CN111476824A - 海表面温度预测方法、装置及计算机可读存储介质 - Google Patents
海表面温度预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111476824A CN111476824A CN202010271843.0A CN202010271843A CN111476824A CN 111476824 A CN111476824 A CN 111476824A CN 202010271843 A CN202010271843 A CN 202010271843A CN 111476824 A CN111476824 A CN 111476824A
- Authority
- CN
- China
- Prior art keywords
- flow velocity
- surface temperature
- seawater
- sea water
- sea surface
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000013535 sea water Substances 0.000 claims abstract description 141
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000009792 diffusion process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/269—Analysis of motion using gradient-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本申请公开了一种海表面温度预测方法、装置及计算机可读存储介质。其中,方法包括预先基于神经网络的光流速预测算法构建并训练好用于输出目标海水区域的流速值的海水流速预估模型;将当前时刻和当前时刻的前一时刻的海水表面温度值输入至海水流速预估模型中,得到当前时刻的海水流速值;基于预先构建的海水温度变化关系,海水温度变化关系为相邻时刻海水表面温度与海水流速间的对应关系,根据当前时刻的海水流速值计算得到当前时刻的下一时刻的海水表面温度值,从而实现对海水表面温度的预测,有效地提高了海水表面温度预测的准确度和海水表面温度的预测效率。
Description
技术领域
本申请涉及预估海水表面温度技术领域,特别是涉及一种海表面温度预测方法、装置及计算机可读存储介质。
背景技术
海表面温度为影响海面水气交换和热通量的一个重要因素,海表面温度的变化主要受到海洋的热力过程、动力过程以及海气相互作用的影响。通过海表面温度,可以研究海洋环流、海水混合、厄尔尼诺现象、全球变暖现象及台风等,有助于预测诸如台风等。
目前实时海表面温度主要通过反演卫星遥感数据得到,即得到的观测资料。而海表面温度的预测一般是通过数值模式数值求解的方法得到。相关技术通过利用长短期记忆网络(LSTM,Long Short-TermMemory)来实现海表面温度的预测。长短期记忆网络为一种时间循环神经网络,是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的,所有的RNN都具有一种重复神经网络模块的链式形式。
尽管长短期记忆网络可准确预测时间序列,但是海水温度为一个流体,其每时每刻都是在运动的。在下一个时刻,海水的可能已经运动到其他的位置,因此对于区域的海水温度的预测,对某一位置的海水温度,使用时间序列的神经网络模型来预测就有很多的不确定性,导致预测得到的海表面温度准确度不高。
发明内容
本申请提供了一种海表面温度预测方法、装置及计算机可读存储介质,有效地提高了海表面温度的预测准确度。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种海表面温度预测方法,包括:
将当前时刻和所述当前时刻的前一时刻的海水表面温度值输入至海水流速预估模型中,得到所述当前时刻的海水流速值;所述海水流速预估模型为预先基于神经网络的光流速预测算法构建并训练的网络模型,用于输出目标海水区域的流速值;
基于预先构建的海水温度变化关系,根据所述海水流速值计算得到所述当前时刻的下一时刻的海水表面温度值;所述海水温度变化关系为相邻时刻海水表面温度与海水流速间的对应关系。
可选的,所述海水温度变化关系为:
式中,T为温度,t为时间,为海水水平平流项,▽h·(Ah·▽h·T)为温度水平扩散项;Ah为水平扩散系数,x,y分别为经纬度坐标值,为水平方向h上的速度矢量值,▽h为水平方向h上的梯度算子,v、u分别为径向流速和纬向流速。
可选的,所述海水流速预估模型的训练样本集中的样本数据为卫星遥感数据反演得到的观测数据;所述海水流速预估模型的训练过程包括:
