CN112711878B - 一种近岸精细化浪高数值预报方法、装置、设备和介质 - Google Patents

一种近岸精细化浪高数值预报方法、装置、设备和介质 Download PDF

Info

Publication number
CN112711878B
CN112711878B CN202011565428.2A CN202011565428A CN112711878B CN 112711878 B CN112711878 B CN 112711878B CN 202011565428 A CN202011565428 A CN 202011565428A CN 112711878 B CN112711878 B CN 112711878B
Authority
CN
China
Prior art keywords
data
wave height
training
historical
ecmwf
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
CN202011565428.2A
Other languages
English (en)
Other versions
CN112711878A (zh
Inventor
陈庆勇
吴嘉祥
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.)
Wushi Fujian Technology Co ltd
Original Assignee
Wushi Fujian Technology Co ltd
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 Wushi Fujian Technology Co ltd filed Critical Wushi Fujian Technology Co ltd
Priority to CN202011565428.2A priority Critical patent/CN112711878B/zh
Publication of CN112711878A publication Critical patent/CN112711878A/zh
Application granted granted Critical
Publication of CN112711878B publication Critical patent/CN112711878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F23/00—Indicating or measuring liquid level or level of fluent solid material, e.g. indicating in terms of volume or indicating by means of an alarm
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供一种近岸精细化浪高数值预报方法、装置、设备和介质，方法包括：将浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；构建基本的BP神经网络模型；将训练数据投入基本的BP神经网络模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳，之后保留训练好的矫正模型；将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，转成.nc文件；将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据，在原本ECMWF有效浪高网格数据基础上，通过BP神经网络算法以实测浮标数据进行矫正，输出了新的有效浪高网格数据。

