CN111288973B - 海表流速获取方法、装置、计算机设备和存储介质 - Google Patents
海表流速获取方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111288973B CN111288973B CN202010076256.6A CN202010076256A CN111288973B CN 111288973 B CN111288973 B CN 111288973B CN 202010076256 A CN202010076256 A CN 202010076256A CN 111288973 B CN111288973 B CN 111288973B
- Authority
- CN
- China
- Prior art keywords
- data
- sea surface
- surface flow
- wind field
- flow rate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Hydrology & Water Resources (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请涉及一种海表流速获取方法、装置、计算机设备和存储介质。所述方法包括:根据当前风场数据获取与所述当前风场数据对应的特征海流模态;获取所述特征海流模态中的历史海表流速,作为目标海表流速;根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。采用本方法能够通过提高获取的所述海表流速的准确性。
Description
技术领域
本申请涉及海洋灾害预警技术领域,特别是涉及一种海表流速获取方法、装置、计算机设备和存储介质。
背景技术
随着全球气候变化和人类活动影响的持续增强,海洋灾害发生频率逐年增高,对沿海地区的人身安全和财产安全造成了极大的挑战和威胁,因此,海洋预测信息尤其是对海表流速的获取需求越来越高。
传统的海表流速获取方法是基于数值模拟或结合数据同化技术的综合数值模型,这种方法是根据研究区域特征,设置相应初始条件和边界条件,按一定的步长把基本方程(质量、动量、热量和盐量守恒的方程以及能量平衡方程等)离散化,利用计算机求解方程组,模拟出海表流、波浪等水文要素场的分布。建模者结合研究区域特点和以往经验,对模型相应参数(如三维模型中的垂向分层,底部摩擦系数等)进行调试,通过与实际观测资料的对比,选取接近真实状态的“最优”模型。
但是,上述传统方法模型中的简化处理以及边界和初始条件的设置易致使模型模拟误差较大,降低了获取的海表流速的准确性。
发明内容
基于此,有必要针对上述技术问题,提供一种海表流速获取方法、装置、计算机设备和存储介质。
一方面,提供一种海表流速获取方法,所述方法包括:
根据当前风场数据获取与所述当前风场数据对应的特征海流模态;
获取所述特征海流模态中的历史海表流速,作为目标海表流速;
根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
在其中一个实施例中,所述根据当前风场数据获取与所述当前风场数据对应的特征海流模态,包括:
获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态;
根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态;其中,所述对应关系为时间对应关系。
在其中一个实施例中,所述获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态,包括:
获取当前风场数据与每一所述历史风场数据之间的均方差;
将得到所述均方差最小的所述历史风场数据所属的所述风场模态,作为所述特征风场模态。
在其中一个实施例中,根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态之前,包括:
获取多个时刻的所述历史风场数据和与每个所述历史风场数据时刻对应的所述历史海表流速;
对每个时刻的所述历史风场数据和所述历史海表流速采用非监督式机器学习方法进行数据分析,得到所述风场模态和与所述海流模态之间基于时间的所述对应关系。
在其中一个实施例中,所述根据监测数据的变量重要性值获取目标监测数据,包括:
获取待测海域的初始监测数据;其中,所述初始监测数据包括当前气压数据、当前地形数据以及水体数据;
根据预设时间尺度,对所述初始监测数据进行数据插值,得到所述预设时间尺度的所述监测数据;
采用随机森林算法获取所述监测数据对于所述海表流速的所述变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述监测数据,作为所述目标监测数据。
在其中一个实施例中,所述预测模型的训练过程包括:
将所述预测训练数据划分为训练集、验证集以及测试集;分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型;
将所述测试集输入所述预测模型,根据所述预测模型预测结果的准确率确定所述预测模型是否准确;其中,所述预测结果的准确率为由所述测试集输入所述预测模型得到的预测海表流速与所述测试集对应的实际海表流速得出的准确率;
若所述预测结果的准确率大于等于预设的准确率阈值,则确定所述预测模型准确,执行所述将所述目标海表流速和目标监测数据输入预设的预测模型,得到所述海表流速的步骤;
若所述预测结果的准确率小于所述预设的准确率阈值,则确定所述预测模型不准确,并对所述初始预测模型进行重新训练,执行所述将所述预测训练数据分为训练集、验证集以及测试集的步骤。
在其中一个实施例中,所述分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型,包括:
将所述训练集中的训练数据输入所述初始预测模型,根据所述训练集对应的所述实际海表流速,调整所述初始预测模型中的所述模型参数,得到调整预测模型;
将所述验证集中的训练数据输入所述调整预测模型,得到验证海表流速;
获取所述验证海表流速与所述验证集对应的所述实际海表流速之间的均方误差;
将对应所述均方误差最小的所述调整预测模型作为所述预测模型。
另一方面,提供一种海表流速获取装置,所述装置包括:
映射模块,用于根据当前风场数据获取与所述当前风场数据对应的特征海流模态;
第一目标获取模块,用于获取所述特征海流模态中的历史海表流速,作为目标海表流速;