对所述训练样本集中的样本数据进行预处理,得到去除波动变化的训练样本集;
对去除波动变化的训练样本集进行归一化处理,得到归一化样本数据。
可选的,所述对去除波动变化的训练样本集进行归一化处理,得到归一化样本数据包括:
计算所述训练样本集中的样本数据的均值和均方差;
依次将所述训练样本集中的每个样本数据减去均值,得到去除均值的训练样本集;
依次将去除均值的训练样本集中的每个样本数据除以均方差,得到归一化样本数据。
可选的,所述对所述训练样本集中的样本数据进行预处理,得到去除波动变化的训练样本集包括:
所述训练样本集包括多个子数据集,每个子数据集包括固定预设时间段的观测数据;
分别计算各子数据集的均值,将每个子数据集中的样本数据减去相应子数据集的均值,得到去除波动变化的训练样本集。
可选的,所述海水流速预估模型包括输入层、卷积神经网络模块、反卷积神经网络模块和输出层;
所述输入层为4层;所述卷积神经网络模块用于将通过所述输入层输入的待处理图像进行缩小并提取特征图信息;所述反卷积神经网络用于将所述卷积神经网络模块输出的图像进行尺寸扩大以与所述待处理图像尺寸相同;所述输出层为2层。
可选的,所述海水流速预估模型的学习速率为1e-4,且所述海水流速预估模型每次训练所选取的样本数目为64。
本发明实施例另一方面提供了一种海表面温度预测装置,包括:
模型预构建模块,用于预先基于神经网络的光流速预测算法构建并训练的网络模型,用于输出目标海水区域的流速值;
海水流速值计算模块,用于将当前时刻和所述当前时刻的前一时刻的海水表面温度值输入至海水流速预估模型中,得到所述当前时刻的海水流速值;
温度预测模块,用于基于预先构建的海水温度变化关系,根据所述海水流速值计算得到所述当前时刻的下一时刻的海水表面温度值;所述海水温度变化关系为相邻时刻海水表面温度与海水流速间的对应关系。
本发明实施例还提供了一种海表面温度预测装置,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述海表面温度预测方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有海表面温度预测程序,所述海表面温度预测程序被处理器执行时实现如前任一项所述海表面温度预测方法的步骤。
本申请提供的技术方案的优点在于,将每一时刻的海表面温度看做为一张图像,将光流速预测算法及机器学习结合起来预测海水流速,不需要更多的考虑海水温度和流速之间的非线性关系,可以更快的提升计算效率;在计算得到目标区域的海水流速后,在基于海水流速和海水温度之间的关系预测下一时刻的温度值,相对于现有技术在预测的准确性上和预测效率上均有了提升,有效地提高了海表面温度的预测准确度。
此外,本发明实施例还针对海表面温度预测方法提供了相应的实现装置及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种海表面温度预测方法的流程示意图;
图2为本发明实施例提供的海表面温度预测装置的一种具体实施方式结构图;
图3为本发明实施例提供的海表面温度预测装置的另一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种海表面温度预测方法的流程示意图,本发明实施例可包括以下内容:
S101:预先基于神经网络的光流速预测算法构建并训练得到海水流速预估模型。
在本申请中,海水流速预估模型用于根据输入的温度值经过模型处理后输出目标海水区域的流速值。温度值至少包括两个时间点,例如当前时刻、当前时刻的前一时刻,为了提高模型输出准确度,输入温度值可为当前时刻t、t-1、t-2和t-4,输出的为当前时刻t的流速值。
可以理解的是,海水是流动的,海水表面温度跟海水流速相关。可以将每一时刻的海表面温度看做为一张图像,该图像的长度和宽度为待预测海水表面温度所在区域的经度和纬度,可使用例如卷积神经网络实现光流预测原理构建模型作为一种基于图像的参数预测方法来进行海水流速的预测,从而用于后续准确预测海水表面温度。在使用海水流速预估模型预测流速的过程中,通过训练得到流速,在训练过程中需要确定卷积核的大小,输入图像的个数,输出图像的个数等参数,从而使预报海表面温度可以更加的准确。
S102:预先构建海水温度变化关系。
其中,海水温度变化关系为相邻时刻海水表面温度与海水流速间的对应关系。在一种可选实施方式中,在与地面平行的水平面方向h上,海水温度变化关系可表示为:
式中,T为温度,t为时间,为海水水平平流项,▽h·(Ah·▽h·T)为温度水平扩散项;Ah为水平扩散系数,x,y分别为经纬度坐标值,为水平方向h上的速度矢量值,▽h为水平方向h上的梯度算子,v、u分别为径向流速和纬向流速。
S103:将当前时刻和当前时刻的前一时刻的海水表面温度值输入至海水流速预估模型中,得到当前时刻的海水流速值。
