CN112099110B - 基于机器学习和遥感数据的海洋内波预报方法 - Google Patents

基于机器学习和遥感数据的海洋内波预报方法 Download PDF

Info

Publication number
CN112099110B
CN112099110B CN202010978182.5A CN202010978182A CN112099110B CN 112099110 B CN112099110 B CN 112099110B CN 202010978182 A CN202010978182 A CN 202010978182A CN 112099110 B CN112099110 B CN 112099110B
Authority
CN
China
Prior art keywords
internal wave
remote sensing
internal
wave
model
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
Application number
CN202010978182.5A
Other languages
English (en)
Other versions
CN112099110A (zh
Inventor
张旭东
李晓峰
高乐
任沂斌
刘颖洁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Oceanology of CAS
Original Assignee
Institute of Oceanology of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute of Oceanology of CAS filed Critical Institute of Oceanology of CAS
Priority to CN202010978182.5A priority Critical patent/CN112099110B/zh
Publication of CN112099110A publication Critical patent/CN112099110A/zh
Application granted granted Critical
Publication of CN112099110B publication Critical patent/CN112099110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • G01C13/002—Measuring the movement of open water
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Hydrology & Water Resources (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明提供了一种基于机器学习和遥感数据的海洋内波预报方法，首先获取含有内波特征的遥感图像数据，进行预处理，提取得到内波的空间信息和时间信息，构建内波准同步遥感图像样本库；然后基于所述内波准同步遥感图像样本库，利用卷积神经网络的多维信息融合和卷积长短期记忆网络构建内波传播预报模型建立海洋内波预报模型：预报模型的输入为环境因素，包括水深、海洋分层、密度差，和内波因素，包括内波尺度、内波的初始波峰线位置数据；预报模型的输出为内波的预报波峰线位置数据。本发明利用机器学习的强非线性映射能力和多模态融合能力来开展内波遥感大数据挖掘，实现了内波的及时准确预报。

