海洋温度在海洋水文要素中十分重要,深入研究和准确掌握海洋温度在时空分布的变化规律,对水声、航海和气象等学科研究具有重要意义。由于海洋环境的复杂性和不确定性使得海洋温度的预测难度较大。为提高对海洋温度的预测能力,本文分别在海洋温度的空间分布和时间分布上提出了分析和预测方法。在海洋温度空间分布的研究中,本文提出了一种基于SVR(Support Vector Regression)的高空间分辨率海洋温度预测方法。海洋温度的空间分布具有范围广和数量大的特点。空间分布预测本质上是根据训练数据样本来寻找拟合函数,然后根据需要运用所求得的拟合函数对海洋某一位置上的温度进行估计。本文首先使用Argo(Array for Real-time Geostrophic Oceanography)数据作为构建SVR海洋温度模型的数据来源,根据不同月份训练不同的模型,通过交叉验证和网格搜索的方法对模型参数进行优化,根据优化后的参数确定SVR模型。然后,根据SVR模型对高空间分辨率网格化区域内的温度进行预测,将原数据集1°×1°的水平分辨率提高到0.1°×0.1°。最后,对高空间分辨率的海洋温度模型进行可视化展示。通过实验对比分析,基于RBF(Radial Basis Function)核函数的SVR模型性能要好于线性回归和K-近邻回归。在海洋温度时间分布的研究中,本文提出一种基于时域特征序列和LSTM(Long Short-Term Memory)神经网络的海洋温度预测方法。该方法对海洋温度时间序列的时域特征进行分析,即自相关性、季节波动和趋势性,并对连续的海洋温度时间序列进行重构,根据重构的时间序列构建LSTM模型。通过实验表明,基于时域特征的海洋温度时间序列重构方法不仅可以减少用于预测的先前序列的长度,而且对LSTM模型的预测能力具有一定的提高作用。随着深度的增加,海洋温度时间序列的规律性逐渐减弱,预测难度增大,但该方法展示出了面对复杂温度变化时更好的预测性能。以上对海洋温度时空分布的预测方法均使用Argo数据证明其有效性。本文提出的海洋温度时空预测方法也可应用于其他海域。