-
题名海洋环境监测数据异常及缺失处理方法研究进展
- 1
-
-
作者
刘岩
钊煜鹏
刘凤庆
孔祥峰
马然
-
机构
齐鲁工业大学(山东省科学院)、山东省科学院海洋仪器仪表研究所
-
出处
《应用海洋学学报》
北大核心
2025年第2期388-401,共14页
-
基金
自然资源部海洋生态监测与修复技术重点实验室2023年开放基金(MEMRT202301)
齐鲁工业大学(山东省科学院)科教产融合试点工程重大创新专项(2023HYZX01,2023JBZ02)。
-
文摘
海洋环境监测是指通过各类海洋环境监测仪器对海水中的叶绿素a、海水表面温度、溶解氧、营养盐(总磷、总氮等)等参数实现长期连续监测,对探究海洋规律、保护生态环境具有重要作用。然而,受到复杂的海洋环境及各类监测仪器的局限性等影响,原始监测数据,尤其是实时原位采集到的连续监测数据往往存在数据异常、数据缺失等严重影响数据质量的问题。为获取高质量的海洋环境监测数据,对原始监测数据进行预处理是一种必要的手段。本文从产生数据质量问题的原因出发,对数据质量的两个典型问题(数据异常、数据缺失)展开分析,总结了近年来海洋环境监测数据异常及缺失问题的处理方法研究进展,包括数学模型分析方法、统计学分析方法、频域方法和时域方法、机器学习方法等。通过比较各种数据预处理方法的原理、适用性、优势、缺陷等方面,对集成模型的进一步研究、检测时效性的提升、模型对数据的自适应性及现场处理能力等问题提出了建议性的展望。总体来说,传统的预处理方法大多依靠人工主观建模或总结经验规律,实现对异常数据的识别和缺失数据的填补,对于平稳性、规律性较好的数据效果明显,但对数据中的突变、连续异常等情况处理能力较差;新兴的预处理方法通过引入分解方法、机器学习、深度学习等智能算法,不仅能够掌握数据的长期规律特征,而且通过更深层次的学习对小尺度的变化特征充分挖掘,能够识别数据.长期连续异常,并通过数据预测准确识别突变数据,完成对数据缺失部分的填补。然而,智能算法的引入仍然存在许多限制,比如训练数据不足、最优参数获取较为困难、对硬件算力的高需求等。海洋环境监测数据预处理方法将随着芯片科技、智能算法等前沿科技的突破,朝着高精度、低模型复杂度、高终端部署能力等方面发展。
-
关键词
海洋环境监测
数据预处理
异常检测
数据缺失填充
-
Keywords
marine environmental monitoring
data preprocessing
anomaly detection
missing data filling
-
分类号
P76
[天文地球—海洋科学]
-
