CN112711915A - 一种海浪有效波高预测方法 - Google Patents

一种海浪有效波高预测方法 Download PDF

Info

Publication number
CN112711915A
CN112711915A CN202110021497.5A CN202110021497A CN112711915A CN 112711915 A CN112711915 A CN 112711915A CN 202110021497 A CN202110021497 A CN 202110021497A CN 112711915 A CN112711915 A CN 112711915A
Authority
CN
China
Prior art keywords
predicted
sea
wave height
module
moments
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.)
Granted
Application number
CN202110021497.5A
Other languages
English (en)
Other versions
CN112711915B (zh
Inventor
宋振亚
金权
刘海行
华锋
杨永增
李凌霄
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.)
First Institute of Oceanography MNR
Original Assignee
First Institute of Oceanography MNR
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 First Institute of Oceanography MNR filed Critical First Institute of Oceanography MNR
Priority to CN202110021497.5A priority Critical patent/CN112711915B/zh
Publication of CN112711915A publication Critical patent/CN112711915A/zh
Application granted granted Critical
Publication of CN112711915B publication Critical patent/CN112711915B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)

Abstract

本申请提出一种海浪有效波高预测方法，通过将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的海浪有效波高；其中，N个时刻均为预测时间点之前的时间点，N个时刻与预测时间点的时间间隔依次增大，N≥2。相对于现有技术的预测方式，本申请实施例提供的海浪有效波高预测方法的流程更简单N个时刻中的第一时刻的全球风场数据用于对风浪进行更好的预测，N个时刻中的第二时刻至第N时刻的全球风场数据用于表现出在海浪传播过程中的涌浪现象，预测依据的关联性更强，预测结果更加准确。