Description

基于机器学习和遥感数据的海洋内波预报方法
技术领域
本发明属于海洋观测技术领域，具体涉及一种基于机器学习和遥感数据的海洋内波预报方法。
背景技术
内波在海洋内部生成和传播，其振幅最大可达240m，波峰线长达几百公里，可以在海洋中传播数百上千公里，并在全球海洋中广泛分布。内波的传播对海洋工程、生态和军事具有重要影响，已经成为学者研究的热点问题。遥感观测具有全天时、全天候、大幅宽的优势，因此多源遥感观测已经成为内波研究的一种重要手段。有学者已利用遥感图像在内波的时空分布、生成、传播及参数反演等方面开展了相关的研究，提高了我们对内波的认识和理解。随着多源遥感卫星的发射和遥感技术的发展，越来越多具有高时间和高空分辨率的的遥感数据可用于内波的研究。利用多源遥感数据可以研究内波从生成、传播到耗散消失整个生命周期的传播演变过程。目前大多数的遥感数据都可以免费下载，为内波的研究提供了数据源保证。
关于内波的传播预报的研究较少，Jackson根据南海内波与吕宋海峡西向最大流速的关系建立了经验关系，通过估计内波在发生源的生成时间来估计传播时间，但在水深少于1000m的地方的误差较大，因为模型的相速度和水深的关系在较浅的区域不适用了。采用经验方法也无法分析内波折射和绕射传播的准确位置，只能估计内波的大致传播位置。经验方法需要对内波的生成源有较为准备的理解，对于多生成源、内波交叉传播的情况，无法开展预报。Zhang等利用SUNTANS模型研究A、B型内波的动力特征，但需要高性能计算机长时间的计算(水平网格1km，垂向分辨率10m，需要250核计算机计算一个周)。
因此基于现有的模型方法无法对内波开展长时间、及时、准确的传播预报。
发明内容
本发明的目的是提供一种基于机器学习和遥感数据的海洋内波预报方法，通过多维度因素分析以实现内波及时、准确的预报，用以弥补现有技术的不足。
本发明利用遥感数据开展内波的传播预测研究。内波通过对海面微尺度波的调制作用在遥感图像上成像，利用遥感图像可以大范围的获取高时空分辨率的海洋内波图像，为内波的传播研究提供数据源。另外，内波的传播还受多维度因素的影响，如内波尺度、水深、海水温盐分布等，利用现有手段均无法对多维度的因素开展分析。
为达到上述目的，本发明采取的具体技术方案为：
一种基于机器学习和遥感数据的海洋内波预报方法，具体步骤如下：
(1)基于遥感图像构建内波准同步图像样本库
获取含有内波特征的遥感图像数据，进行预处理，提取得到内波的空间信息和时间信息，构建内波准同步遥感图像样本库；
(2)构建海洋内波预报模型
基于所述内波准同步遥感图像样本库，利用卷积神经网络(CNN)的多维信息融合和卷积长短期记忆网络(ConvLSTM)构建内波传播预报模型建立海洋内波预报模型：预报模型的输入为环境因素，包括水深、海洋分层、密度差，和内波因素，包括内波尺度、内波的初始波峰线位置数据；预报模型的输出为内波的预报波峰线位置数据。
进一步的，所述海洋内波预报方法还包括步骤(3)内波预报模型验证和优化：利用独立验证数据集对构建的内波预报模型开展验证，并针对验证结果，调整模型参数不断优化内波预报模型，最终得到高精度的海洋内波预报模型。
进一步的，所述步骤(1)具体为：首先搜集Himawari-8、MODIS、OLCI、NPP和Sentinel-1等多源卫星遥感图像数据，从中筛选出无云或少云的遥感图像，对搜集的图像开展几何校正等预处理，挑选有明显内波信息的遥感图像提取内波位置信息，构建内波波峰线位置的矢量文件，根据图像的获取时间和内波的位置进行时空匹配，构建内波准同步遥感图像样本库。
进一步的，所述步骤(2)，具体为：
S1：将所述环境因素和内波因素输入不同的卷积神经网络通道，通过卷积核分别提取其特征，最后融合得到t时刻的三维张量作为ConvLSTM模型的输入；
内波在海洋中传播同时包含了时间上的位置移动和空间上的波峰线结构变化，因此内波传播预报是时空序列的预测问题，既要考虑时序特征，也要考虑空间局部特征，利用ConvLSTM来建立内波传播预报模型，ConvLSTM模型是长短期记忆网络(LSTM)模型的扩展，在LSTM模型的基础上加上卷积操作之后，能够对影响内波传播的时间和空间关系进行一体化提取。
S2：考虑到不同历史时刻的内波位置对即将预测的内波位置的贡献是不同的，因此对不同时刻内波的位置赋予不同的权重，引入attention机制，在ConvLSTM每一步输出Ht-n和目标输出Ht+2间建立注意力分配机制：对目标贡献大的时刻(时间间隔短的位置)分配较高的注意力值，贡献小的时刻(时间间隔长的位置)分配较小注意力值，注意力值由模型在训练过程中自动学习获得，能够刻画不同时刻的内波位置对预测目标的差异化贡献；