第二目标获取模块,用于根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
预测模块,用于将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
另一方面,提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据当前风场数据获取与所述当前风场数据对应的特征海流模态;
获取所述特征海流模态中的历史海表流速,作为目标海表流速;
根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据当前风场数据获取与所述当前风场数据对应的特征海流模态;
获取所述特征海流模态中的历史海表流速,作为目标海表流速;
根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
上述海表流速获取方法、装置、计算机设备和存储介质,所述方法包括:根据当前风场数据获取与所述当前风场数据对应的特征海流模态,获取所述特征海流模态中的历史海表流速,作为目标海表流速,根据监测数据的变量重要性值,获取所述监测数据中对海表流速影响较大的数据,作为目标监测数据,将所述标海表流速与所述目标监测数据输入预设的预测模型,得到所述海表流速。对于所述海表流速的获取是基于实测的对所述海表流速具有影响作用的物理参数,并采用神经网络模型进行海表流速的获取,避免通过基于海洋动力过程的时空离散处理的数值模拟方式中简化模型、设置条件等人为干扰造成的模型模拟误差,提高了获取的海表流速的准确性。
附图说明
图1为一个实施例中海表流速获取方法的流程示意图;
图2为一个实施例中S110的流程示意图;
图3为一个实施例中S210的流程示意图;
图4为一个实施例中得到对应关系的流程示意图;
图5为一个实施例中S130的流程示意图;
图6为一个实施例中对初始预测模型进行训练的流程示意图;
图7为一个实施例中S620的流程示意图;
图8为一个实施例中海表流速获取装置的结构框图;
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请中所述海表流速获取方法可应用于海表流速受环境数据中的风场数据影响较大的近陆海域。
在一个实施例中,如图1所示,提供了一种海表流速获取方法,包括以下步骤:
S110、根据当前风场数据获取与所述当前风场数据对应的特征海流模态。
其中,所述当前风场数据为与所要获取的海表流速时间对应的风场数据。所述风场数据可以是风速。例如,要获取2020年某近陆海域的海表流速,则所述当前风场数据即为该近陆海域在2020年的风速。海流模态用于表征所述海表流速的数据特征,如数据随时间的变化特征。
进一步地,属于同一类型的所述海流模态的海表流速具有相同的所述数据特征。所述特征海流模态即为与所述当前风场数据具有采集时间对应关系的海表流速所属的海流模态。例如,所述当前风场数据的采集时间为2019年2月,则所述特征海流模态即为与所述当前风场数据不同年份,相同月份的采集时间采集的所述历史海表流速所属的海流模态,如采集时间为2017年2月的所述历史海表流速所属的海流模态。
具体的,计算机设备可通过相关测试设备/机构如气象站,或从存储设备或数据库中获取得到所述当前风场数据,并根据所述当前风场数据获取得到与所述当前风场数据具有相同采集月份的历史风场数据所属的海流模态,作为所述特征海流模态。
S120、获取所述特征海流模态中的历史海表流速,作为目标海表流速。
其中,可以有多个采集时间所对应的所述历史海表流速属于同一类海流模态。例如,某近陆海域2016年5月份,6月份,7月份的历史海表流速具有相同的数据随时间变化的特征,属于海流模态A1,2016年12月份,2017年1月份,2017年2月份的历史海表流速具有相同的数据随时间变化的特征,属于海流模态A2。
具体地,计算机设备将所述特征海流模态中的历史海表流速作为目标海表流速。以采集时间为2017年2月的历史海表流速所属的海流模态A2作为所述特征海流模态为例,所述目标海表流速即为所述海流模态A2中的历史海表流速,即2016年12月份,2017年1月份的历史海表流速。
S130、根据监测数据的变量重要性值获取目标监测数据。
其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度,每一个所述监测数据对应一所述变量重要性值。所述目标监测数据为对海表流速具有较大影响的数据。所述影响程度可根据大量所述监测数据的历史数据与对应时间的所述海表流速的数据变化分析得到。
进一步地,所述监测数据为在待测海域所处区域直接采集得到的如待测海域所处环境的湿度、气压、温度等环境数据,以及所述待测海域水体自身的潮汐水位、径流水量、水体温度等水体数据。
进一步地,所述监测数据对应的所述变量重要性值越大,则表明该监测数据对于所述海表流速越重要即所述影响程度越大,所述监测数据对应的所述变量重要性值越小,则表明该监测数据对于所述海表流速越不重要即所述影响程度越小。
具体地,计算机设备获取上述监测数据对于所述海表流速的变量重要性值,并根据所述变量重要性值得到,所述监测数据中对所述海表流速影响程度较大的数据,作为所述目标监测数据。
S140、将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速。
其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
具体地,计算机设备将所述目标海表流速和所述目标监测数据,输入所述预测模型,进行回归分析,得到所述海表流速。
本实施例中,计算机设备根据当前风场数据获取与所述当前风场数据对应的特征海流模态,获取所述特征海流模态中的历史海表流速,作为目标海表流速,根据监测数据的变量重要性值,获取所述监测数据中对海表流速影响较大的数据,作为目标监测数据,将所述标海表流速与所述目标监测数据输入预设的预测模型,得到所述海表流速。对于所述海表流速的获取是基于实测的对所述海表流速具有影响作用的物理参数,并采用神经网络模型进行海表流速的获取,避免通过基于海洋动力过程的时空离散处理的数值模拟方式中简化模型、设置条件等人为干扰造成的模型模拟误差,提高了获取的海表流速的准确性,以对海洋灾害进行准确的分析,提高沿海地区的人身安全和财产安全。
在一个实施例中,如图2所示,所述S110、根据当前风场数据获取与所述当前风场数据对应的特征海流模态,包括:
S210、获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态。