当然,在该步骤中,输入海水流速预估模型中温度值至少为两个相邻时刻的温度值,当然也可为多组相邻时刻的温度值,海水流速预估模型输出的是这多个时刻值中最迟的一个时间点的海水流速值。例如海水流速预估模型输入的可为t、t-1、t-2和t-4的温度值,输出则为t的海水流速值。
S104:基于预先构建的海水温度变化关系,根据海水流速值计算得到当前时刻的下一时刻的海水表面温度值。
本申请中通过数值求解得到海水温度与流速的关系,从而计算得到下一时刻的海水温度。
在本发明实施例提供的技术方案中,将每一时刻的海表面温度看做为一张图像,将光流速预测算法及机器学习结合起来预测海水流速,不需要更多的考虑海水温度和流速之间的非线性关系,可以更快的提升计算效率;在计算得到目标区域的海水流速后,在基于海水流速和海水温度之间的关系预测下一时刻的温度值,相对于现有技术在预测的准确性上和预测效率上均有了提升,有效地提高了海表面温度的预测准确度。
为了提高模型预设精度,海水流速预估模型的训练样本集中的样本数据可为卫星遥感数据反演得到的观测数据,由于是使用观测资料进行预测分析,得到的模型更为接近实际值,模型输出的流速值的准确度越高。举例来说,海水流速预估模型的训练样本集中的样本数据可为南海海域、水平分辨率为1/12°、时间分辨率为1天的海域数据,如可为2016年1月1日到2019年10月30日的海洋模型实际观测数据,以保证有足够的训练数据。模型在训练过程中包括训练样本集和验证样本集,训练样本集用于作为模型训练数据,验证样本集用于作为模型效果验证数据。例如可将2016年1月1日到2018年12月31日的海水温度数据的80%作为训练数据,这段时间的海水温度数据的20%作为验证数据。海水流速预估模型的训练过程包括数据处理、数据读取、模型参数选择、模型训练、模型验证、模型测试和测试结果分析,若测试结果分析为模型训练精度达不到预设精度,则重新进行模型训练直至模型训练精度达到预设精度。
其中,数据处理过程可包括对训练样本集中的样本数据进行预处理,得到去除波动变化的训练样本集;对去除波动变化的训练样本集进行归一化处理,得到归一化样本数据。在一种可选的实施方式,对去除波动变化的训练样本集进行归一化处理,得到归一化样本数据可包括:
计算训练样本集中的样本数据的均值和均方差;
依次将训练样本集中的每个样本数据减去均值,得到去除均值的训练样本集;
依次将去除均值的训练样本集中的每个样本数据除以均方差,得到归一化样本数据。
可选的,对训练样本集中的样本数据进行预处理,得到去除波动变化的训练样本集可包括:
训练样本集包括多个子数据集,每个子数据集包括固定预设时间段的观测数据;
分别计算各子数据集的均值,将每个子数据集中的样本数据减去相应子数据集的均值,得到去除波动变化的训练样本集。
也就是说,在数据处理过程中,数据归一化即每一个值都去掉均值,并除以均方差,得到均一化的数据。因为是短期的预测,那么在数据归一化之前应该对数据进行处理,去掉年变化和年际变化。通常的有两种方法,一种是每个月的数据减掉每个月的均值,一种是使用滤波器,去掉12个月以上的波动变化。
在本发明实施例的模型选择过程中,可预先构建合适的海水流速预估模型,取t时刻和t+1时刻的海温作为输入,经过合适的卷积神经网络组成的收缩部分将图像缩小,用以提取各自的特征图。再加入一些反卷积的神经网络,即扩大层,用以使得图像大小与原始图像大小的尺寸相同。最终得到的图像即为温度的变化速度,也即本申请中的海水流速。可选的,海水流速预估模型包括输入层、卷积神经网络模块、反卷积神经网络模块和输出层。输入层可为4层;卷积神经网络模块可用于将通过输入层输入的待处理图像进行缩小并提取特征图信息;反卷积神经网络可用于将卷积神经网络模块输出的图像进行尺寸扩大以与待处理图像尺寸相同;输出层可为2层。海水流速预估模型的学习速率可为1e-4,且海水流速预估模型每次训练所选取的样本数目可为64。
在模型参数选择后,将训练样本数据输入至海水流速预估模型中进行训练,得到训练好的模型。可将一个大的区域分成40块小的区域,此处需要把带陆地的区域去除,每块区域的网格数为64*64,那么用于训练的样本数可为365*4*40*80%=46720,验证的样本数可为365*4*40*20%=11680,用于测试的样本数可为304*40=12160。
在一种实施方式中,海水流速预估模型的实施步骤可通过Python代码实现,深度学习平台可为pyTorch。pyTorch是一个深度学习平台,能够提供最大的灵活型和速度。使用pyTorch进行神经网络分析。对训练用数据进行神经网络训练后,可以得到海水流速预估模型。最后,将验证样本集中的验证所用的验证数据输入到该海水流速预估模型中进行验证,验证模型的准确性,验证数据的准确性使用损失函数来计算。
需要说明的是,本申请中各步骤之间没有严格的先后执行顺序,只要符合逻辑上的顺序,则这些步骤可以同时执行,也可按照某种预设顺序执行,图1只是一种示意方式,并不代表只能是这样的执行顺序。