其中，内波的非线性传播速度表示为：
Figure BDA0002686555100000031
其中，g表示重力加速度，Δρ表示上下层海水密度差，h1(h2)表示上(下)层海水深度，ρ表示平均密度，α为非线性系数，η为内波振幅；
S3：根据步骤(1)的构建内波准同步遥感图像样本库，作为训练数据训练模型，输入参数为t0,t1...tn时刻内波的位置，迭代预报tn+1,tn+2...时刻的内波位置，输出为tn+1时刻内波的位置。
进一步的，所述步骤(3)中：将模型预报的内波位置与遥感实测的内波位置进行比较，根据结果反馈至模型再调试模型参数，优化模型，最终得到准确的内波预报模型；
设定两个指标来定量衡量内波传播预报的结果，第一个指标是预报位置和遥感实测位置的均方根误差(RMSE)：
Figure BDA0002686555100000032
其中，ypre表示模型输出的内波位置，yrs表示遥感观测的内波位置(真值)，m表示沿内波波峰线的取样点数；
内波在遥感图像上主要表现为亮暗相间的曲线条纹，带有一定的弧度，因此第二个衡量指标是弗雷歇距离(Fréchet Distance，简称FD)，用于衡量两条曲线的相似度，计算公式表示为：
Figure BDA0002686555100000033
其中，A和B分别表示模型预测的内波波峰线和遥感观测的真实内波波峰线，α和β是单位区间的两个重参数化函数。
本发明的优点和有益效果：
本发明利用机器学习的强非线性映射能力和多模态融合能力来开展内波遥感大数据挖掘，实现了内波的准确预报。本发明针对性选取了影响内波位置的多个背景场因素，为了解决多维相关数据的融合问题，采用多通道空间卷积的方法来实现内波初始位置和背景场数据的融合；本发明还引入注意力机制，用于刻画不同时刻的内波位置对预测目标的差异化贡献。
附图说明
图1为本发明的技术路线图。
图2为本发明基于ConvLSTM的内波传播预报模型构建框图。
图3为ConvLSTM的空间特征提取示意图。
图4为ConvLSTM的时间特征提取示意图。
图5为实施例1中南海内波波峰线位置示例图。
图6为实施例2中安达曼海内波传播预测结果图。
具体实施方式
以下通过具体实施例并结合附图对本发明进一步解释和说明。
实施例1：
一种基于机器学习和遥感数据的海洋内波预报方法，具体步骤如下(技术路线如图1所示)：
(1)基于遥感图像构建内波准同步图像样本库
搜集Himawari-8、MODIS、OLCI、NPP和Sentinel-1等多源遥感图像数据构建内波的准同步遥感图像样本库。首先针对搜集多源卫星遥感图像数据，从中筛选出无云或少云(针对光学遥感图像)的遥感图像；其次挑选有明显内波信息的遥感图像提取内波位置信息，构建内波波峰线位置的矢量文件；最后根据图像的获取时间和内波的位置进行时空匹配，得到准同步的内波遥感图像样本库。
(2)复杂影响条件下海洋内波预报算法研究
基于步骤(1)建立的数据库构建南海内波预报模型技术路线如图2所示，该部分主要包含基于多通道空间卷积的多维信息融合和基于卷积长短期记忆网络(ConvLSTM)的内波传播预报模型构建两部分工作；内波的非线性传播速度可以表示为：
Figure BDA0002686555100000041
其中，g表示重力加速度，Δρ表示上下层海水密度差，h1(h2)表示上(下)层海水深度，ρ表示平均密度，α为非线性系数，η为内波振幅；内波在海洋中传播受背景场因素，如水深、海洋分层、密度差(两层假设下)和内波因素，如内波的尺度(包括长度和宽度)共同影响。
将不同的背景场因素输入不同的卷积神经网络(CNN)通道，通过卷积核分别提取其特征，最后融合得到t时刻的三维张量作为ConvLSTM模型的输入；
内波在海洋中传播同时包含了时间上的位置移动和空间上的波峰线结构变化，因此内波传播预报是时空序列的预测问题，既要考虑时序特征，也要考虑空间局部特征，利用ConvLSTM来建立内波传播预报模型，ConvLSTM模型是长短期记忆网络(LSTM)模型的扩展，在LSTM模型的基础上加上卷积操作之后，能够对影响内波传播的时间和空间关系进行一体化提取。