其中,所述相关性用于表征所述当前风场数据与所述历史风场数据之间数据特征的相似度。
进一步地,可通过相关系数定性式判断所述当前风场数据与所述历史风场数据之间数据特征的相似度。所述相关系数越大,则所述当前风场数据与所述历史风场数据之间数据特征的相似度越高,所述相关系数越小,则所述当前风场数据与所述历史风场数据之间数据特征的相似度越低。
进一步地,属于同一类型的所述海流模态的海表流速具有相同的所述数据特征。
具体地,计算机设备获取与所述当前风场数据的数据特征相似度最大的所述历史风场数据,将该历史风场数据所属的风场模态,作为所述特征风场模态。例如,某近陆海域2013年2月份,3月份的历史风场数据具有相同的数据特征,属于风场模态B1,2013年5月份,6月份,7月份的历史风场数据具有相同的数据特征,属于风场模态B2。所述当前风场数据的采集时间为2019年1月份,计算机设备获取得到与所述当前风场数据特征相似度最大的数据为2013年2月的历史风场数据,则该2013年2月的历史风场数据所属的风场模态B1作为所述特征风场模态。
S220、根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态。
其中,所述对应关系为时间对应关系。具体是风场模态与对应类型的海流模态中数据的采集时刻一一映射对应。
具体地,计算机设备根据预设的时间对应关系获取所述特征风场模态对应的海流模态,作为所述特征海流模态。例如,上述将风场模态B2作为特征风场模态1,即2013年2月份,3月份的历史风场数据属于特征风场模态1,则将2013年2月份,3月份的海表流速对应归属于特征海流模态1,特征风场模态1与特征海流模态1对应。
本实施例中,计算机设备获取与当前风场数据的数据特征相似度最大的历史风场数据,将该历史风场数据所属的风场模态,作为特征风场模态;根据预设的时间对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态。其中,每一所述风场模态中包括具有相同数据特征的历史风场数据,每一所述海流模态中包括具有相同数据特征的历史海表流速,对应的所述风场模态与所述海流模态内的数据在采集时间具有上一一映射的对应关系。由于所述特征风场模态为与所述当前风场数据的数据特征相似度最高的所述历史风场数据所属的风场模态,相应的所述特征风场模态映射对应的所述特征海流模态内的所述历史海表流速数据与所要获取的所述海表流速的数据特征相似度最高,通过所述特征海流模态中的所述历史海表流速获取所述海表流速可进一步提高获取的所述海表流速的准确性。
在一个实施例中,如图3所示,所述S210、获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态,包括:
S310、获取当前风场数据与每一所述历史风场数据之间的均方差。
其中,所述均方差可定量式判断所述当前风场数据与所述历史风场数据之间数据特征的相似度。所述均方差越小,则所述当前风场数据与所述历史风场数据之间数据特征的相似度越高,所述均方差越大,则所述当前风场数据与所述历史风场数据之间数据特征的相似度越低。
进一步地,计算机设备还可同时获取所述当前风场数据与所述历史风场数据之间的所述相关系数和所述均方误差,定性结合定量更加准确地判断所述当前风场数据与所述历史风场数据之间数据特征的相似度。
S320、将得到所述均方差最小的所述历史风场数据所属的所述风场模态,作为所述特征风场模态。
其中,所述均方差最小,则表明两组数据间的数据特征相似度最高。
具体地,计算机设备比较所有所述历史风场数据与所述当前风场数据之间的均方差,获取得到所述均方差最小的所述历史风场数据所述的所述风场模态,作为所述特征风场模态。
本实施例中,通过均方差表征所述当前风场数据与所述历史风场数据之间的相似度,将得到所述均方差最小的所述历史风场数据所属的所述风场模态作为所述特征风场模态。由于所述特征风场模态为与所述当前风场数据的数据特征相似度最高的所述历史风场数据所属的风场模态,相应的所述特征风场模态映射对应的所述特征海流模态内的所述历史海表流速数据与所要获取的所述海表流速的数据特征相似度最高,通过所述特征海流模态中的所述历史海表流速获取所述海表流速可进一步提高获取的所述海表流速的准确性。
在一个实施例中,如图4所示,在所述220、根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态之前,包括:
S410、获取多个时刻的所述历史风场数据和与每个所述历史风场数据时刻对应的所述历史海表流速。
其中,所述历史风场数据为已知风场数据,所述历史海表流速为已知海表流速。所述历史风场数据与所述历史海表流速数据在时间序列上一一映射对应。
S420、对每个时刻的所述历史风场数据和所述历史海表流速采用非监督式机器学习方法进行数据分析,得到所述风场模态和与所述海流模态之间基于时间的所述对应关系。
进一步地,所述非监督式机器学习方法是计算机设备仅基于输入的数据,通过学习自动建立输入与输出映射关系的一种分类方法。
具体地,计算机设备将所述历史风场数据和所述历史海表流速数据合并在一起运用非监督式机器学习训练,对所述历史风场数据和所述历史海表流速数据进行数据降维处理,将所述历史风场数据和所述历史海表流速数据进行数据变化趋势的特征分类,得到预设数量的所述风场模态和与所述风场模态映射对应的所述海流模态。例如,将众多的所述历史风场数据与所述历史海表流速数据进行非监督式机器学习训练,经降维处理和数据变化趋势的特征分类后,得到12个风场模态和与该12个风场模态映射对应的12个海流模态。
本实施例中,采用非监督式机器学习方法对所述历史风场数据和所述历史海表流速数据进行训练,以使所述历史风场数据和所述历史海表流速进行特征分类,得到所述风场模态和与所述风场模态映射对应的所述海流模态。所述非监督式机器学习方法仅基于输入的数据进行分类学习构建不同模态,实现数据的特征分类,无需人为设置相关条件,以此降低分类的误差,以纯数据作为分类依据,通过提高所构建的模态本身的准确性来提高最终获取的所述海表流速的准确性。
在一个实施例中,如图5所示,所述S130、根据监测数据的变量重要性值获取目标监测数据,包括:
S510、获取待测海域的初始监测数据。
其中,所述初始监测数据包括气压数据、地形数据以及水体数据。
进一步地,获取的所述初始监测数据与所要获取的海表流速的时间对应。例如,要获取2020年某近陆海域的海表流速,则对应获取2020年该近陆海域的初始监测数据。