本发明实施例还针对海表面温度预测方法提供了相应的装置,进一步使得所述方法更具有实用性。其中,装置可从功能模块的角度和硬件的角度分别说明。下面对本发明实施例提供的海表面温度预测装置进行介绍,下文描述的海表面温度预测装置与上文描述的海表面温度预测方法可相互对应参照。
基于功能模块的角度,参见图2,图2为本发明实施例提供的海表面温度预测装置在一种具体实施方式下的结构图,该装置可包括:
模型预构建模块201,用于预先基于神经网络的光流速预测算法构建并训练的网络模型,用于输出目标海水区域的流速值。
海水流速值计算模块202,用于将当前时刻和当前时刻的前一时刻的海水表面温度值输入至海水流速预估模型中,得到当前时刻的海水流速值。
温度预测模块203,用于基于预先构建的海水温度变化关系,根据海水流速值计算得到当前时刻的下一时刻的海水表面温度值;海水温度变化关系为相邻时刻海水表面温度与海水流速间的对应关系。
可选的,在本实施例的一些实施方式中,所述模型预构建模块201可以包括数字处理子模块,所述数字处理子模块包括:
预处理单元,用于对训练样本集中的样本数据进行预处理,得到去除波动变化的训练样本集;
归一化处理单元,用于对去除波动变化的训练样本集进行归一化处理,得到归一化样本数据。
在本实施例的一些实施方式中,所述预处理单元具体可用于分别计算各子数据集的均值,将每个子数据集中的样本数据减去相应子数据集的均值,得到去除波动变化的训练样本集;训练样本集包括多个子数据集,每个子数据集包括固定预设时间段的观测数据。
在本实施例的其他一些实施方式中,所述归一化处理单元具体可用于计算训练样本集中的样本数据的均值和均方差;依次将训练样本集中的每个样本数据减去均值,得到去除均值的训练样本集;依次将去除均值的训练样本集中的每个样本数据除以均方差,得到归一化样本数据。
本发明实施例所述海表面温度预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效地提高了海表面温度的预测准确度。
上文中提到的海表面温度预测装置是从功能模块的角度描述,进一步的,本申请还提供一种海表面温度预测装置,是从硬件角度描述。图3为本申请实施例提供的另一种海表面温度预测装置的结构图。如图3所示,该装置包括存储器30,用于存储计算机程序;
处理器31,用于执行计算机程序时实现如上述实施例提到的海表面温度预测方法的步骤。
其中,处理器31可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器31可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器31也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器31可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器31还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器30可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器30还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器30至少用于存储以下计算机程序301,其中,该计算机程序被处理器31加载并执行之后,能够实现前述任一实施例公开的海表面温度预测方法的相关步骤。另外,存储器30所存储的资源还可以包括操作系统302和数据303等,存储方式可以是短暂存储或者永久存储。其中,操作系统302可以包括Windows、Unix、Linux等。数据303可以包括但不限于海表面温度预测结果对应的数据等。
在一些实施例中,海表面温度预测装置还可包括有显示屏32、输入输出接口33、通信接口34、电源35以及通信总线36。
本领域技术人员可以理解,图3中示出的结构并不构成对海表面温度预测装置的限定,可以包括比图示更多或更少的组件,例如传感器37。
本发明实施例所述海表面温度预测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效地提高了海表面温度的预测准确度。
可以理解的是,如果上述实施例中的海表面温度预测方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、磁碟或者光盘等各种可以存储程序代码的介质。
基于此,本发明实施例还提供了一种计算机可读存储介质,存储有海表面温度预测程序,所述海表面温度预测程序被处理器执行时如上任意一实施例所述海表面温度预测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例有效地提高了海表面温度的预测准确度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以上对本申请所提供的一种海表面温度预测方法、装置及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