Description

一种近岸精细化浪高数值预报方法、装置、设备和介质
技术领域
本发明涉及计算机技术领域，特别涉及一种近岸精细化浪高数值预报方法、装置、设备和介质。
背景技术
欧洲中期天气预报中心(European Centre for Medium-Range WeatherForecasts简称ECMWF)是一个包括34个国家支持的国际性组织，是当今全球独树一帜的国际性天气预报研究和业务机构。ECMWF能提供海浪模式、对流格式、辐射格式等海洋气象预报产品。其中海浪预报与天气、海洋预报都来自同一全球系统模式下，预报产品为有效开展有效浪高、平均海浪期、平均海浪方向等变量预测提供了确定性和概率性信息，预报时间为3小时，该产品为全球针对浪场的预警决策起到关键性的作用。但是ECMWF海浪模式是以全球为研究对象进行跟踪预报，小区域近岸的用户对该数据不免存在该海浪模式分辨率低，网格数值精度粗糙问题。
发明内容
本发明要解决的技术问题，在于提供一种近岸精细化浪高数值预报方法、装置、设备和介质，在原本ECMWF有效浪高网格数据基础上，通过BP神经网络算法以实测浮标数据进行矫正，输出了新的有效浪高网格数据。
第一方面，本发明提供了一种近岸精细化浪高数值预报方法，包括：
步骤1、将浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；
步骤2、构建基本的BP神经网络模型；
步骤3、将训练数据投入基本的BP神经网络模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳，之后保留训练好的矫正模型；
步骤4、将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，转成.nc文件；
步骤5、将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据。
进一步地，所述步骤1进一步具体为：对浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；空间匹配原则，以各浮标站点经纬度与所在有效浪高网格数据网格点行列号进行对应；时间匹配原则，以各浮标站点实测时间与有效浪高网格数据网格点预报时间进行对应；把历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数据作为模型训练的特征值，浮标数据作为模型训练的目标值，以浮标实测数据矫正预报网格数据，最终梳理成预测3小时，预测12小时，预测24小时，预测36小时，预测48小时5组特征值及目标值。
进一步地，所述步骤3进一步具体为：将每组特征值及目标值投入基本的BP神经网络模型进行迭代训练设定次epochs，在训练集和验证集的损失loss趋于平稳记录最后拟合R2值；得到预测3小时矫正模型、预测12小时矫正模型、预测24小时矫正模型、预测36小时矫正模型以及预测48小时矫正模型。
进一步地，所述步骤4进一步具体为：将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，分辨率由原本0.125度的数据插值成分辨率0.025度网格数据，转成.nc文件，并将预报时间类型记录属性。
进一步地，所述步骤5进一步具体为：将.nc文件输入对应预报时间类型的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报。
第二方面，本发明提供了一种近岸精细化浪高数值预报装置，包括：
获取训练数据模块，将浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；
构建模型模块，构建基本的BP神经网络模型；
训练模型模块，将训练数据投入基本的BP神经网络模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳，之后保留训练好的矫正模型；
获取实时数据模块，将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，转成.nc文件；
获取预测数据模块，将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据。
进一步地，所述获取训练数据模块进一步具体为：对浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；空间匹配原则，以各浮标站点经纬度与所在有效浪高网格数据网格点行列号进行对应；时间匹配原则，以各浮标站点实测时间与有效浪高网格数据网格点预报时间进行对应；把历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数据作为模型训练的特征值，浮标数据作为模型训练的目标值，以浮标实测数据矫正预报网格数据，最终梳理成预测3小时，预测12小时，预测24小时，预测36小时，预测48小时5组特征值及目标值。
进一步地，所述训练模型模块进一步具体为：将每组特征值及目标值投入基本的BP神经网络模型进行迭代训练设定次epochs，在训练集和验证集的损失loss趋于平稳记录最后拟合R2值；得到预测3小时矫正模型、预测12小时矫正模型、预测24小时矫正模型、预测36小时矫正模型以及预测48小时矫正模型；
所述获取实时数据模块进一步具体为：将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，分辨率由原本0.125度的数据插值成分辨率0.025度网格数据，转成.nc文件，并将预报时间类型记录属性；
所述获取预测数据模块进一步具体为：将.nc文件输入对应预报时间类型的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报。
第三方面，本发明提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
第四方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本申请实施例提供的方法、装置、设备和介质，在原本ECMWF有效浪高网格数据基础上，通过BP神经网络算法以实测浮标数据进行矫正，输出了新的有效浪高网格数据。本发明在保留ECMWF有效浪高网格数据多时段预报功能同时，采用AI算法即保留数值精度又提高了沿岸网格精细化。近岸精细化浪高数值预报产品可以更有效提高职能部门对沿岸浪场预警预报管理，也为海域内防灾减灾提供有效参考。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明方法的流程图；
图2为本发明中训练模型流程图；
图3为本发明实施例二中装置的结构示意图。
具体实施方式
本申请实施例通过提供一种近岸精细化浪高数值预报方法、装置、设备和介质，解决了现有技术中ECMWF海浪模式是以全球为研究对象进行跟踪预报，小区域近岸的用户对该数据不免存在该海浪模式分辨率低，网格数值精度粗糙问题，达到了在原本ECMWF有效浪高网格数据基础上，通过BP神经网络算法以实测浮标数据进行矫正，输出了新的有效浪高网格数据的有益效果。
本申请实施例中的技术方案，总体思路如下：
本发明开发一套增强模式产品：以某海峡为研究区，通过引入BP神经网络算法，将历史ECMWF有效浪高网格数据和A沿海及B沿海各浮标实测浪高数据相关联，以浮标数据矫正ECMWF有效浪高网格数据，生成矫正模型。截取实时预报ECMWF有效浪高网格的A近岸数据，通过空间插值方法提高原始网格分辨率再通过矫正模型重新计算，最终生成A沿海的近岸精细化浪高数值预报产品。
