藻类作为海洋生物的饵料,对海洋渔业有重要的影响。对藻类生物量的估算一般是用过检测海水中叶绿素的浓度完成的。因此,研究海洋叶绿素浓度的有着积极的意义。另一方面,随着工农业的迅猛发展,大量的生产生活废水被排入海洋,海洋面临着严重水污染的威胁。废水中的硝酸盐等物质会导致水体富营养化,严重时会产生大规模的“赤潮”现象。赤潮的分解会大量消耗水中的氧气并产生有毒物质,对海洋鱼类的生存产生严重的影响。所有,通过对海洋叶绿素浓度的检测,还可以作为判断水体污染指标。本文分别对海洋叶绿素进行了空间和时间上的研究。海洋叶绿素浓度空间分布的研究。以往对海洋叶绿素浓度研究,是通过卫星图谱进行光谱分析,结合机器学习相关算法来反演叶绿素的浓度值。本论文通过下载Argo(Array for Real-time Geostrophic Oceanography)数据集,直接获取有关海洋中叶绿素浓度变化的数据,通过GBDT回归算法,并将原来空间上分布上经纬度为1°×1°的海洋叶绿素数据细化为0.1°×0.1度的小网格,并用matplab实现数据的可视化操作。具体做法是用sklearn库中多个线性回归模型叶绿素数据进行回归行分析,其中包括SVR模型,贝叶斯岭回归模型,普通线性回归模型,弹性网络回归模型以及梯度增强回归模型,根据多组模型对比结果,选择拟合效果最好的增强梯度(GBDT)回归算法作为本次实验的主要算法,并对小范围内海洋叶绿素浓度进行预测,展示了海洋叶绿素浓度在水平方向和垂直方向的分布状况。海洋叶绿素浓度随时间变化的研究,本文通过LSTM网络将海洋中叶绿素的浓度变化进行时间序列上的研究,预测叶绿素浓度在时间方向上的变化趋势,从实验结果表明,LSTM模型能够很好的预测海洋中叶绿素浓度的变化,为预测海洋叶绿素浓度的变化提供了一种有效的手段。