首先通过多通道CNN实现内波要素和背景场信息的融合，内波初始位置及背景场信息通过不同的CNN网络提取空间特征后进行融合；不同时刻获取的内波波峰线位置与背景场融合后的三维张量输入ConvLSTM网络进行下一时刻的预测。内波在遥感图像主要表现为亮暗相间的条纹，因此利用卷积神经网络来提取其空间信息。图3为结合了CNN提取空间特征和LSTM提取时间特征的示意图。
利用LSTM可以实现内波时间序列特征的提取。如图4所示，LSTM的记忆块包含了遗忘门、输入门、输出门和单元状态。遗忘门的Sigmoid层控制让多少信息通过遗忘门，其次通过输入门的Sigmoid层和tanh层决定在单元状态中保存哪些信息，最后通过输出门决定要输出单元状态的哪些部分。LSTM模型不仅仅只利用当前的输入Xt来决定输出的信息，同时可以接受上一步Xt-1对应的输出和单元状态来决定当前的输出。因此，LSTM可以提取时间序列中的前后依赖关系。内波在海洋中的传播是长时间序列的传播，例如南海的内波从生成、深海传播到在大陆架破碎约要3天的时间，通过多源遥感数据的相互补充和结合，可以得到较高时间分辨率的内波位置分布，如Himawari-8可以提供时间分辨率为10min的观测数据，因此利用LSTM模型来充分利用内波的不同历史时刻的位置信息来开展内波的传播预报。
考虑到不同历史时刻的内波位置对即将预测的内波位置的贡献是不同的，因此要对不同时刻内波的位置赋予不同的权重，引入attention机制，在ConvLSTM每一步输出Ht-n和目标输出Ht+2间建立注意力分配机制：对目标贡献大的时刻(时间间隔短的位置)分配较高的注意力值，贡献小的时刻(时间间隔长的位置)分配较小注意力值，注意力值由模型在训练过程中自动学习获得，可以刻画不同时刻的内波位置对预测目标的差异化贡献。
根据构建的内波准同步遥感图像样本库完成带时间标签的内波位置的样本，利用这些样本作为训练数据来训练模型；输入参数为t0,t1...tn时刻内波的位置，输出为tn+1时刻内波的位置；基于构建的样本库完成模型训练后，可以迭代预报tn+1,tn+2...时刻的内波位置。
(3)基于遥感观测的内波预报模型验证和优化
基于步骤(2)构建的内波预报模型，利用遥感实际观测数据开展验证；利用遥感图像获取的内波位置作为输入，如图5中南海内波t1,t2时刻的内波波峰线位置，利用建立的预报模型预报下一个潮周期内波的位置，t3时刻内波波峰线的位置；将模型预报的位置与遥感实测的位置进行比较，根据结果反馈至模型再调试模型参数，优化模型，最终得到准确的内波预报模型。
另外，设定两个指标来定量衡量内波传播预报的结果，第一个指标是预报位置和遥感实测位置的均方根误差(RMSE)：
Figure BDA0002686555100000061
其中，ypre表示模型输出的内波位置，yrs表示遥感观测的内波位置(真值)，m表示沿内波波峰线的取样点数。RMSE主要用来衡量模型预测值与真实值之间的偏差。
内波在遥感图像上主要表现为亮暗相间的曲线条纹，带有一定的弧度，因此第二个衡量指标是弗雷歇距离，衡量两条曲线的相似度。FD距离的计算公式可表示为：
Figure BDA0002686555100000062
其中，A和B分别表示模型预测的内波波峰线和遥感观测的真是内波波峰线曲线，α和β是单位区间的两个重参数化函数。FD距离会同时考虑两条曲线的形态和空间距离，因此可以作为模型预报内波波峰线位置和形态的重要指标。
实施例2：安达曼海部分海区内的内波传播预测实验
利用2017年1月29日MODIS图像观测的安达曼海内波传播对本算法进行验证。该遥感图像观测到两条内波在安达曼海传播，时间间隔是一个半日潮周期(12.42h)，因此用第一条作为算法的输入，测试经过12.42h后算法的预测结果与遥感观测结果是否吻合。
具体验证过程同实施例1。
首先利用ENVI等遥感图像处理软件从遥感图像上提取观测到内波的位置，将收集到的背景场和内波因素输入至实施例1构建的内波预测模型中，输出t+1时刻内波的位置。
将模型预报的内波位置与遥感实测的内波位置进行比较，预测结果如图6所示，其中实线表示遥感观测结果，虚线表示本算法输出的预测结果，以遥感观测内波初始位置为第一条内波的波峰线位置(作为算法的输入)，利用实施例1中模型预测内波在4.14h、8.28h、12.42h和16.56h的位置，可以发现经过12.42h后，利用本发明构建模型预测的内波波峰线位置与遥感观测的结果吻合良好，且经过预测精度计算：RMSE为1.79km，FD距离为10.28km。
该实施例说明了本发明提供的内波预测模型预测内波位置精度较高，能够实现内波的及时准确预测。