Description

一种海浪有效波高预测方法
技术领域
本申请涉及海洋领域，具体而言，涉及一种海浪有效波高预测方法。
背景技术
海浪是海洋中最为常见的物理现象，也是全球海洋中含能最高的运动。海浪能够传播数千公里，波高可以从几厘米到几十米不等。海浪对于航行安全、海岸活动以及气候系统有着至关重要的作用。为了更好地应对气候系统的变化，以及保障航行和海岸活动的安全，需要对海浪进行精准的模拟和预测。
现有技术中，采用数值模拟的手段作为海浪预测的核心手段。海浪的数值模拟包括采用经验统计方法和采用基于物理过程的海浪数值模式来模拟和预测海浪波高两类方法。
传统经验统计方法一般是基于大量的简化和假定，对风场与海浪要素等数据进行数理统计和拟合，得到海浪要素模拟和预报的经验公式，进而对海浪要素进行预报的方法。经验统计方法的优点是计算速度快，但由于海浪是由局地的风浪和海面上其他海区传播过来的涌浪组成，对海浪的模拟和预测存在较大的偏差。
海浪数值模式是基于海浪的基本物理规律和过程建立的模型，其优点是对海浪的模拟和预测较为准确，但是计算量大，计算速度慢，限制了高分辨率的模拟和预测。同时，由于海洋数值模式在模拟和预测当前时刻海浪要素时，需要前一个或多个时刻的海浪状态，这有可能会由于误差积累进而导致长期模拟和预测出现较大的偏差。
发明内容
本申请的目的在于提供一种海浪有效波高预测方法，以至少部分改善上述问题。
为了实现上述目的，本申请实施例采用的技术方案如下：
第一方面，本申请实施例提供一种海浪有效波高预测方法，所述方法包括：
将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的预测海浪有效波高；
其中，所述N个时刻均为所述预测时间点之前的时间点，所述N个时刻与所述预测时间点的时间间隔依次增大，N≥2；
输出各个预测地点在预测时间点的预测海浪有效波高。
第二方面，本申请实施例提供一种海浪有效波高预测系统，所述系统包括：
神经网络单元，用于将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的预测海浪有效波高；
其中，所述N个时刻均为所述预测时间点之前的时间点，所述N个时刻与所述预测时间点的时间间隔依次增大，N≥2；
输出单元，用于输出各个预测地点在预测时间点的预测海浪有效波高。
第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的方法。
第四方面，本申请实施例提供一种电子设备，所述电子设备包括：处理器和存储器，所述存储器用于存储一个或多个程序；当所述一个或多个程序被所述处理器执行时，实现上述的方法。
相对于现有技术，本申请实施例所提供的一种海浪有效波高预测方法，通过将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的海浪有效波高；其中，N个时刻均为预测时间点之前的时间点，N个时刻与预测时间点的时间间隔依次增大，N≥2。相对于现有技术的预测方式，本申请实施例提供的海浪有效波高预测方法的流程更简单N个时刻中的第一时刻的全球风场数据用于对风浪进行更好的预测，N个时刻中的第二时刻至第N时刻的全球风场数据用于表现出在海浪传播过程中的涌浪现象，预测依据的关联性更强，预测结果更加准确。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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它相关的附图。
图1为本申请实施例提供的电子设备的结构示意图；
图2为本申请实施例提供的海浪有效波高预测方法的流程示意图；
图3为本申请实施例提供的神经网络模型的结构示意图；
图4为本申请实施例提供的神经网络模型的结构示意图之一；
图5为本申请实施例提供的海浪有效波高预测方法的流程示意图之一；
图6为本申请实施例提供的海浪有效波高预测方法的流程示意图之一；
图7为本申请实施例提供的海浪有效波高预测系统的单元示意图。
图中：10-处理器；11-存储器；12-总线；13-通信接口；201-神经网络单元；202-输出单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中，需要说明的是，术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该申请产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
在本申请的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
经验统计方法是基于大量的简化和假定，对风场与海浪要素等数据进行数理统计和拟合，得到海浪要素模拟和预报的经验公式，进而对海浪要素进行预报的方法。经验统计方法的优点是计算速度快，但由于海浪是由局地的风浪和海面上其他海区传播过来的涌浪组成，对海浪的模拟和预测存在较大的偏差。