进一步地,所述水体数据包括所述待测海域的水体本身所有的水体物理量数据。例如,潮汐水位、波浪高度、当径流水量以及水体温度等。
具体的,计算机设备可通过相关测试设备或从存储设备或数据库中获取到对应类型的所述初始监测数据。例如,通过当地气象站的气压数据库中获取气压数据。
S520、根据预设时间尺度,对所述初始监测数据进行数据插值,得到所述预设时间尺度的所述监测数据。
其中,所述预设时间尺度即为所要得到的所述海表流速的时间尺度,可通过人为设定。
具体地,由于不同类型的所述监测数据获取的方式、设备不同,存在时间尺度上的差异,计算机设备根据所要获取的所述海表流速的时间尺度,对获得的所述初始监测数据进行数据插值,以获得与所要得到的所述海表流速的时间尺度相同的所述监测数据。例如,要获取所述待测海域2020年一年内的所述海表流速,所述目标时间尺度为10天,而初始监测数据中的潮汐数据的时间尺度为30天,对该潮汐水位采用数据插值的方式进行中间数据预测,得到时间尺度与预设时间尺度相同的所述潮汐水位的数据,作为所述监测数据。以所要获取的所述海表流速的时间尺度作为目标,采用数据插值的处理方式以使所述初始监测数据与所述海表流速的时间尺度统一,提高数据的连贯性和精细度,为获取所述海表流速提供全面的数据支持,从而通过提供数据精细度的方式提高获取的海表流速的准确性。
S530、采用随机森林算法获取所述监测数据对于所述海表流速的所述变量重要性值。
其中,所述随机森林算法是一种包含多个决策树的分类方法,每一个所述决策树可表征一个所述监测数据。根据所述随机森林算法可得到每一个所述监测数据对于所述海表流速的重要性即所述影响程度,具体可通过所述变量重要性值表征。
S540、将获取的所述变量重要性值由大到小排序,得到变量重要性表。
S550、获取所述变量重要性表中至少前两位所述变量重要性值对应的所述监测数据,作为所述目标监测数据。
其中,所述变量重要性值用于表征对应的所述监测数据对于所述海表流速的重要性即影响程度。不同类型的所述监测数据对所述海表流速的影响程度不同,不同数值的相同类型的所述监测数据对所述海表流速的影响程度也不同。
进一步地,所述目标数据包括至少两组所述监测数据,至少两组所述监测数据可以是相同类型的数据,如可以均为风场数据,也可以是不同类型的数据,如可以是一组风场数据,一组潮汐水位。
具体地,计算机设备采用随机森林算法获取所述监测数据中对于所述海表流速的变量重要性值,并将获取的所述变量重要性值由大到小排序,得到所述监测数据对于所述海表流速的变量重要性表,获取所述变量重要性表中至少前两位所述变量重要性值所对应的所述监测数据,作为所述目标监测数据。计算机设备也可以采用预设变量重要性阈值的方式获取所述目标监测数据,如获取所述变量重要性表中大于所述变量重要性阈值的所述变量重要性值所对应的所述监测数据,作为所述目标监测数据。
本实施例中,通过所述监测数据对于海表流速的变量重要性值确定所述监测数据中对所述海表流速具有较大影响程度的数据,作为所述目标监测数据,以获取所述海表流速,从而去除对所述海表流速影响程度小的数据,以减少为获取所述海表流速需要的数据量,提高数据处理效率,从而整体上提高所述海表流速获取方法的获取效率。
在一个实施例中,如图6所示,在所述S140、将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速之前,所述预测模型的训练过程包括:
S610、将所述预测训练数据划分为训练集、验证集以及测试集。
具体地,计算机设备将所述预测训练数据按照一定比例,如6∶2∶2划分为训练集、验证集以及测试集。
S620、分别采用所述训练集和所述验证集输对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型。
具体地,计算机设备多次将所有所述训练集输入所述初始预测模型,根据每一次所述初始预测模型中的损失函数,调节所述初始预测模型中的模型参数,每训练一次就调节一次所述模型参数,以确定所述初始预测模型中的模型参数,实现对所述初始预测模型的多次训练。计算机设备将所有所述验证集输入每次训练后的所述初始预测模型,根据一次次得到的所述初始预测模型中的损失函数的变化情况,确定所述初始预测模型中的训练是否停止,实现对所述初始预测模型的验证,得到所述预测模型。
S630、将所述测试集输入所述预测模型,根据所述预测模型预测结果的准确率确定所述预测模型是否准确。
其中,所述预测结果的准确率为由所述测试集输入所述预测模型得到的预测海表流速与所述测试集对应的实际海表流速得出的准确率。
若所述预测结果的准确率大于等于预设的准确率阈值,则确定所述预测模型准确,执行所述将所述特征海流模态中的历史海表流速数据和所述当前其他数据输入预测模型,得到所述海表流速的步骤。
若所述预测结果的准确率小于所述预设的准确率阈值,则确定所述预测模型不准确,并对所述初始预测模型进行重新训练,执行所述将所述预测训练数据分为训练集、验证集以及测试集的步骤。
具体地,计算机设备将所有所述测试集输入验证后的所述预测模型,根据所述测试集输入所述预测模型后得到的预测海表流速和实际海表流速,得到所述预测模型预测结果的准确率。根据所述预测结果的准确率确定所述预测模型是可以使用,或是需要重新训练。
其中,当所述预测结果的准确率大于或等于所述预设的准确率阈值时,所述预测模型可以使用,则执行S140。
当所述预测结果的准确率小于所述预设的准确率阈值时,所述预测模型不稳定,需要对所述初始预测模型进行重新训练,则执行S610或S620,直至新的所述预测结果的准确率大于或等于所述预设的准确率阈值,则得到所述预测模型。
本实施例中,将所述训练数据分为训练集、验证集以及测试集,采用所述训练集对所述初始预测模型中的普通参数进行训练,再采用所述验证集对训练后的所述初始预测模型进行验证,从而得到输出结果准确率最高的所述初始预测模型,作为所述预测模型,在采用所述测试集对所述预测模型进行测试,以进一步确定所述预测模型是准确可用还是需要重新训练。对所述初始预测模型的训练、验证和测试,提高了通过所述预测模型获取所述海表流速的可靠性和准确性。
在一个实施例中,如图7所示,所述S620、分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型,包括:
S710、将所述训练集中的训练数据输入所述初始预测模型,根据所述训练集对应的所述实际海表流速,调整所述初始预测模型中的所述模型参数,得到调整预测模型。