Claims (10)
1.一种海表面温度预测方法,其特征在于,包括:
将当前时刻和所述当前时刻的前一时刻的海水表面温度值输入至海水流速预估模型中,得到所述当前时刻的海水流速值;所述海水流速预估模型为预先基于神经网络的光流速预测算法构建并训练的网络模型,用于输出目标海水区域的流速值;
基于预先构建的海水温度变化关系,根据所述海水流速值计算得到所述当前时刻的下一时刻的海水表面温度值;所述海水温度变化关系为相邻时刻海水表面温度与海水流速间的对应关系。
3.根据权利要求1所述的海表面温度预测方法,其特征在于,所述海水流速预估模型的训练样本集中的样本数据为卫星遥感数据反演得到的观测数据;所述海水流速预估模型的训练过程包括:
对所述训练样本集中的样本数据进行预处理,得到去除波动变化的训练样本集;
对去除波动变化的训练样本集进行归一化处理,得到归一化样本数据。
4.根据权利要求3所述的海表面温度预测方法,其特征在于,所述对去除波动变化的训练样本集进行归一化处理,得到归一化样本数据包括:
计算所述训练样本集中的样本数据的均值和均方差;
依次将所述训练样本集中的每个样本数据减去均值,得到去除均值的训练样本集;
依次将去除均值的训练样本集中的每个样本数据除以均方差,得到归一化样本数据。
5.根据权利要求3所述的海表面温度预测方法,其特征在于,所述对所述训练样本集中的样本数据进行预处理,得到去除波动变化的训练样本集包括:
所述训练样本集包括多个子数据集,每个子数据集包括固定预设时间段的观测数据;
分别计算各子数据集的均值,将每个子数据集中的样本数据减去相应子数据集的均值,得到去除波动变化的训练样本集。
6.根据权利要求1至5任意一项所述的海表面温度预测方法,其特征在于,所述海水流速预估模型包括输入层、卷积神经网络模块、反卷积神经网络模块和输出层;
所述输入层为4层;所述卷积神经网络模块用于将通过所述输入层输入的待处理图像进行缩小并提取特征图信息;所述反卷积神经网络用于将所述卷积神经网络模块输出的图像进行尺寸扩大以与所述待处理图像尺寸相同;所述输出层为2层。
7.根据权利要求6所述的海表面温度预测方法,其特征在于,所述海水流速预估模型的学习速率为1e-4,且所述海水流速预估模型每次训练所选取的样本数目为64。
8.一种海表面温度预测装置,其特征在于,包括:
模型预构建模块,用于预先基于神经网络的光流速预测算法构建并训练的网络模型,用于输出目标海水区域的流速值;
海水流速值计算模块,用于将当前时刻和所述当前时刻的前一时刻的海水表面温度值输入至海水流速预估模型中,得到所述当前时刻的海水流速值;
温度预测模块,用于基于预先构建的海水温度变化关系,根据所述海水流速值计算得到所述当前时刻的下一时刻的海水表面温度值;所述海水温度变化关系为相邻时刻海水表面温度与海水流速间的对应关系。
9.一种海表面温度预测装置,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7任一项所述海表面温度预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有海表面温度预测程序,所述海表面温度预测程序被处理器执行时实现如权利要求1至7任一项所述海表面温度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271843.0A CN111476824A (zh) | 2020-04-08 | 2020-04-08 | 海表面温度预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010271843.0A CN111476824A (zh) | 2020-04-08 | 2020-04-08 | 海表面温度预测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476824A true CN111476824A (zh) | 2020-07-31 |
Family
ID=71750622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010271843.0A Withdrawn CN111476824A (zh) | 2020-04-08 | 2020-04-08 | 海表面温度预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476824A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114384269A (zh) * | 2021-12-27 | 2022-04-22 | 中国科学院南海海洋研究所 | 一种基于温度观测数据反演海洋流速的方法及系统 |