随着机器学习(包含深度学习)等方法的兴起，陆续出现了基于机器学习(包含深度学习)的新型经验统计方法开展海浪要素的模拟和预报，并且在单点或者小区域范围取得较好的模拟和预测性能。但目前新型经验统计方法还未实现全球海浪要素的模拟和预测。海浪数值模式是基于海浪的基本物理规律和过程建立的模型。最新的第三代海浪数值模式是基于海浪谱能平衡方程，通过海浪的主要驱动要素风以及固定边界条件地形来进行迭代计算出各个海浪要素。海浪数值模式的优点是对海浪的模拟和预测较为准确，但是其计算过程是一个5维问题，计算量大，计算速度慢，限制了高分辨率的模拟和预测。此外，由于海洋数值模式在模拟和预测当前时刻海浪要素时，需要前一个或多个时刻的海浪状态，这有可能会由于误差积累进而导致长期模拟和预测出现较大的偏差。
为了克服以上问题，本申请实施例提供了一种电子设备，可以是服务器设备或PC终端设备。请参照图1，电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处理器10、存储器11通过总线12连接，处理器10用于执行存储器11中存储的可执行模块，例如计算机程序。
处理器10可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，海浪有效波高预测方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器11可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
总线12可以是ISA(Industry Standard Architecture)总线、PCI(PeripheralComponent Interconnect)总线或EISA(Extended Industry Standard Architecture)总线等。图1中仅用一个双向箭头表示，但并不表示仅有一根总线12或一种类型的总线12。
存储器11用于存储程序，例如海浪有效波高预测系统对应的程序。海浪有效波高预测系统包括至少一个可以软件或固件(firmware)的形式存储于存储器11中或固化在电子设备的操作系统(operating system，OS)中的软件功能模块。处理器10在接收到执行指令后，执行所述程序以实现海浪有效波高预测方法。
可能地，本申请实施例提供的电子设备还包括通信接口13。通信接口13通过总线与处理器10连接。电子设备可以通过通信接口13接收其他终端传输的数据。
应当理解的是，图1所示的结构仅为电子设备的部分的结构示意图，电子设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例提供的一种海浪有效波高预测方法，可以但不限于应用于图1所示的电子设备，具体的流程，请参考图2：
S102，将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的预测海浪有效波高。
其中，N个时刻均为预测时间点之前的时间点，N个时刻与预测时间点的时间间隔依次增大，N≥2。
可选地，可选地对输入的ERA全球风场数据进行预处理，对风场数据的数值进行标注，按照时刻选择需要的风速数据，作为神经网络模型的输入。N个时刻中的第一时刻的全球风场数据用于对风浪进行更好的预测，N个时刻中的第二时刻至第N时刻的全球风场数据用于表现出在海浪传播过程中的涌浪现象。S103，输出各个预测地点在预测时间点的预测海浪有效波高。
综上所述，本申请实施例提供的海浪有效波高预测方法中，通过将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的海浪有效波高；其中，N个时刻均为预测时间点之前的时间点，N个时刻与预测时间点的时间间隔依次增大，N≥2。相对于现有技术的预测方式，本申请实施例提供的海浪有效波高预测方法的流程更简单N个时刻中的第一时刻的全球风场数据用于对风浪进行更好的预测，N个时刻中的第二时刻至第N时刻的全球风场数据用于表现出在海浪传播过程中的涌浪现象，预测依据的关联性更强，预测结果更加准确。
可选地，以N＝2为例，第一时刻为预测时间点之前1个小时的时间点，第二时刻为第一时刻之前四个小时的时间点。例如预测时间点为上午九点，第一时刻为上午八点，第二时刻为上午5点。
在图2的基础上，对于神经网络模型的架构，本申请实施例还提供了一种可能的实现方式，请参考图3，神经网络模型包括：输入层、卷积层以及输出层。
N个时刻的全球风场数据作为输入层的输入，输入层的输出作为卷积层的输入，卷积层的输出作为输出层的输入，输出层输出各个预测地点在预测时间点的预测海浪有效波高。
请继续参考图3，对于卷积层中的结构，本申请实施例提供了一种实现的方式即Wave-Net神经网络模型，卷积层包括第一模块和14个第二模块；
第一模块包括1*1卷积核、第一批标准化子模块以及第一激活函数子模块，1*1卷积核、第一批标准化子模块以及第一激活函数子模块依次连接；
第二模块包括3*3卷积核、第二批标准化子模块以及第二激活函数子模块，3*3卷积核、第二批标准化子模块以及第二激活函数子模块；
第一模块的1*1卷积核连接于输入层，第一激活函数子模块连接于第一个第二模块的3*3卷积核；
中间的第二模块的3*3卷积核连接于上一级第二模块的第二激活函数子模块，中间的第二模块的第二激活函数子模块连接于下一级第二模块的3*3卷积核；
末尾的第二模块的第二激活函数子模块通过1*1卷积核连接于输出层。