如图1所示，具体包括如下步骤：
步骤A：对浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配：空间匹配原则，以各浮标站点经纬度与所在有效浪高网格数据网格点行列号进行对应；时间匹配原则，以各浮标站点实测时间与有效浪高网格数据网格点预报时间进行对应。把20191101～20201030之间历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数据作为模型训练的特征值，浮标数据作为模型训练的目标值，以浮标实测数据矫正预报网格数据，最终梳理成预测3小时，预测12小时，预测24小时，预测36小时，预测48小时5组特征值及目标值，之后生成5类模型，每组特征值及目标值皆有112400条数据；
步骤B：如图2所示，构建基本的BP神经网络模型：以1个输入节点，6个隐藏节点，1个输出节点的网络结构，展开BP算法框架。总共有样本个数为P，其中第i个样本为p，训练次数用q表示，权值调整方法基于单样本训练，采用所有样本输入以后，计算网络的总误差Eall然后根据总误差计算各层的误差信号并调整权值。批训练遵循了以减小全局误差为目标的“集体主义”原则，在保证总误差向减小方向变化时，即使训练样本很多，加快训练时的收敛速度的。最后优化神经网络的权重使得学习到的模型能够将输入值正确地映射到实际的输出值；误差公式如下：
Figure GDA0003731144780000061
其中E为误差值，总共有样本个数为P，其中第i个样本为p，实际输出为dk，期望输出为ok。
步骤C：每组特征值及目标值投入基本的BP神经网络模型进行迭代训练2000次epochs，在训练集和验证集的损失loss趋于平稳记录最后拟合R2值。预测3小时矫正模型R2值为76％，预测12小时矫正模型R2值为71％，预测24小时矫正模型R2值为70％，预测36小时矫正模型R2值为65％，预测48小时矫正模型R2值为67％，各矫正模型R2值皆优于基准R2值为60％，保留5组模型；
步骤D：实时ECMWF有效浪高网格数据裁剪A沿海离岸50公里的区域数据，通过克里金插值将数据重采样，分辨率由原本0.125度的数据插值成分辨率0.025度网格数据，转成.nc文件，并将预报时间类型记录属性。
步骤E：将.nc文件输入对应预报时间类型的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报产品。
实施例一
如图1所示，本实施例提供一种近岸精细化浪高数值预报方法，包括：
步骤1、对浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；空间匹配原则，以各浮标站点经纬度与所在有效浪高网格数据网格点行列号进行对应；时间匹配原则，以各浮标站点实测时间与有效浪高网格数据网格点预报时间进行对应；把历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数据作为模型训练的特征值，浮标数据作为模型训练的目标值，以浮标实测数据矫正预报网格数据，最终梳理成预测3小时，预测12小时，预测24小时，预测36小时，预测48小时5组特征值及目标值；
步骤2、构建基本的BP神经网络模型；
步骤3、将每组特征值及目标值投入基本的BP神经网络模型进行迭代训练设定次epochs，在训练集和验证集的损失loss趋于平稳记录最后拟合R2值；得到预测3小时矫正模型、预测12小时矫正模型、预测24小时矫正模型、预测36小时矫正模型以及预测48小时矫正模型；
步骤4、将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，分辨率由原本0.125度的数据插值成分辨率0.025度网格数据，转成.nc文件，并将预报时间类型记录属性；
步骤5、将.nc文件输入对应预报时间类型的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报。
基于同一发明构思，本申请还提供了与实施例一中的方法对应的装置，详见实施例二。
实施例二
如图3所示，在本实施例中提供了一种近岸精细化浪高数值预报装置，包括：
获取训练数据模块，对浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；空间匹配原则，以各浮标站点经纬度与所在有效浪高网格数据网格点行列号进行对应；时间匹配原则，以各浮标站点实测时间与有效浪高网格数据网格点预报时间进行对应；把历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数据作为模型训练的特征值，浮标数据作为模型训练的目标值，以浮标实测数据矫正预报网格数据，最终梳理成预测3小时，预测12小时，预测24小时，预测36小时，预测48小时5组特征值及目标值；
构建模型模块，构建基本的BP神经网络模型；
训练模型模块，将每组特征值及目标值投入基本的BP神经网络模型进行迭代训练设定次epochs，在训练集和验证集的损失loss趋于平稳记录最后拟合R2值；得到预测3小时矫正模型、预测12小时矫正模型、预测24小时矫正模型、预测36小时矫正模型以及预测48小时矫正模型；
获取实时数据模块，将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，分辨率由原本0.125度的数据插值成分辨率0.025度网格数据，转成.nc文件，并将预报时间类型记录属性；
获取预测数据模块，将.nc文件输入对应预报时间类型的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报。
由于本发明实施例二所介绍的装置，为实施本发明实施例一的方法所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的电子设备实施例，详见实施例三。
实施例三
本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，可以实现实施例一中任一实施方式。
由于本实施例所介绍的电子设备为实施本申请实施例一中方法所采用的设备，故而基于本申请实施例一中所介绍的方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的方法所采用的设备，都属于本申请所欲保护的范围。
基于同一发明构思，本申请提供了实施例一对应的存储介质，详见实施例四。
实施例四
本实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，可以实现实施例一中任一实施方式。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：本申请实施例提供的方法、装置、设备及介质，在原本ECMWF有效浪高网格数据基础上，通过BP神经网络算法以实测浮标数据进行矫正，输出了新的有效浪高网格数据。本发明在保留ECMWF有效浪高网格数据多时段预报功能同时，采用AI算法即保留数值精度又提高了沿岸网格精细化。近岸精细化浪高数值预报产品可以更有效提高职能部门对沿岸浪场预警预报管理，也为海域内防灾减灾提供有效参考。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (8)

