绿潮(Enteromorpha prolifera)是在某些特定的环境条件下，海水中某些大型绿藻（如浒苔）爆发性增殖，从而导致大面积海域被覆盖的海洋生态现象。浒苔是黄海海域绿潮构成种的主要种类，从2008年开始，每年5月份开始在黄海海域爆发，直到9月份才逐渐消亡，已经给沿海地区造成不同程度的环境影响和经济损失，对于黄海绿潮灾害的防治刻不容缓。首要任务就是研究绿潮的漂移路径以及对面积的预测，为绿潮的防治提供辅助决策。　　在收集了大量研究资料的基础上，讨论了影响黄海浒苔生长、漂移、聚集的水文气象因素。浒苔最初在黄海南部海域开始出现，它的生长、聚集受到降水、气温、日照等因素的影响，在特定风场以及洋流的共同作用下漂移至青岛海域，随后逐渐往江苏海域附近漂移，最后消亡。这为我们研究浒苔的漂移路径以及面积预测指出了方向。　　具体而言，本文主要工作如下：　　（1）以2012年浒苔遥感监测数据为实例，以空间均值方法为理论框架结合物理学重心的概念研究浒苔漂移路径，并借助ArcGis平台展现出来。将浒苔的分布看做一个个质量均匀的几何块，其分布重心就是其漂移运动受力的集中点。由于浒苔分布重心的位置与其分布状况密切相关，代表着浒苔的聚集程度，因此浒苔分布重心的移动轨迹反映出浒苔在空间上分布变化的过程。该方法适用于浒苔漂移过程研究的同时，也可用于浮冰、海上溢油等研究对象漂移过程的研究，具有良好的移植性。　　（2）卫星遥感能够获得及时可靠的浒苔监测信息，但同时也有局限性，当被监测海域上空云层较厚时，可能会出现无法获得浒苔信息的问题，导致有效的浒苔监测数据出现大范围的缺失。因此需要对缺失的数据进行插补，但是应用经典插值回归模型如最近邻点插值、线性插值、三次样条函数插值、分段三次Hermite插值均无法较好的完成这项任务。针对这一问题，本文综合考虑了温度、天气现象、风向、风力、浪高这五项影响浒苔面积的气候因子，建立了基于-支持向量回归机的浒苔面积预测模型。SVR是基于结构风险最小化基础上专门针对有限样本信息的一种机器学习算法。它是将样本数据映射到高维特征空间,并在高维特征空间进行线性拟合，在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，最终转化为一个二次寻优问题，最终得到全局最优，获得最好的泛化能力。最终回归结果，基于-SVR模型的黄海浒苔面积预测模型得到的预测值能够很好的拟合真实值，预测效果较好。且无论是拟合能力还是对检验样本的泛化能力，SVR模型都要优于最近邻点插值模型、线性插值模型、三次样条函数插值模型和分段三次Hermite插值模型。