具体地,计算机设备向所述初始预测模型输入所述训练集中的训练数据,得到所述初始预测模型输出的训练海表流速,并根据所述训练集时间段对应的所述实际海表流速得到的两者的均方误差,根据所述均方误差调整所述初始预测模型中的普通参数,实现对所述初始预测模型的一次训练,再将所述训练集中的所有数据输入调整所述普通参数后的所述初始预测模型,再次得到均方误差,再根据再次得到均方误差调整所述初始预测模型中的普通参数,从而实现对所述初始预测模型的多次训练,得到多个所述调整预测模型。
S720、将所述验证集中的训练数据输入所述调整预测模型,得到验证海表流速。
S730、获取所述验证海表流速与所述验证集对应的所述实际海表流速之间的均方误差。
S740、将对应所述均方误差最小的所述调整预测模型作为所述预测模型。
具体地,计算机设备将所述验证集中的训练数据输入每次训练得到所述调整预测模型,得到所述调整预测模型输出的验证海表流速,并根据所述验证集时间段对应的所述实际海表流速得到的两者的均方误差,比较每一所述调整预测模型之间得到的所述均方误差的变化情况,直至所述均方误差不再下降即最小时,则停止对所述初始预测模型的训练,并将所述均方误差最小时对应的所述调整预测模型作为所述预测模型。
本实施例中,采用所述训练集对所述初始预测模型进行训练,调整所述初始预测模型中的模型参数,得到所述调整预测模型,通过所述验证集对所述调整预测模型进行验证,以均方误差最小来确定准确率最高的所述调整预测模型作为最终的所述预测模型。所述均方误差由所述验证集输入所述调整预测模型得到的验证海表流速和所述验证集时间段对应的实际海表流速得到,采用均方误差作为所述预测模型的损失函数,根据所述均方误差的变化情况可准确确定对模型的训练是否可以结束,所述均方误差的获取过程简便,运算量小,有利于根据所述均方误差筛选得到准确率最高的所述预测模型,从而进一步地提高获取的所述海表流速的准确性。
应该理解的是,虽然图1-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种海表流速获取装置,所述海表流速获取装置800包括:映射模块810,第一目标获取模块820、第二目标获取模块830以及预测模块840,其中:
所述映射模块810用于根据当前风场数据获取与所述当前风场数据对应的特征海流模态;
所述第一目标获取模块820用于获取所述特征海流模态中的历史海表流速,作为目标海表流速;
所述第二目标获取模块830用于根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
所述预测模块840用于将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
在一个实施例中,所述映射模块810还用于:
获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态;
根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态;其中,所述对应关系为时间对应关系。
在一个实施例中,所述映射模块810还用于:
获取当前风场数据与每一所述历史风场数据之间的均方差;
将得到所述均方差最小的所述历史风场数据所属的所述风场模态,作为所述特征风场模态。
在一个实施例中,所述映射模块810还用于:
获取多个时刻的所述历史风场数据和与每个所述历史风场数据时刻对应的所述历史海表流速;
对每个时刻的所述历史风场数据和所述历史海表流速采用非监督式机器学习方法进行数据分析,得到所述风场模态和与所述海流模态之间基于时间的所述对应关系。
在一个实施例中,所述第二目标获取模块830还用于:
获取待测海域的初始监测数据;其中,所述初始监测数据包括当前气压数据、当前地形数据以及水体数据;
根据预设时间尺度,对所述初始监测数据进行数据插值,得到所述预设时间尺度的所述监测数据;
采用随机森林算法获取所述监测数据对于所述海表流速的所述变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述监测数据,作为所述目标监测数据。
在一个实施例中,所述海表流速获取装置还包括:
训练模块,用于将所述预测训练数据划分为训练集、验证集以及测试集;
分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型;
将所述测试集输入所述预测模型,根据所述预测模型预测结果的准确率确定所述预测模型是否准确;其中,所述预测结果的准确率为由所述测试集输入所述预测模型得到的预测海表流速与所述测试集对应的实际海表流速得出的准确率;
若所述预测结果的准确率大于等于预设的准确率阈值,则确定所述预测模型准确,执行所述将所述目标海表流速和目标监测数据输入预设的预测模型,得到所述海表流速的步骤;
若所述预测结果的准确率小于所述预设的准确率阈值,则确定所述预测模型不准确,并对所述初始预测模型进行重新训练,执行所述将所述预测训练数据分为训练集、验证集以及测试集的步骤。
在一个实施例中,所述训练模块还用于
将所述训练集中的训练数据输入所述初始预测模型,根据所述训练集对应的所述实际海表流速,调整所述初始预测模型中的所述模型参数,得到调整预测模型;
将所述验证集中的训练数据输入所述调整预测模型,得到验证海表流速;
获取所述验证海表流速与所述验证集对应的所述实际海表流速之间的均方误差;
将对应所述均方误差最小的所述调整预测模型作为所述预测模型。
关于海表流速获取装置的具体限定可以参见上文中对于海表流速获取方法的限定,在此不再赘述。上述海表流速获取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储获取海表流速的环境数据和水体数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种海表流速获取方法。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
根据当前风场数据获取与所述当前风场数据对应的特征海流模态;
获取所述特征海流模态中的历史海表流速,作为目标海表流速;
根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态;
根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态;其中,所述对应关系为时间对应关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取当前风场数据与每一所述历史风场数据之间的均方差;