可选地，神经网络模型(Wave-Net)的感受野与传统的卷积神经网络(Convolutional Neural Networks，CNN)不同，Wave-Net仅仅针对一定的区域进行信息提取，因此Wave-Net对输入的风场要素的提取受限于网络的层数。而通过3*3的卷积核卷积一次，模型的感受野会扩大0.5度，以最大风速为例70M/s，三小时所能传播大约735Km,沿经线传播，经线1°约为111Km，因此风速在三小时内影响范围超过7°大约需要进行超过14个网格的特征提取，而为了提取更多的涌浪信息，模型的深度为15层。请参考图4，图4为本申请实施例提供的神经网络模型结构示意图之一。其中，Input Data(Wind Speed)表征输入数据(风速)；Convolutiong Proces表征卷积过程；Output Data(Significant wave height)表征输出数据(有效波高)；Output Layer表征输出层；Conv Layer表征卷积层；Input Layer表征输入层。With the increase of the number of convolutional layers，thereceptive field gradually expands，表征，随着卷积层数的增加，感受野逐渐增大。
需要说明的是，在传统的CNN中，为了使机器对全部区域的感受野进行识别，需要在卷积和池化过程中提取关键的信息。但与此同时，因为池化的原因，也会丢失掉很多次要信息。风场作为海浪预测的输入要素，风场本身是连续的，而海浪受到风场的响应也是具有连续性和区域性的，海浪会随着传播能量不断耗散，因此为了保留卷积过程中对周边的次要信息，本申请实施例中的Wave-Net使用全卷积网络，即不含有池化层的网络结构，而且卷积采用same卷积，通过交替使用1*1卷积核与3*3卷积核构建。在保留周边的次要信息基础上，神经网络模型输出全球海浪预测点的有效波高场。
可选地，本申请实施例中的第一激活函数子模块和第二激活函数子模块均采用Leaky_Relu激活函数。其对应的权重初始化方案如下：
Figure BDA0002888793150000101
Figure BDA0002888793150000102
其中，hi表征卷积层中的卷积核的高，wi表征卷积层中的卷积核的宽，di表征当前层卷积核的个数，
Figure BDA0002888793150000103
表征输入的维数，α表征Leaky-Relu的负半轴斜率，W表征权重。
即W权重满足N(normal正态分布)分布范围为
Figure BDA0002888793150000104
在图2的基础上，关于如何对神经网络模型进行训练，本申请实施例还提供了一种可能的实现方式，请参考图5，海浪有效波高预测方法还包括：
S101，依据携带标签的N个时刻的全球风场数据对神经网络模型进行训练，直至神经网络模型收敛。
其中，训练过程中的损失函数采用RMSE损失函数，梯度下降算法采用Adam梯度下降算法，初始学习率为0.001。
可选地，全球风场数据包括纬向分量序列(U)和经向分量序列(V)，其中，纬向分量序列中的不同元素代表不同监测点的纬向分量，经向分量序列中的不同元素代表不同监测点的经向分量。
由于数据本身的尺度是相同的，直接使用U，V原始数据作为输入，不需要在进行标准化，减少数据的处理过程。
在图2的基础上，关于如何获取目标预测地点的海浪有效波高，本申请实施例还提供了一种可能的实现方式，请参考图6，海浪有效波高预测方法还包括：
S104，从各个预测地点在预测时间点的预测海浪有效波高中筛选出与目标预测地点匹配的目标海浪有效波高。
可选地，目标预测地点可以是预先设定好的，也可以是用户端传输的，在此不做限定。
请参阅图7，图7为本申请实施例提供的一种海浪有效波高预测系统，可选的，该海浪有效波高预测系统被应用于上文所述的电子设备。
海浪有效波高预测系统包括：神经网络单元201和输出单元202。
神经网络单元201，用于将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的预测海浪有效波高。可选地，神经网络单元201可以执行上述的S102。
其中，N个时刻均为预测时间点之前的时间点，N个时刻与预测时间点的时间间隔依次增大，N≥2；
输出单元202，用于输出各个预测地点在预测时间点的预测海浪有效波高。可选地，输出单元202可以执行上述的S103。
需要说明的是，本实施例所提供的海浪有效波高预测系统，其可以执行上述方法流程实施例所示的方法流程，以实现对应的技术效果。为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。
本发明实施例还提供了一种存储介质，该存储介质存储有计算机指令、程序，该计算机指令、程序在被读取并运行时执行上述实施例的海浪有效波高预测方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。
下面提供一种电子设备，可以是服务器设备或PC终端设备，该电子设备如图1所示，可以实现上述的海浪有效波高预测方法；具体的，该电子设备包括：处理器10，存储器11、总线12。处理器10可以是CPU。存储器11用于存储一个或多个程序，当一个或多个程序被处理器10执行时，执行上述实施例的海浪有效波高预测方法。
在本申请所提供的实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (6)