-
2020
- 2020-04-08 CN CN202010271843.0A patent/CN111476824A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114384269A (zh) * | 2021-12-27 | 2022-04-22 | 中国科学院南海海洋研究所 | 一种基于温度观测数据反演海洋流速的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Olmedo et al. | Comparison of simulation models in terms of quantity and allocation of land change | |
Braakmann-Folgmann et al. | Sea level anomaly prediction using recurrent neural networks | |
Beveridge et al. | A geostatistical approach to optimize water quality monitoring networks in large lakes: Application to Lake Winnipeg | |
CN112085056B (zh) | 目标检测模型生成方法、装置、设备及存储介质 | |
CN111476824A (zh) | 海表面温度预测方法、装置及计算机可读存储介质 | |
CN112598657B (zh) | 缺陷检测方法、装置、模型构造方法和计算机设备 | |
CN110163287A (zh) | 一种中尺度涡检测方法及装置 | |
CN113253364B (zh) | 一种对站点风速预报结果进行订正的方法及装置 | |
CN112215525A (zh) | 一种湖库水质反演及可视化评价方法 | |
CN112233734B (zh) | 基于机器学习的水质数据推演获取方法及系统 | |
JP2011501308A (ja) | フィンガープリントにおける特異点の分析のための方法およびシステム | |
CN112180369B (zh) | 基于深度学习的一维综合孔径辐射计海面风速反演方法 | |
CN114067019A (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
CN112800955A (zh) | 基于加权双向特征金字塔的遥感影像旋转目标检测方法及系统 | |
CN111428419A (zh) | 悬浮泥沙浓度预测方法、装置、计算机设备和存储介质 | |
CN106556877A (zh) | 一种地磁通化方法及装置 | |
Sharma et al. | ResDeepD: A residual super-resolution network for deep downscaling of daily precipitation over India | |
CN113537023B (zh) | 一种遥感影像语义变化检测方法 | |
Li et al. | Spatially simplified scatterplots for large raster datasets | |
Ferreira et al. | A framework for upscaling and modelling fluid flow for discrete fractures using conditional generative adversarial networks | |
Wan et al. | Random Interpolation Resize: A free image data augmentation method for object detection in industry | |
CN110852974B (zh) | 图像抗锯齿处理方法、图像生成器的训练方法及装置 | |
Pietropolli et al. | GANs for integration of deterministic model and observations in marine ecosystem | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
Yang et al. | Predictor selection for CNN-based statistical downscaling of monthly precipitation |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200731 |