚类等方法来识别和拟合数据中的规律和模式。
虽然统计学习模型的预测准确性相对较低，但是它们能够提供数据统计规律与实际物理机理之间的关联，方便对预测结果进行解释和验证。
考虑到这些模型各具有优势和局限性，未来的研究需要根据实际应用需求，以及数据量、性质等因素的不同，选择合适的模型进行预测，并不断推进模型的优化和提高预测性能和可靠性。
2.基于机器学习的海洋表面温度预报研究进展海洋表面温度的预报对于环境保护、海洋生态学和渔业管理等领域至关重要。
机器学习在SST预报中的应用可以提高预报精度。
此外，机器学习还能为SST预报模型不确定性提供较多可用方法。
在过去的二十年里，基于机器学习的模型已被广泛用于预报SST，例如人工神经网络模型和自回归模型等；也包括机器学习中的重要分支深度学习模型：比如自组织SOM网络(SOM)，具有时序预报效果较好的循环神经网络(Rerrent Neural Network, RNN)、长短期记忆神经网络(Long Short-Term Memory, LSTM)等，其中长短期记忆神经网络模型在评估SST方面比其他可用的数值模型表现出更好的性能[1]。
2.1基于机器学习的海洋表面温度预报方法相比于统计模型，机器学习模型有更强的自适应性与表示能力。
Ferchichi Habiba等[2]使用现场数据训练了随机森林、人工神经网络和多元线性回归等模型，并使用不同的相关性测量方法进行比较SST与气象、海洋学、水文和遥感相关模式之间的关系，以预测加拿大东部沿海海面温度（SST），并确定了最佳的预测因子，实验表明模型的最小均方根误差（RMSE）为0.82°C和2.64°C之间，在所有站点的总体均方根误差为1.72°C。
Wei等[3]提出了一种应用人工神经网络(ANNS)进行海表温度预测的方法。
该方法使用来自业务海温和冰分析(OSTIA)数据集的时间序列SST数据来训练ANNS 模型，并将其划分为气候月均值和月距平两个数据集，建立两个不同的神经网络模型，最后将这两种模式的预测结果结合起来，得出最终的海表温度预测结果。
该方法被应用于对南海海表温度进行了12个月提前期预测，得出的预测结果与OSTIA海表温度之间的平均偏差和标准偏差分别为-0.16°C和0.37°C。
在±0.5°C和±1°C的范围内，预测的SST与OSTIA SST的差异百分率分别为71.24%和95.22%，表明该方法具有较好的预测精度。
韩玉康[4]运用NERSC-HYCOM模式模拟的SST资料，计算模式15a的历史误差序列，建立自回归模型AR(p)，来估算2007年和2008年两年的误差，并用来对输出的模式资料进行修订，对修订后的模式预报结果进行检验。
可以得出：经过数据订正以后，模式SST的均方根误差明显减小，相关系数增大，模式误差在很大程度上得到消减，订正效果明显。
研究人员采用多种模型结合的方式提取多尺度下SST数据的特征，Qiao等[5]使用XGBoost模型学习SST的长周期波动规律，并在从SST数据中提取季节性周期特征的同时搭配指数平滑方法来减轻严重异常SST波动。
Kalpesh Patil[6]使用小波神经网络(WNNs)来预测特定位置的日海温值，作者在印度洋的6个不同地点进行了未来5天的日海温值预测实验，并且与传统网络进行了对比，实验结果表明，小波神经网络方法可以产生有吸引力的预测，为SST预测提供了新的方法。
Xie等[7]提出对海表温度预测的新方法——编码器-解码器模型。
SST码用于计算静态信息，而动态影响链路则用于捕捉动态信息。
该模型通过同时考虑静态和动态因素，能够更有效地捕捉和利用SST数据中的信息，解决长期预测中的困难。
Ahmed Ali等[8]提出了通过实现机器学习、深度学习和统计技术模型来预测SST和SWH。
实验数据使用了从韩国水文和海洋局获得的真实数据集，并在不同的评估指标上进行比较，即MAE、MSE、RMSE和R2等指标。
研究结果表明，机器学习模型略优于所实现的深度学习模型。
预测SST的最佳模型是DT，而线性回归模型是SWH预测的最佳模型。
统计模型（即ARIMA）的预测性能相对较差。
2.2基于深度学习的海洋表面温度预报方法深度学习作为机器学习的一大重要分支，深度学习也具有较强的非线性处理能力。
深度学习模型有更强的自适应性与表示能力。
其中，LSTM展示了在以往的结构或数据条件下比传统模型更好的预测性能。
Biswas S等[7]发现基于深度学习的LSTM模型比基于浅层学习的前馈模型具有更高的预测精度，并能够克服浅层学习的局限性。
Guo等[9]以涵盖43年世界范围的第五代ECMWF再分析数据为数据基础，提出了一种以多个变量LSTM模型为基础的SST预测模型，并采用了两种注意力机制进行优化，利用跨维度注意力和自注意策略来关注历史时刻和平滑数据，该模型的预测结果标识出它优于其它只针对LSTM或只针对SST的模型，评估统计指标的范围证实了其具有良好的预测性能，展示了其在海洋学和气象学研究方面的前景。
Choi Hey-Min Kim Minkyu等[10]使用长短期记忆（LSTM）网络来预测高水温事件，利用SST预测模型预测SST，当超过28℃时被指定为高水温，通过评估模型的预测准确性，发现LSTM在1天和7天的预测中具有很高的准确性，分别为0.963和0.739。
Pravallika等[11]使用长短期记忆（LSTM）方法根据前一年海面温度异常来预测海面温度异常，该方法使用NOAA OI SST V2数据集进行实验，使用自动回归预处理，最终得到的LSTM模型可以以相当高的精度预测异常，这表明该模型对于预测温度异常和测试数据上的平均绝对误差是可行的。