1.一种海浪有效波高预测方法，其特征在于，所述方法包括：
将N个时刻的全球风场数据作为神经网络模型的输入，获得各个预测地点在预测时间点的预测海浪有效波高；
其中，所述N个时刻均为所述预测时间点之前的时间点，所述N个时刻与所述预测时间点的时间间隔依次增大，N≥2；
输出各个预测地点在预测时间点的预测海浪有效波高。
2.如权利要求1所述的海浪有效波高预测方法，其特征在于，所述神经网络模型包括：输入层、卷积层以及输出层；
所述N个时刻的全球风场数据作为所述输入层的输入，所述输入层的输出作为所述卷积层的输入，所述卷积层的输出作为所述输出层的输入，所述输出层输出各个预测地点在预测时间点的预测海浪有效波高。
3.如权利要求2所述的海浪有效波高预测方法，其特征在于，所述卷积层包括第一模块和14个第二模块；
所述第一模块包括1*1卷积核、第一批标准化子模块以及第一激活函数子模块，1*1卷积核、第一批标准化子模块以及第一激活函数子模块依次连接；
所述第二模块包括3*3卷积核、第二批标准化子模块以及第二激活函数子模块，3*3卷积核、第二批标准化子模块以及第二激活函数子模块；
所述第一模块的1*1卷积核连接于所述输入层，所述第一激活函数子模块连接于第一个第二模块的3*3卷积核；
中间的第二模块的3*3卷积核连接于上一级第二模块的第二激活函数子模块，中间的第二模块的第二激活函数子模块连接于下一级第二模块的3*3卷积核；
末尾的第二模块的第二激活函数子模块通过1*1卷积核连接于所述输出层。
4.如权利要求2所述的海浪有效波高预测方法，其特征在于，依据携带标签的N个时刻的全球风场数据对所述神经网络模型进行训练，直至所述神经网络模型收敛；
其中，训练过程中的损失函数采用RMSE损失函数，梯度下降算法采用Adam梯度下降算法，初始学习率为0.001。
5.如权利要求1所述的海浪有效波高预测方法，其特征在于，所述全球风场数据包括纬向分量序列和经向分量序列，其中，所述纬向分量序列中的不同元素代表不同监测点的纬向分量，所述经向分量序列中的不同元素代表不同监测点的经向分量。
6.如权利要求1所述的海浪有效波高预测方法，其特征在于，在输出各个预测地点在预测时间点的预测海浪有效波高之后，所述方法还包括：
从各个预测地点在预测时间点的预测海浪有效波高中筛选出与目标预测地点匹配的目标海浪有效波高。
CN202110021497.5A 2021-01-08 2021-01-08 一种海浪有效波高预测方法 Active CN112711915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110021497.5A CN112711915B (zh) 2021-01-08 2021-01-08 一种海浪有效波高预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110021497.5A CN112711915B (zh) 2021-01-08 2021-01-08 一种海浪有效波高预测方法