Claims (4)

1.一种基于机器学习和遥感数据的海洋内波预报方法，其特征在于，具体步骤如下：
(1)基于遥感图像构建内波准同步图像样本库
获取含有内波特征的遥感图像数据，进行预处理，提取得到内波的空间信息和时间信息，构建内波准同步遥感图像样本库；
(2)构建海洋内波预报模型
基于所述内波准同步遥感图像样本库，利用卷积神经网络的多维信息融合和卷积长短期记忆网络构建内波传播预报模型建立海洋内波预报模型：预报模型的输入为环境因素，包括水深、海洋分层、密度差，和内波因素，包括内波尺度、内波的初始波峰线位置数据；预报模型的输出为内波的预报波峰线位置数据；该步骤具体为：
S1：将所述环境因素和内波因素输入不同的卷积神经网络通道，通过卷积核分别提取其特征，最后融合得到t时刻的三维张量作为ConvLSTM模型的输入；
S2：考虑到不同历史时刻的内波位置对即将预测的内波位置的贡献是不同的，因此对不同时刻内波的位置赋予不同的权重，引入attention机制，在ConvLSTM每一步输出Ht-n和目标输出Ht+2间建立注意力分配机制：对目标贡献大的时刻分配较高的注意力值，贡献小的时刻分配较小注意力值，注意力值由模型在训练过程中自动学习获得，能够刻画不同时刻的内波位置对预测目标的差异化贡献；
其中，内波的非线性传播速度表示为：
Figure FDA0003050770070000011
其中，g表示重力加速度，Δρ表示上下层海水密度差，h1(h2)表示上(下)层海水深度，ρ表示平均密度，α为非线性系数，η为内波振幅；
S3：根据步骤(1)的构建内波准同步遥感图像样本库，作为训练数据训练模型，输入参数为t0,t1...tn时刻内波的位置，迭代预报tn+1,tn+2...时刻的内波位置，输出为tn+1时刻内波的位置。
2.如权利要求1所述的海洋内波预报方法，其特征在于，该方法还包括步骤(3)内波预报模型验证和优化：利用独立验证数据集对构建的内波预报模型开展验证，并针对验证结果，调整模型参数不断优化内波预报模型，最终得到高精度的海洋内波预报模型。
3.如权利要求1所述的海洋内波预报方法，其特征在于，所述步骤(1)中，通过Himawari-8、MODIS、OLCI、NPP和Sentinel-1多源卫星获取遥感图像数据，图像预处理方式为几何校正。
4.如权利要求1所述的海洋内波预报方法，其特征在于，所述步骤(3)中，设定两个指标来定量衡量内波传播预报的结果，第一个指标是预报位置和遥感实测位置的均方根误差(RMSE)：
Figure FDA0003050770070000021
其中，ypre表示模型输出的内波位置，yrs表示遥感观测的内波位置，m表示沿内波波峰线的取样点数；
第二个衡量指标是弗雷歇距离，用于衡量两条曲线的相似度，计算公式表示为：
Figure FDA0003050770070000022
其中，A和B分别表示模型预测的内波波峰线和遥感观测的真实内波波峰线，α和β是单位区间的两个重参数化函数。
CN202010978182.5A 2020-09-17 2020-09-17 基于机器学习和遥感数据的海洋内波预报方法 Active CN112099110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010978182.5A CN112099110B (zh) 2020-09-17 2020-09-17 基于机器学习和遥感数据的海洋内波预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010978182.5A CN112099110B (zh) 2020-09-17 2020-09-17 基于机器学习和遥感数据的海洋内波预报方法

Publications (2)

Publication Number Publication Date
CN112099110A CN112099110A (zh) 2020-12-18
CN112099110B true CN112099110B (zh) 2021-06-22

Family

ID=73759826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010978182.5A Active CN112099110B (zh) 2020-09-17 2020-09-17 基于机器学习和遥感数据的海洋内波预报方法

Country Status (1)

Country Link
CN (1) CN112099110B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255240B (zh) * 2021-03-05 2022-09-30 河海大学 动力条件约束的海洋内波振幅遥感反演方法
CN113063737B (zh) * 2021-03-26 2022-05-10 福州大学 结合遥感与浮标数据的海洋热含量遥感反演方法
SE545371C2 (en) * 2021-05-06 2023-07-18 Candela Tech Ab Method and controller unit for controlling motion of a hydrofoil watercraft
CN113297801B (zh) * 2021-06-15 2022-10-14 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN114186483B (zh) * 2021-11-30 2022-09-06 广州赋安数字科技有限公司 一种融合浮标数据和海洋卫星遥感图像的反演方法
CN114234934B (zh) * 2021-12-16 2024-01-09 中国人民解放军国防科技大学 一种非均匀空间分辨率星载微光成像仪的海洋内波监测方法及系统
CN114529830B (zh) * 2022-01-19 2024-09-13 重庆邮电大学 基于混合卷积网络遥感图像时空融合方法
CN114638441B (zh) * 2022-05-18 2022-08-16 环球数科集团有限公司 一种基于卫星遥感影像的洋流监测及预警系统
CN114942480B (zh) * 2022-05-24 2023-12-12 国家海洋信息中心 基于信息感知注意力动态协同网络的海洋站风速预报方法
CN115113303B (zh) * 2022-06-21 2023-10-31 天津大学 基于元学习的厄尔尼诺极端天气预警方法及装置
CN115950618B (zh) * 2023-01-29 2023-09-05 广东海洋大学 一种基于斜压模态的海上平台内孤立波预警方法
CN117168545A (zh) * 2023-10-30 2023-12-05 自然资源部第一海洋研究所 一种基于浮标端本地识别的海洋现象观测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253385A (zh) * 2010-05-21 2011-11-23 中国科学院电子学研究所 基于合成孔径雷达图像和内波模型的海洋内波预测方法
CN110363327A (zh) * 2019-06-04 2019-10-22 东南大学 基于ConvLSTM和3D-CNN的短临降水预测方法
CN111639791A (zh) * 2020-05-11 2020-09-08 同济大学 交通流预测方法、系统、存储介质及终端

