海表温度(SST)是平衡地表能量及衡量海水热量的重要指标,SST的高精度预测对全球气候、海洋环境及渔业具有重要意义。极端气候条件下,SST序列呈现明显的非平稳性,传统方法进行海表温度预测(SSTP)时难度大,且精度较低。基于经验模态分解(EMD)算法分解后的SST子序列非平稳性明显降低,且门控循环(GRU)神经网络作为一种常见的机器学习预测模型,参数较少、收敛速度更快,不易在训练过程中出现过拟合现象。结合EMD模型和GRU模型的优势,提出了一种基于EMD-GRU的SST预测模型。为验证所提模型预测效果,对5条不同长度的SST序列进行了多组对比实验。实验结果表明:与直接使用循环神经网络(RNN)、长短期记忆模型(LSTM)、门控循环神经网络(GRU)的模型相比,所提模型预测结果的多尺度复杂度更低;所提模型预测结果的均方差(MSE)和平均绝对误差(MAE)均有不同程度的降低。为验证数据序列长度对预测精度的影响,设计了补充实验。实验结果表明:预测长度越长精度效果越差;通过EMD算法对序列进行处理后,效果均得到了提升,且在预测长度变长的情况下,效果提升较为明显。

土壤温度是地球科学多个领域的重要变量。其时空变化受多种环境因素影响, 这对土壤温度的准确预测带来巨大挑战。以机器学习为核心的数据驱动方法, 在土壤温度预测中是重要研究领域, 为基于物理过程模型提供重要补充。然而目前针对土壤温度影响因素量性研究较少, 因此本文提出XGBoost-LSTM的数据驱动方法。基于极限梯度提升算法(XGBoost)分析土壤温度影响因素的重要性, 然后根据影响因素重要性依次组合, 并输入至长短期记忆网络(LSTM), 得到最优预测模型并实现土壤温度预测。最后在长白山和海北两个气象站完成实验, 本文方法的最优均方根误差为2.234、平均绝对误差为1.716、纳什效率系数为0.932、LMI系数为0.729和威尔莫特一致性指数为0.983。结果表明本文提出的XGBoost-LSTM预测模型与目前土壤温度中常用的数据驱动模型相比, 均表现出更高的精确度。

为了拓展红外图像获取方式，提出了一种基于可见光衍生生成红外图像的方法。利用脉冲耦合神经网络与人工微调相结合的方式，将可见光图像分割成不同区域并标定为不同材质，通过材质热特征建模预测不同材质在不同环境中的温度值，并计算其热辐射以及大气传输效应，最终通过细节调制的方法增加了仿真结果的真实性。实验表明，通过可见光图像生成红外图像有其可行性，并且图像分割结果直接影响了仿真结果的好坏，分割越精细仿真结果越好，利用细节调制可增强仿真结果的真实性。

温度校正是红外光谱定性定量分析中的一个关键问题,通过去除光谱数据中的温度效应,可以改善模型的线性度,从而提高模型的预测精度.通常的温度校正方法不仅需要记录训练集光谱的采集温度,而且需要记录测试集光谱的采集温度,这对很多实际应用中的光谱温度校正造成了困难.提出了一种基于模型的光谱温度预测及校正方法,通过训练集数据对光谱中的温度信息进行建模,利用模型的信息,从而能从测试集光谱数据中估计出采集温度,并进行光谱数据的温度校正,降低了温度校正方法对测试集光谱数据采集温度的依赖性.作为方法的验证,进行了两部分的实验:在第一部分的实验中,通过对十个浓度的水-乙醇二元混合物光谱数据的温度预测以及温度校正的实验,证明了本文方法的有效性;在第二部分的实验中,我们采用了Wulfert的经典温度校正方法CPDS的实验数据和实验方案,对三元混合物的光谱数据进行温度预测以及温度校正,得到了不亚于CPDS方法的温度校正效果,同时也证明了该方法对三元混合物光谱数据的适用性.通过两部分的实验表明,在缺少测试集测量温度的情况下,提出的温度校正方法仍可对光谱数据进行有效的预测和校正,降低了温度校正方法对测试集数据的依赖性,从而提高了温度校正方法的适用性.