将得到所述均方差最小的所述历史风场数据所属的所述风场模态,作为所述特征风场模态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取多个时刻的所述历史风场数据和与每个所述历史风场数据时刻对应的所述历史海表流速;
对每个时刻的所述历史风场数据和所述历史海表流速采用非监督式机器学习方法进行数据分析,得到所述风场模态和与所述海流模态之间基于时间的所述对应关系。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取待测海域的初始监测数据;其中,所述初始监测数据包括当前气压数据、当前地形数据以及水体数据;
根据预设时间尺度,对所述初始监测数据进行数据插值,得到所述预设时间尺度的所述监测数据;
采用随机森林算法获取所述监测数据对于所述海表流速的所述变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述监测数据,作为所述目标监测数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述预测训练数据划分为训练集、验证集以及测试集;
分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型;
将所述测试集输入所述预测模型,根据所述预测模型预测结果的准确率确定所述预测模型是否准确;其中,所述预测结果的准确率为由所述测试集输入所述预测模型得到的预测海表流速与所述测试集对应的实际海表流速得出的准确率;
若所述预测结果的准确率大于等于预设的准确率阈值,则确定所述预测模型准确,执行所述将所述目标海表流速和目标监测数据输入预设的预测模型,得到所述海表流速的步骤;
若所述预测结果的准确率小于所述预设的准确率阈值,则确定所述预测模型不准确,并对所述初始预测模型进行重新训练,执行所述将所述预测训练数据分为训练集、验证集以及测试集的步骤。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将所述训练集中的训练数据输入所述初始预测模型,根据所述训练集对应的所述实际海表流速,调整所述初始预测模型中的所述模型参数,得到调整预测模型;
将所述验证集中的训练数据输入所述调整预测模型,得到验证海表流速;
获取所述验证海表流速与所述验证集对应的所述实际海表流速之间的均方误差;
将对应所述均方误差最小的所述调整预测模型作为所述预测模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
根据当前风场数据获取与所述当前风场数据对应的特征海流模态;
获取所述特征海流模态中的历史海表流速,作为目标海表流速;
根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态;
根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态;其中,所述对应关系为时间对应关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取当前风场数据与每一所述历史风场数据之间的均方差;
将得到所述均方差最小的所述历史风场数据所属的所述风场模态,作为所述特征风场模态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取多个时刻的所述历史风场数据和与每个所述历史风场数据时刻对应的所述历史海表流速;
对每个时刻的所述历史风场数据和所述历史海表流速采用非监督式机器学习方法进行数据分析,得到所述风场模态和与所述海流模态之间基于时间的所述对应关系。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取待测海域的初始监测数据;其中,所述初始监测数据包括当前气压数据、当前地形数据以及水体数据;
根据预设时间尺度,对所述初始监测数据进行数据插值,得到所述预设时间尺度的所述监测数据;
采用随机森林算法获取所述监测数据对于所述海表流速的所述变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述监测数据,作为所述目标监测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述预测训练数据划分为训练集、验证集以及测试集;
分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型;
将所述测试集输入所述预测模型,根据所述预测模型预测结果的准确率确定所述预测模型是否准确;其中,所述预测结果的准确率为由所述测试集输入所述预测模型得到的预测海表流速与所述测试集对应的实际海表流速得出的准确率;
若所述预测结果的准确率大于等于预设的准确率阈值,则确定所述预测模型准确,执行所述将所述目标海表流速和目标监测数据输入预设的预测模型,得到所述海表流速的步骤;
若所述预测结果的准确率小于所述预设的准确率阈值,则确定所述预测模型不准确,并对所述初始预测模型进行重新训练,执行所述将所述预测训练数据分为训练集、验证集以及测试集的步骤。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将所述训练集中的训练数据输入所述初始预测模型,根据所述训练集对应的所述实际海表流速,调整所述初始预测模型中的所述模型参数,得到调整预测模型;
将所述验证集中的训练数据输入所述调整预测模型,得到验证海表流速;
获取所述验证海表流速与所述验证集对应的所述实际海表流速之间的均方误差;
将对应所述均方误差最小的所述调整预测模型作为所述预测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种海表流速获取方法,其特征在于,所述方法包括:
根据当前风场数据获取与所述当前风场数据对应的特征海流模态;其中,每一海流模态中包括相同数据特征的历史海表流速;所述特征海流模态为与所述当前风场数据具有采集时间对应关系的海表流速所属的海流模态;
获取所述特征海流模态中的历史海表流速,作为目标海表流速;
根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
2.根据权利要求1所述的方法,其特征在于,所述根据当前风场数据获取与所述当前风场数据对应的特征海流模态,包括:
获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态;其中,每一风场模态中包括相同数据特征的历史风场数据;