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102253385A (zh) * 2010-05-21 2011-11-23 中国科学院电子学研究所 基于合成孔径雷达图像和内波模型的海洋内波预测方法
CN110363327A (zh) * 2019-06-04 2019-10-22 东南大学 基于ConvLSTM和3D-CNN的短临降水预测方法
CN111639791A (zh) * 2020-05-11 2020-09-08 同济大学 交通流预测方法、系统、存储介质及终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Combination of Satellite Observations and Machine Learning Method for Internal Wave Forecast in the Sulu and Celebes Seas;Xudong Zhang 等;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20200716;1-11 *
Issues and Progress in the Prediction of Ocean Submesoscale Features and Internal Waves;Timothy F. Duda 等;《2014 Oceans-St.John’s》;IEEE;20140919;1-9 *
基于长短期记忆网络－卷积神经网络( LSTM-CNN) 的北京市PM2. 5浓度预测;于伸庭 等;《环境工程》;20200630;第38卷(第6期);176-180 *

Also Published As

Publication number Publication date
CN112099110A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112099110B (zh) 基于机器学习和遥感数据的海洋内波预报方法
CN111859054B (zh) 气象卫星数据的处理方法及装置
CN114399073A (zh) 一种基于深度学习的海洋表面温度场预测方法
CN116665067B (zh) 基于图神经网络的找矿靶区优选系统及其方法
CN112446559A (zh) 一种基于深度学习的大范围地面沉降时空预测方法和系统
Liu et al. HLSTM: Heterogeneous long short-term memory network for large-scale InSAR ground subsidence prediction
CN116822185B (zh) 基于hasm的日降水数据空间模拟方法和系统
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能系统
CN117113854B (zh) 一种基于ConvLSTM和三维数值模拟的咸潮预报方法
CN117520718B (zh) 一种感潮河流水文数据的处理方法及系统
CN114417693A (zh) 一种基于深度学习的海洋三维温度场反演方法
CN117688313A (zh) 一种网络协同处理测绘数据的方法
CN110321528B (zh) 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法
CN113901348A (zh) 一种基于数学模型的钉螺分布影响因素识别与预测方法
Guerrero-Rodriguez et al. Improving landslide prediction by computer vision and deep learning
Dong et al. RETRACTED ARTICLE: Research on North Gulf distributed big data submarine 3D terrain computing system based on remote sensing and multi-beam
Han et al. Deep learning–based stochastic modelling and uncertainty analysis of fault networks
Choe et al. Downscaling of MODIS land surface temperature to LANDSAT scale using multi-layer perceptron
Ma et al. A Method for Establishing Tropospheric Atmospheric Refractivity Profile Model Based on Multiquadric RBF and k-means Clustering
Kulik et al. Lagrangian characteristics in the western North Pacific help to explain variability in Pacific saury fishery
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
Li et al. A review of spatiotemporal super-resolution mapping for remote sensing data fusion
Zhang Deep learning-based hybrid short-term solar forecast using sky images and meteorological data
Hao et al. A practical prediction model for surface deformation of open-pit mine slopes based on artificial intelligence
Xiao et al. A Genetic Algorithm–Assisted Deep Neural Network Model for Merging Microwave and Infrared Daily Sea Surface Temperature Products

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