1.一种近岸精细化浪高数值预报方法，其特征在于：包括：
步骤1、对历史浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；具体为：空间匹配，以各浮标站点经纬度与历史ECMWF有效浪高网格数据网格点行列号进行对应；时间匹配，以各浮标站点历史实测时间与历史ECMWF有效浪高网格数据网格点预报时间进行对应；把历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数据作为模型训练的特征值，浮标数据作为模型训练的目标值，最终梳理成预测未来第3小时、预测未来第12小时、预测未来第24小时、预测未来第36小时以及预测未来第48小时的5组特征值及目标值；
步骤2、构建基本的BP神经网络模型；
步骤3、将训练数据投入基本的BP神经网络模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳之后保留训练好的矫正模型；
步骤4、将实时ECMWF有效浪高网格数据裁剪为设定的区域的数据，通过克里金插值将数据重采样，转成.nc文件；
步骤5、将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据。
2.根据权利要求1所述的一种近岸精细化浪高数值预报方法，其特征在于：所述步骤3具体为：将每组特征值及目标值投入基本的BP神经网络模型进行迭代训练设定次数epochs，在训练集和验证集的损失loss趋于平稳之后记录最后拟合R2值；得到预测未来第3小时矫正模型、预测未来第12小时矫正模型、预测未来第24小时矫正模型、预测未来第36小时矫正模型以及预测未来第48小时矫正模型。
3.根据权利要求2所述的一种近岸精细化浪高数值预报方法，其特征在于：所述步骤4具体为：将实时ECMWF有效浪高网格数据裁剪为设定的区域的数据，通过克里金插值将数据重采样，分辨率由原本分辨率为0.125度的网格数据插值成分辨率为0.025度的网格数据，转成.nc文件，并将对应的预测的时间点记录为属性。
4.根据权利要求2或3所述的一种近岸精细化浪高数值预报方法，其特征在于：所述步骤5具体为：将.nc文件输入对应的预测的时间点的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报。
5.一种近岸精细化浪高数值预报装置，其特征在于：包括：
获取训练数据模块，对历史浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；具体为：空间匹配，以各浮标站点经纬度与历史ECMWF有效浪高网格数据网格点行列号进行对应；时间匹配，以各浮标站点历史实测时间与历史ECMWF有效浪高网格数据网格点预报时间进行对应；把历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数据作为模型训练的特征值，浮标数据作为模型训练的目标值，最终梳理成预测未来第3小时、预测未来第12小时、预测未来第24小时、预测未来第36小时以及预测未来第48小时的5组特征值及目标值；
构建模型模块，构建基本的BP神经网络模型；
训练模型模块，将训练数据投入基本的BP神经网络模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳，之后保留训练好的矫正模型；
获取实时数据模块，将实时ECMWF有效浪高网格数据裁剪为设定的区域的数据，通过克里金插值将数据重采样，转成.nc文件；
获取预测数据模块，将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据。
6.根据权利要求5所述的一种近岸精细化浪高数值预报装置，其特征在于：所述训练模型模块具体为：将每组特征值及目标值投入基本的BP神经网络模型进行迭代训练设定次数epochs，在训练集和验证集的损失loss趋于平稳之后记录最后拟合R2值；得到预测未来第3小时矫正模型、预测未来第12小时矫正模型、预测未来第24小时矫正模型、预测未来第36小时矫正模型以及预测未来第48小时矫正模型；
所述获取实时数据模块具体为：将实时ECMWF有效浪高网格数据裁剪为设定的区域的数据，通过克里金插值将数据重采样，分辨率由原本分辨率为0.125度的网格数据插值成分辨率为0.025度的网格数据，转成.nc文件，并将对应的预测的时间点记录为属性；
所述获取预测数据模块具体为：将.nc文件输入对应的预测的时间点的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的方法。
8.一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，该程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN202011565428.2A 2020-12-25 2020-12-25 一种近岸精细化浪高数值预报方法、装置、设备和介质 Active CN112711878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011565428.2A CN112711878B (zh) 2020-12-25 2020-12-25 一种近岸精细化浪高数值预报方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011565428.2A CN112711878B (zh) 2020-12-25 2020-12-25 一种近岸精细化浪高数值预报方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN112711878A CN112711878A (zh) 2021-04-27
CN112711878B true CN112711878B (zh) 2022-08-30