根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态;其中,所述对应关系为时间对应关系。
3.根据权利要求2所述的方法,其特征在于,所述获取与当前风场数据的相关性最大的历史风场数据所属的风场模态,作为特征风场模态,包括:
获取当前风场数据与每一所述历史风场数据之间的均方差;
将得到所述均方差最小的所述历史风场数据所属的所述风场模态,作为所述特征风场模态。
4.根据权利要求2所述的方法,其特征在于,根据预设的对应关系获取所述特征风场模态对应的海流模态,作为特征海流模态之前,包括:
获取多个时刻的所述历史风场数据和与每个所述历史风场数据时刻对应的所述历史海表流速;
对每个时刻的所述历史风场数据和所述历史海表流速采用非监督式机器学习方法进行数据分析,得到所述风场模态和与所述海流模态之间基于时间的所述对应关系。
5.根据权利要求1所述的方法,其特征在于,所述根据监测数据的变量重要性值获取目标监测数据,包括:
获取待测海域的初始监测数据;其中,所述初始监测数据包括当前气压数据、当前地形数据以及水体数据;
根据预设时间尺度,对所述初始监测数据进行数据插值,得到所述预设时间尺度的所述监测数据;
采用随机森林算法获取所述监测数据对于所述海表流速的所述变量重要性值;
将获取的所述变量重要性值由大到小排序,得到变量重要性表;
获取所述变量重要性表中至少前两位所述变量重要性值对应的所述监测数据,作为所述目标监测数据。
6.根据权利要求1所述的方法,其特征在于,所述预测模型的训练过程包括:
将所述预测训练数据划分为训练集、验证集以及测试集;
分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型;
将所述测试集输入所述预测模型,根据所述预测模型预测结果的准确率确定所述预测模型是否准确;其中,所述预测结果的准确率为由所述测试集输入所述预测模型得到的预测海表流速与所述测试集对应的实际海表流速得出的准确率;
若所述预测结果的准确率大于等于预设的准确率阈值,则确定所述预测模型准确,执行所述将所述目标海表流速和目标监测数据输入预设的预测模型,得到所述海表流速的步骤;
若所述预测结果的准确率小于所述预设的准确率阈值,则确定所述预测模型不准确,并对所述初始预测模型进行重新训练,执行所述将所述预测训练数据分为训练集、验证集以及测试集的步骤。
7.根据权利要求6所述的方法,其特征在于,所述分别采用所述训练集和所述验证集对初始预测模型进行训练和验证,确定所述初始预测模型中的模型参数,得到所述预测模型,包括:
将所述训练集中的训练数据输入所述初始预测模型,根据所述训练集对应的所述实际海表流速,调整所述初始预测模型中的所述模型参数,得到调整预测模型;
将所述验证集中的训练数据输入所述调整预测模型,得到验证海表流速;
获取所述验证海表流速与所述验证集对应的所述实际海表流速之间的均方误差;
将对应所述均方误差最小的所述调整预测模型作为所述预测模型。
8.一种海表流速获取装置,其特征在于,所述装置包括:
映射模块,用于根据当前风场数据获取与所述当前风场数据对应的特征海流模态;其中,每一海流模态中包括相同数据特征的历史海表流速;所述特征海流模态为与所述当前风场数据具有采集时间对应关系的海表流速所属的海流模态;
第一目标获取模块,用于获取所述特征海流模态中的历史海表流速,作为目标海表流速;
第二目标获取模块,用于根据监测数据的变量重要性值获取目标监测数据;其中,所述变量重要性值用于表征所述监测数据对于海表流速的影响程度;
预测模块,用于将所述目标海表流速和所述目标监测数据输入预设的预测模型,得到所述海表流速;其中,所述预测模型为采用预测训练数据训练得到的神经网络模型,所述预测训练数据包括历史海表流速和与历史海表流速时间对应的监测数据。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076256.6A CN111288973B (zh) | 2020-01-23 | 2020-01-23 | 海表流速获取方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076256.6A CN111288973B (zh) | 2020-01-23 | 2020-01-23 | 海表流速获取方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111288973A CN111288973A (zh) | 2020-06-16 |
CN111288973B true CN111288973B (zh) | 2021-09-24 |
Family
ID=71023367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076256.6A Active CN111288973B (zh) | 2020-01-23 | 2020-01-23 | 海表流速获取方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111288973B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768047B (zh) * | 2020-07-04 | 2022-05-27 | 江苏工程职业技术学院 | 一种基于多特征数据、多模型的水流速度预测方法 |
CN113869350B (zh) * | 2021-08-04 | 2023-10-27 | 中山大学 | 基于空间特征差异的海流预测方法以及系统 |
CN113945729A (zh) * | 2021-10-14 | 2022-01-18 | 吴平勇 | 一种基于渠道垂直切面的平均流速计算方法 |
CN117390593B (zh) * | 2023-12-12 | 2024-03-22 | 国家卫星海洋应用中心 | 一种基于辐射计数据的海表参量确定方法以及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN109935338A (zh) * | 2019-03-07 | 2019-06-25 | 平安科技(深圳)有限公司 | 基于机器学习的数据预测处理方法、装置和计算机设备 |
CN110517219A (zh) * | 2019-04-01 | 2019-11-29 | 刘泉 | 一种基于深度学习的角膜地形图判别方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102478584B (zh) * | 2010-11-26 | 2014-10-15 | 香港理工大学 | 基于小波分析的风电场风速预测方法及系统 |