Publications (2)

Publication Number Publication Date
CN112711915A true CN112711915A (zh) 2021-04-27
CN112711915B CN112711915B (zh) 2022-02-25

Family

ID=75548561

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110021497.5A Active CN112711915B (zh) 2021-01-08 2021-01-08 一种海浪有效波高预测方法

Country Status (1)

Country Link
CN (1) CN112711915B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408401A (zh) * 2021-06-16 2021-09-17 中国科学院南海海洋研究所 一种基于机器学习的船行波快速自动识别方法及装置
CN114445634A (zh) * 2022-02-28 2022-05-06 南京信息工程大学 一种基于深度学习模型的海浪波高预测方法及系统
CN114580509A (zh) * 2022-02-21 2022-06-03 国家海洋环境预报中心 基于卷积长短记忆网络的海浪宏观特征量预测系统
CN116449462A (zh) * 2023-06-19 2023-07-18 山东省计算中心（国家超级计算济南中心） 海浪有效波高时空序列预测方法、系统、存储介质及设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021308A (zh) * 2014-06-20 2014-09-03 河海大学 基于ERA-Interim和ERA40预测海浪有效波高的方法
CN108549961A (zh) * 2018-05-02 2018-09-18 河海大学 一种基于cmip5预估海浪有效波高的方法
US20200134506A1 (en) * 2018-10-29 2020-04-30 Fujitsu Limited Model training method, data identification method and data identification device
CN111199270A (zh) * 2019-12-30 2020-05-26 福建省海洋预报台 一种基于深度学习的区域波高预报方法及终端
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104021308A (zh) * 2014-06-20 2014-09-03 河海大学 基于ERA-Interim和ERA40预测海浪有效波高的方法
CN108549961A (zh) * 2018-05-02 2018-09-18 河海大学 一种基于cmip5预估海浪有效波高的方法
US20200134506A1 (en) * 2018-10-29 2020-04-30 Fujitsu Limited Model training method, data identification method and data identification device
CN111199270A (zh) * 2019-12-30 2020-05-26 福建省海洋预报台 一种基于深度学习的区域波高预报方法及终端
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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408401A (zh) * 2021-06-16 2021-09-17 中国科学院南海海洋研究所 一种基于机器学习的船行波快速自动识别方法及装置
CN114580509A (zh) * 2022-02-21 2022-06-03 国家海洋环境预报中心 基于卷积长短记忆网络的海浪宏观特征量预测系统
CN114445634A (zh) * 2022-02-28 2022-05-06 南京信息工程大学 一种基于深度学习模型的海浪波高预测方法及系统
CN116449462A (zh) * 2023-06-19 2023-07-18 山东省计算中心（国家超级计算济南中心） 海浪有效波高时空序列预测方法、系统、存储介质及设备
CN116449462B (zh) * 2023-06-19 2023-10-03 山东省计算中心（国家超级计算济南中心） 海浪有效波高时空序列预测方法、系统、存储介质及设备

Also Published As

Publication number Publication date
CN112711915B (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN112711915B (zh) 一种海浪有效波高预测方法
US10330655B2 (en) Air quality forecasting based on dynamic blending
CN109541730A (zh) 一种大气污染物浓度预测的方法及设备
CN109684476B (zh) 一种文本分类方法、文本分类装置及终端设备
CN105446988A (zh) 预测类别的方法和装置
CN111680109A (zh) 知识图谱表示学习模型训练方法、装置及电子设备
CN112395179B (zh) 一种模型训练方法、磁盘预测方法、装置及电子设备
CN112784582A (zh) 纠错方法、装置和计算设备
Palmer A vision for numerical weather prediction in 2030
CN114169649A (zh) 一种基于时空数据嵌入的交通流量预测方法
CN113807448A (zh) 点云数据分割模型训练方法、装置、存储介质及电子设备
CN115880502A (zh) 检测模型的训练方法、目标检测方法、装置、设备和介质
CN116090666A (zh) 基于环境和时序的物资需求预测方法、装置、设备和介质
Lee et al. Artificial neural network-based data recovery system for the time series of tide stations
CN111401569B (zh) 超参数优化方法、装置和电子设备
CN112069822B (zh) 一种词向量表示的获取方法、装置、设备及可读介质
CN115690607B (zh) 基于红外遥感和深度学习的降雨反演方法及装置
CN103049629A (zh) 一种检测噪音数据的方法及装置
Nederhoff et al. Accounting for uncertainties in forecasting tropical-cyclone-induced compound flooding
EP3518152A1 (en) Information processing method and information processing system
CN112233236B (zh) 海岸带淹没轮廓预测方法、装置、设备及可读存储介质
Lai et al. Comparison of regression models, grey models, and supervised learning models for forecasting flood stage caused by typhoon events
CN116958149B (zh) 医疗模型训练方法、医疗数据分析方法、装置及相关设备
Kusch et al. Ecological Network Resilience & Extinction Proxies-Updating Projections of Ecological Networks
CN118068197B (zh) 储能电池热失控预警方法、装置及电子设备

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