Family

ID=75546682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011565428.2A Active CN112711878B (zh) 2020-12-25 2020-12-25 一种近岸精细化浪高数值预报方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN112711878B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038577A (zh) * 2017-12-26 2018-05-15 国家海洋局北海预报中心 一种单站海浪有效波高数值预报结果多要素修正方法
CN109902885A (zh) * 2019-04-09 2019-06-18 中国人民解放军国防科技大学 基于深度学习混合cnn-lstm模型的台风预测方法
CN110764087A (zh) * 2019-10-15 2020-02-07 中国科学院国家空间科学中心 一种基于干涉成像高度计的海面风向反加权反演方法
CN111292214A (zh) * 2019-12-18 2020-06-16 中电投电力工程有限公司 一种计算高精度中国近海海浪特征分布的方法
CN111738347A (zh) * 2020-06-28 2020-10-02 国家海洋环境预报中心 海浪方向谱订正方法、装置、存储介质和电子设备
CN111811465A (zh) * 2020-07-01 2020-10-23 南方海洋科学与工程广东省实验室(湛江) 基于多正弦函数分解神经网络预测海浪有效波高的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11537889B2 (en) * 2019-05-20 2022-12-27 ClimateAI, Inc. Systems and methods of data preprocessing and augmentation for neural network climate forecasting models

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108038577A (zh) * 2017-12-26 2018-05-15 国家海洋局北海预报中心 一种单站海浪有效波高数值预报结果多要素修正方法
CN109902885A (zh) * 2019-04-09 2019-06-18 中国人民解放军国防科技大学 基于深度学习混合cnn-lstm模型的台风预测方法
CN110764087A (zh) * 2019-10-15 2020-02-07 中国科学院国家空间科学中心 一种基于干涉成像高度计的海面风向反加权反演方法
CN111292214A (zh) * 2019-12-18 2020-06-16 中电投电力工程有限公司 一种计算高精度中国近海海浪特征分布的方法
CN111738347A (zh) * 2020-06-28 2020-10-02 国家海洋环境预报中心 海浪方向谱订正方法、装置、存储介质和电子设备
CN111811465A (zh) * 2020-07-01 2020-10-23 南方海洋科学与工程广东省实验室(湛江) 基于多正弦函数分解神经网络预测海浪有效波高的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Development of an ANN based corrective algorithm of the operational ECMWF global horizontal irradiation forecasts;Sara Pereira et al;《Solar Energy》;20190501;第185卷;全文 *
我国无缝隙精细化网格天气预报技术进展与挑战;金荣花 等;《气象》;20190421;第45卷(第4期);全文 *
深度学习方法在海浪有效波高数据高分辨率处理中的应用;朱晓雯 等;《中国海洋大学学报(自然科学版)》;20201016;第50卷(第11期);全文 *

Also Published As

Publication number Publication date
CN112711878A (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
US11537889B2 (en) Systems and methods of data preprocessing and augmentation for neural network climate forecasting models
Hutchinson et al. ANUSPLIN version 4.4 user guide
Apivatanagul et al. Long-term regional hurricane hazard analysis for wind and storm surge
Suh et al. An efficient early warning system for typhoon storm surge based on time-varying advisories by coupled ADCIRC and SWAN
CN112288193A (zh) 基于注意力机制的gru深度学习的海洋站表层盐度预测方法
CN114493052B (zh) 多模型融合自适应新能源功率预测方法和系统
CN115586591B (zh) 风暴潮的自动预报方法以及装置
CN117078048A (zh) 基于数字孪生的智慧城市资源管理方法及系统
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN115859116A (zh) 一种基于径向基函数回归插值法的海洋环境场重建方法
CN113159102A (zh) 一种多时间尺度的光伏功率预测方法及系统
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN114399235B (zh) 一种基于雨情数据判定灾害风险等级的方法及系统
Villa et al. A stochastic model of future extreme temperature events for infrastructure analysis
CN113326343B (zh) 基于多级网格和文件索引的路网数据存储方法及系统
CN112711878B (zh) 一种近岸精细化浪高数值预报方法、装置、设备和介质
Wang et al. A Tidal Level Prediction Approach Based on BP Neural Network and Cubic B‐Spline Curve with Knot Insertion Algorithm
CN112200363A (zh) 一种滑坡的预测方法、装置、设备和存储介质
KR102593144B1 (ko) 이상 탐지 및 복원 기반의 전력 수요량 예측 장치 및 방법
CN114612751B (zh) 一种基于语义学习的整机点云数据的下采样方法
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
CN112200357A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN117541019B (zh) 一种梯级水库中长期鲁棒优化调度方法、系统及存储介质
Li et al. Hydrological Time Series Prediction Model Based on Deep Belief Network
CN118364283A (zh) 一种单站点地面大风事件预报方法以及装置

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