CN108733702B (zh) * | 2017-04-20 | 2020-09-29 | 北京京东尚科信息技术有限公司 | 用户查询上下位关系提取的方法、装置、电子设备和介质 |
US20190286990A1 (en) * | 2018-03-19 | 2019-09-19 | AI Certain, Inc. | Deep Learning Apparatus and Method for Predictive Analysis, Classification, and Feature Detection |
CN108875185A (zh) * | 2018-06-06 | 2018-11-23 | 牟林 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
CN110008388A (zh) * | 2019-03-27 | 2019-07-12 | 东北大学 | 一种基于决策树的流数据分类方法 |
-
2020
- 2020-01-23 CN CN202010076256.6A patent/CN111288973B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104408900A (zh) * | 2014-11-10 | 2015-03-11 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
CN109376913A (zh) * | 2018-09-30 | 2019-02-22 | 北京市天元网络技术股份有限公司 | 降水量的预测方法及装置 |
CN109935338A (zh) * | 2019-03-07 | 2019-06-25 | 平安科技(深圳)有限公司 | 基于机器学习的数据预测处理方法、装置和计算机设备 |
CN110517219A (zh) * | 2019-04-01 | 2019-11-29 | 刘泉 | 一种基于深度学习的角膜地形图判别方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于TerraSAR-X卫星数据的内孤立波参数和海表流速信息提取的探索研究;曾智,李晓明,任永政,陈学恩;《海洋学报》;20200115;第42卷(第1期);摘要,正文第96-97页 * |
基于星载SAR多普勒速度反演海表流场算法的研究;张夏容,黄云仙,赵现斌;《气象水文海洋仪器》;20160315;第33卷(第1期);第1-7页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111288973A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111288973B (zh) | 海表流速获取方法、装置、计算机设备和存储介质 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
Bardossy et al. | Fuzzy rule-based downscaling of precipitation | |
CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
Labati et al. | A decision support system for wind power production | |
CN113409167B (zh) | 一种水质异常分析方法及装置 | |
CN112287294B (zh) | 一种基于深度学习的时空双向土壤含水量插值方法 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
Ukkonen et al. | Evaluation of thunderstorm predictors for Finland using reanalyses and neural networks | |
CN111639803A (zh) | 一种应用于气候变化情景下区域未来植被指数的预估方法 | |
CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
CN109670549A (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
Silva et al. | A modelling framework to predict bat activity patterns on wind farms: An outline of possible applications on mountain ridges of North Portugal | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN111832653A (zh) | 基于XGboost算法的避雷器缺陷诊断方法及系统 | |
CN116760017A (zh) | 一种光伏发电的预测方法 | |
CN117055136A (zh) | 基于随机森林的逐日气象要素空间插值方法、系统及设备 | |
CN115907204A (zh) | 麻雀搜索算法优化bp神经网络的林木蒸腾耗水预测方法 | |
Lucio et al. | Spatiotemporal monthly rainfall reconstruction via artificial neural network–case study: south of Brazil | |
Euán et al. | Statistical analysis of multi‐day solar irradiance using a threshold time series model | |
Feldmann et al. | Statistical postprocessing of ensemble forecasts for temperature: The importance of spatial modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |