CN112884217B - 一种基于多模型集成的海面高预报方法 - Google Patents

一种基于多模型集成的海面高预报方法 Download PDF

Info

Publication number
CN112884217B
CN112884217B CN202110157174.9A CN202110157174A CN112884217B CN 112884217 B CN112884217 B CN 112884217B CN 202110157174 A CN202110157174 A CN 202110157174A CN 112884217 B CN112884217 B CN 112884217B
Authority
CN
China
Prior art keywords
sea surface
forecasting
convolution
gridding
forecast
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.)
Expired - Fee Related
Application number
CN202110157174.9A
Other languages
English (en)
Other versions
CN112884217A (zh
Inventor
王国松
吴新荣
刘克修
张晓爽
张连新
孙春健
但博
张铁成
杨志通
晁国芳
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.)
NATIONAL MARINE DATA AND INFORMATION SERVICE
Original Assignee
NATIONAL MARINE DATA AND INFORMATION SERVICE
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 NATIONAL MARINE DATA AND INFORMATION SERVICE filed Critical NATIONAL MARINE DATA AND INFORMATION SERVICE
Priority to CN202110157174.9A priority Critical patent/CN112884217B/zh
Publication of CN112884217A publication Critical patent/CN112884217A/zh
Application granted granted Critical
Publication of CN112884217B publication Critical patent/CN112884217B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

一种基于多模型集成的海面高预报方法，步骤包括，S1：收集多源卫星融合资料，提取表层海洋环境多要素数据集；S2：对多要素数据集进行预处理和数据集划分，划分成训练集、测试集和验证集；S3：构建基于卷积递归神经网络的海面高多要素直接预报模型，得出海面高网格化预报时空序列；S4：基于海面高网格化预报结果和多要素数据集，通过构建好的海面高定点预报深度学习模型，得到海面高定点预报时间序列；S5：基于海面高网格化预报时空序列和海面高定点预报时间序列，得出订正后的海面高网格化分布；本发明将多源卫星观测资料构造成多要素数据集，以参与海面高网格化预报和海面高定点预报，使本发明获得更高的预报准确率和更长的预报时效。

Description

一种基于多模型集成的海面高预报方法
技术领域
本发明属于海洋大数据预报技术领域，更具体的说是涉及一种基于多模型集成的海面高预报方法。
背景技术
海面高的快速和精准预报对维护国家安全至关重要。目前海面高预报技术以数值预报和经验统计预报为主，主要基于对典型物理过程的认识，构建数值预报和统计预报模型，开展预报工作。经过长时间的发展，海洋环境数值预报系统不断升级进步，已经达到了良好的预报效果，可以为海洋环境保障提供一定的预报依据，但是数值预报面临着物理参数化方案内在的不确定性和计算效率方面的挑战，难以快速地应对各类海洋工程、航海保障、海上重大活动和突发事件应急，因此在海洋环境信息保障中急需构建一种岸基和船载轻量化、智能化、快速高精度的海面高预报方法。
由于大量的连续多变量观测数据和计算能力的指数增长，深度学习方法为表层海洋环境要素预报提供了新的方法，深度学习分析预报是从多源异构数据中，通过关联挖掘、模式识别等智能分析方法，挖掘分析与预报相关的多要素之间的关联关系，构建预测预报数据模型，进而将实时资料带入数据模型，实现对海洋要素和海洋现象的认知与预测预报。近年来基于深度学习的海洋环境预报已经进行了初步的研究工作，并取得了一定的预报效果。目前常用的深度学习单步循环预报方法易于执行，计算成本低，但是存在明显的误差累积问题。经典的时空深度学习预报方法很少利用深入学习来获得不同模态之间的共享代表信息，难以获得鲁棒性和一致的结果。同时在现实生活中，深度学习模型很少应用多输入变量来提高海面高预报。因此，以上方法在实时业务化预报中预报时效短并且精度都非常低下。
因此，如何提供一种预报时效长并且精度高的多模型集成的海面高预报方法是本领域亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于多模型集成的海面高预报方法，实现了两种深度学习模型融合来使预报结果具有高更高的预报准确率和更长的预报时效。
为了实现上述目的，本发明采用如下技术方案：
一种基于多模型集成的海面高预报方法，步骤包括，
S1：收集多源卫星融合资料，提取海域的表层海洋环境多要素数据集；
S2：对多要素数据集进行预处理和数据集划分，划分成训练集、测试集和验证集；
S3：基于训练集构建基于卷积递归神经网络的海面高多要素直接预报模型，得出海面高网格化预报时空序列；
S4：基于海面高网格化预报结果和多要素数据集，通过构建好的海面高定点预报深度学习模型，得到海面高定点预报时间序列；
S5：基于海面高网格化预报时空序列和海面高定点预报时间序列，通过基于梯度阈值的逐步订正计算出订正后的海面高网格化分布；
S6：将海面高网格化分布绘制成二维分布图并在终端上进行显示。
优选的，所述步骤S1中多要素数据包括海面高度、海表温度和海面风场。
优选的，所述步骤S3中海面高多要素直接预报模型的构建步骤包括：
S31：将训练集中的多要素数据转换为五维张量，所述五维张量维度为samples，timesteps，rows，cols，channels，其中samples表示训练样本量，timesteps表示时间窗，rows表示固定经度，cols表示固定纬度，channels表示通道；
S32：将五维张量通入卷积递归神经网络网格化预报模型，得到海面高网格化预报时空序列；
优选的，所述步骤S3中卷积递归神经网络网格化预报模型包括：
第一部分：输入数据为五维张量，维度为：samples，timesteps，rows，cols，channels，网络第一层包含256个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，256的五维张量作为第二部分的输入；
第二部分：是批归一化层，输出维度为samples，timesteps，rows，cols，256的五维张量作为第三部分的输入；
第三部分：是一个包含128个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，128的五维张量作为第四部分的输入；
第四部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，128的五维张量作为第五部分的输入；
第五部分：是一个包含32个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，32的五维张量作为第六部分的输入；
第六部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，32的五维张量作为第七部分的输入；
第七部分：是一个包含32个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，32的五维张量作为第八部分的输入；
第八部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，32的五维张量作为第九部分的输入；
第九部分：是一个包含1个卷积核的三维卷积神经网络，卷积核大小为3×3×3，卷积的步长为1，经过线性激活函数处理，输出维度为samples，timesteps，rows，cols，1的五维张量，该数据就是使用深度神经网络网格化模型预报出的海面高网格化预报时空序列。
优选的，所述步骤S4中海面高定点预报模型包括，
S41：计算海面高网格化预报时空序列和卫星观测海面高时空序列的时间平均均方根误差空间分布，提取出N个局部最大误差点对应的多源卫星观测时间序列；
S42：使用集和经验模态分解方法将N个局部最大误差点对应的多源卫星观测时间序列内的每个时间量分解成五个固有模态分量；
S43：将每个固有模态分量转成维度为samples，timesteps，channels的三维张量序列；
S44：将三维张量通过深度神经网络定点预报模型，并对五个固有模态分量时间序列进行遍历，得到五个固有模态函数预报时间序列，并对应求和得到局部最大误差点海面高预报结果；
S45：对N个局部最大误差点对应的多源卫星观测时间序列进行遍历，得到N个局部最大误差点的海面高预报时间序列。
优选的，所述深度神经网络定点预报模型包括：
第一部分：输入数据为三维张量，维度为：samples，timesteps，channels，网络第一层是双曲正切激活函数的长短时记忆神经网络，输入单元的丢弃比例为0.1，用于输入的线性转换；循环层单元的丢弃比例为0.2，用于循环层状态的线性转换，输出维度为samples，timesteps，512的张量作为第二部分的输入；
第二部分：是一个包含256个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,256的数据作为第三部分的输入；
第三部分：是一个包含128个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,128的数据作为第四部分的输入；
第四部分：是一个包含X个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,X的数据，该数据就是固有模态函数预报时间。
优选的，所述步骤5中订正的方法包括，
S51：用双线性插值方法将海面高网格化预报结果插值到每个定点预报上，找出搜索范围内k个定点预报与由网格化预报格点得到的梯度差；
S52：使用基于梯度阈值的逐步订正方法将定点预报值拟合到网格化预报格点上，再次完成所有N个局部最大误差点的订正；
S53：以上方法采用不同的搜索范围Lx和Ly和梯度阈值Lf参数分别循环计算三次，最终计算得出订正后的海面高网格化分布。
优选的，所述基于梯度阈值的逐步订正计算公式为
Figure BDA0002934142090000061
其中，
Figure BDA0002934142090000062
表示订正后的网格化定点预报，
Figure BDA0002934142090000063
表示网格化预报，
Figure BDA0002934142090000064
表示定点预报，
Figure BDA0002934142090000065
表示由
Figure BDA0002934142090000066
插值到
Figure BDA0002934142090000067
的梯度差，k表示搜索范围内定点预报个数，i表示空间网格点的索引；N表示定点预报总数，
Figure BDA0002934142090000068
表示搜索范围内第k个局部误差点定点预报对格点i的基于梯度阈值的权重函数。
优选的，所述基于梯度阈值的权重函数为：
Figure BDA0002934142090000069
其中，xi和yi是空间网络上第i个网络点坐标，
Figure BDA00029341420900000610
和
Figure BDA00029341420900000611
分别表示空间上第n个定点预报网络坐标，Lx和Ly分别表示网格上纬向和经向的搜索范围，fi代表第i个网格点坐标的梯度值，
Figure BDA00029341420900000612
表示第n个定点预报梯度值，Ly表示定点预报与海面高网格化预报的梯度差阈值。
优选的，通过验证集对海面高多要素直接预报模型和海面高定点预报模型的结果进行验证，通过测试集评估海面高多要素直接预报模型和海面高定点预报模型的泛化能力。
本发明的有益效果：
本发明考虑了多源卫星数据，充分提取与挖掘对海面高预报产生影响的海表温度和海面风场信息，提供了基于梯度阈值的多模型集成的海面高预报方法，使得本发明获得了较高的海面高预报准确率和较长的预报时效；本发明可以在几分钟内完成计算，相对于数值预报方法，本发明通过多个模型集成表现出明显的高计算效率，在数据量和预报范围较大的时候更加明显，相对于统计预报和单步循环深度学习预报，本发明表现出更高的预报准确率和更长的预报时效；本发明可以方便的将多种物理化学时空要素构造成多要素数据集，以参与海面高网格化预报，比如在近岸浅水等复杂水域，可以将台站、浮标等物理化学要素定点观测与多源卫星观测资料构造成数据集，以参与海面高定点预报。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明一种基于多模型集成的海面高预报方法流程图；
图2为海面高多要素直接预报模型示意图；
图3为海面高定点预报模型示意图；
图4为本发明基于梯度阈值的逐步订正方法原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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。
如图1，一种基于多模型集成的海面高预报方法，步骤包括，
S1：选定目标海域，收集多源卫星融合资料，提取海域的表层海洋环境多要素数据集；
S2：对多要素数据集进行预处理和数据集划分，预处理可以剔除不可靠数据，并将多要素数据集中不同要素数据进行归一化处理成[-1,1]的范围，归一化后用2倍X个时间的滑动窗口把海洋时空序列进行切分，其中前X时间结果作为时间窗维度，后X时间结果作为输出时间窗维度按照8:1:1的比例划分成训练集、测试集和验证集。
S3：基于训练集构建基于卷积递归神经网络的海面高多要素直接预报模型，测试集输入到海面高多要素直接预报模型，输出海面高网格化预报时空序列；
S4：基于海面高网格化预报结果和多要素数据集，通过构建好的海面高定点预报深度学习模型，得到海面高定点预报时间序列；
S5：基于海面高网格化预报时空序列和海面高定点预报时间序列，计算出订正后的海面高网格化分布；
S6：将海面高网格化分布绘制成二维分布图并在终端上进行显示。
其中，为了确保海面高多要素直接预报模型运算结果的可靠性，步骤S3后通过验证集对海面高网格化预报时空序列进行验证，如误差不合要求，则调整网络层数或通过深度神经网络模型中的参数优化方法，改进并运行该深度神经网络模型，直至误差符合要求而转入下一步骤。
在另一实施例中，步骤S1中多要素数据包括海面高度、海表温度和海面风场。
如图2，在另一实施例中，步骤S3中海面高多要素直接预报模型的构建步骤包括：
S31：将训练集中的多要素数据转换为五维张量，多要素数据为的海面高，海面温度异常和风速异常时空序列变量集合αT-X:T＝{SLAT-X:T,SSTAT-X:T,SPDAT-X:T}，五维张量维度为samples，timesteps，rows，cols，channels，其中samples表示训练样本量，timesteps表示时间窗，rows表示固定经度，cols表示固定纬度，channels表示通道；转换后的海面高时空序列，海面温度异常时空序列和风速异常时空序列分别存放在三个通道层。
S32：将五维张量通入卷积递归神经网络网格化预报模型，得到海面高网格化预报时空序列
Figure BDA0002934142090000091
在另一实施例中，步骤S3中卷积递归神经网络网格化预报模型包括：
第一部分：输入数据为五维张量，维度为：samples，timesteps，rows，cols，channels，网络第一层包含256个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，256的五维张量作为第二部分的输入；
第二部分：是批归一化层，输出维度为samples，timesteps，rows，cols，256的五维张量作为第三部分的输入；
第三部分：是一个包含128个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，128的五维张量作为第四部分的输入；
第四部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，128的五维张量作为第五部分的输入；
第五部分：是一个包含32个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，32的五维张量作为第六部分的输入；
第六部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，32的五维张量作为第七部分的输入；
第七部分：是一个包含32个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，32的五维张量作为第八部分的输入；
第八部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，32的五维张量作为第九部分的输入；
第九部分：是一个包含1个卷积核的三维卷积神经网络，卷积核大小为3×3×3，卷积的步长为1，经过线性激活函数处理，输出维度为samples，timesteps，rows，cols，1的五维张量，该数据就是使用深度神经网络网格化模型预报出的海面高网格化预报时空序列
Figure BDA0002934142090000101
模型训练与调参。在上述模型构建后，需要训练该模型，其中设置训练样本的批尺寸(Batchsize)设置为64，选用均方误差损失函数，然后使用激活函数为修正线性单元(Rectified Linear Unit，ReLU)，由激活函数完成非线性变换，增强本模型对特征的学习能力，通过自适应矩估计(Adam)优化算法进行参数寻优以最小化损失函数，其中学习率设置为0.001，衰减项设置为1e-08，动量设置为0.9。迭代次数设置为1000，使用回调函数来查看模型的内在损失函数状态和精度，并保存最佳模型。当被监测的精度不再提升，则停止训练，其中每个检查点之间的间隔为50。
如图3，在另一实施例中，步骤S4中定点预报模型的构建步骤包括，
S41：计算海面高网格化预报时空序列
Figure BDA0002934142090000102
和卫星观测的海面高时空序列SLAT:T+X的时间平均均方根误差空间分布，提取出N个局部最大误差点对应的多源卫星观测时间序列T＝{S1,S2,S3,...,Sn}；其中S＝{SSLA,SSSTA,SSPDA}，表示海面高，海面温度异常和风速异常时间序列变量集合，海面高时间序列为多要素数据集中的要素之一；
S42：使用集和经验模态分解方法将N个局部最大误差点对应的多源卫星观测时间序列内的每个时间量Si分解成五个固有模态分量的时间序列IMF＝{IMF1，IMF2，IMF3，IMF4，IMF5}；
S43：将固有模态分量转换成维度为samples，timesteps，channels的三维张量序列；转换过程可通过python reshape命令实现。
S44：将三维张量序列通过深度神经网络定点预报模型，并对五个固有模态分量时间序列进行遍历，得到五个固有模态函数定点预报时间序列，并对五个固有模态函数预报时间序列对应求和得到局部最大误差点海面高定点预报时间序列；
S45：对N个局部最大误差点对应的多源卫星观测时间序列进行遍历，得到N个局部最大误差点的海面高预报时间序列
Figure BDA0002934142090000111
在另一实施例中，所述深度神经网络定点预报模型包括：
第一部分：输入数据为三维张量，维度为：samples，timesteps，channels，网络第一层是双曲正切激活函数的长短时记忆神经网络，输入单元的丢弃比例为0.1，用于输入的线性转换；循环层单元的丢弃比例为0.2，用于循环层状态的线性转换，输出维度为samples，timesteps，512的张量作为第二部分的输入；
第二部分：是一个包含256个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,256的数据作为第三部分的输入；
第三部分：是一个包含128个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,128的数据作为第四部分的输入；
第四部分：是一个包含X个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,X的数据，该数据就是固有模态函数预报时间序列。
模型训练与调参，在上述模型构建后，需要训练该模型，其中设置训练样本的批尺寸为256，选用均方误差损失函数，然后使用激活函数为预报误差的双曲余弦的对数(logcosh)，由激活函数完成非线性变换，增强本模型对特征的学习能力，通过Adam优化算法进行参数寻优以最小化损失函数，其中学习率设置为0.001，衰减项设置为1e-08，动量设置为0.9。迭代次数设置为10000，使用回调函数来查看模型的内在损失函数状态和精度，并保存最佳模型。当被监测的精度不再提升，则停止训练，其中每个检查点之间的间隔为100。
如图4，在另一实施例中，步骤5中订正方法包括，
S51：用双线性插值方法将海面高网格化预报时空序列插值到定点预报上，找出搜索范围内k个定点预报与由网格化预报格点得到的梯度差；
S52：使用基于梯度阈值的逐步订正方法将定点预报值拟合到网格化预报格点上，对N个误差点进行遍历，完成N个局部最大误差点的订正；
S53：以上方法采用不同的搜索范围Lx和Ly和梯度阈值Lf参数分别循环计算三次，最终计算得出订正后的海面高网格化分布。
在另一实施例中，基于梯度阈值的逐步订正计算公式为，
Figure BDA0002934142090000121
其中，
Figure BDA0002934142090000122
表示订正后的网格化定点预报，
Figure BDA0002934142090000123
表示网格化预报，
Figure BDA0002934142090000124
表示定点预报，
Figure BDA0002934142090000125
表示由
Figure BDA0002934142090000126
插值到
Figure BDA0002934142090000127
的梯度差，k表示搜索范围内定点预报个数，i表示空间网格点的索引；N表示定点预报总数，
Figure BDA0002934142090000128
表示搜索范围内第k个定点预报对格点i的基于梯度阈值的权重函数。
在另一实施例中，基于相关度和梯度阈值的权重函数为：
Figure BDA0002934142090000131
其中，xi和yi是空间网络上第i个网络点坐标，
Figure BDA0002934142090000132
和
Figure BDA0002934142090000133
分别表示空间上第n个定点预报网络坐标，Lx和Ly分别表示网格上纬向和经向的搜索范围，fi代表第i个网格点坐标的梯度值，
Figure BDA0002934142090000134
表示第n个定点预报梯度值，Ly表示定点预报与海面高网格化预报的梯度差阈值。
在另一实施例中，步骤S3中通过验证集对海面高多要素直接预报模型和定点预报模型的结果进行验证。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种基于多模型集成的海面高预报方法，其特征在于，步骤包括，
S1：收集多源卫星融合资料，提取海域的表层海洋环境多要素数据集；
S2：对多要素数据集进行预处理和数据集划分，划分成训练集、测试集和验证集；
S3：基于训练集构建基于卷积递归神经网络的海面高多要素直接预报模型，得出海面高网格化预报时空序列；
所述海面高多要素直接预报模型的构建步骤包括：
S31：将训练集中的多要素数据转换为五维张量，多要素数据为的海面高，海面温度异常和风速异常时空序列变量集合αT-X:T＝{SLA T-X:T,SSTA T-X:T,SPDAT-X:T}，五维张量维度为samples，timesteps，rows，cols，channels，其中samples表示训练样本量，timesteps表示时间窗，rows表示固定经度，cols表示固定纬度，channels表示通道；转换后的海面高时空序列，海面温度异常时空序列和风速异常时空序列分别存放在三个通道层；
S32：将五维张量通入卷积递归神经网络网格化预报模型，得到海面高网格化预报时空序列；
S4：基于海面高网格化预报时空序列和多要素数据集，通过构建好的海面高定点预报模型，得到海面高定点预报时间序列；
所述定点预报模型的构建步骤包括，
S41：计算海面高网格化预报时空序列
Figure FDA0003501072860000021
和卫星观测的海面高时空序列SLAT:T+X的时间平均均方根误差空间分布，提取出N个局部最大误差点对应的多源卫星观测时间序列T＝{S1,S2,S3,...,Sn}；其中S＝{SSLA,SSSTA,SSPDA}，表示海面高，海面温度异常和风速异常时间序列变量集合，海面高时间序列为多要素数据集中的要素之一；
S42：使用集和经验模态分解方法将N个局部最大误差点对应的多源卫星观测时间序列内的每个时间量Si分解成五个固有模态分量的时间序列IMF＝{IMF1，IMF2，IMF3，IMF4，IMF5}；
S43：将固有模态分量转换成维度为samples，timesteps，channels的三维张量序列；转换过程可通过pythonreshape命令实现；
S44：将三维张量序列通过深度神经网络定点预报模型，并对五个固有模态分量时间序列进行遍历，得到五个固有模态函数定点预报时间序列，并对五个固有模态函数预报时间序列对应求和得到局部最大误差点海面高定点预报时间序列；
S45：对N个局部最大误差点对应的多源卫星观测时间序列进行遍历，得到N个局部最大误差点的海面高预报时间序列；
S5：基于海面高网格化预报时空序列和海面高定点预报时间序列，基于梯度阈值的逐步订正方法计算出订正后的海面高网格化分布；
S6：将海面高网格化分布绘制成二维分布图并在终端上进行显示。
2.根据权利要求1中所述的一种基于多模型集成的海面高预报方法，其特征在于，所述卷积递归神经网络网格化预报模型包括：
第一部分：输入数据为五维张量，维度为：samples，timesteps，rows，cols，channels，网络第一层包含256个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，256的五维张量作为第二部分的输入；
第二部分：是批归一化层，输出维度为samples，timesteps，rows，cols，256的五维张量作为第三部分的输入；
第三部分：是一个包含128个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，128的五维张量作为第四部分的输入；
第四部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，128的五维张量作为第五部分的输入；
第五部分：是一个包含32个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，32的五维张量作为第六部分的输入；
第六部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，32的五维张量作为第七部分的输入；
第七部分：是一个包含32个卷积核数的二维卷积递归神经网络，卷积核大小为3×3，卷积的步长为1，保留边界处的卷积结果，经过ReLU激活函数处理，返回输出序列中的全部序列，输出维度为samples，timesteps，rows，cols，32的五维张量作为第八部分的输入；
第八部分：是一个批归一化层，输出维度为samples，timesteps，rows，cols，32的五维张量作为第九部分的输入；
第九部分：是一个包含1个卷积核的三维卷积神经网络，卷积核大小为3×3×3，卷积的步长为1，经过线性激活函数处理，输出维度为samples，timesteps，rows，cols，1的五维张量，该数据就是使用深度神经网络网格化模型预报出的海面高网格化预报时空序列。
3.根据权利要求1中所述的一种基于多模型集成的海面高预报方法，其特征在于，所述深度神经网络定点预报模型包括，
第一部分：输入数据为三维张量，维度为：samples，timesteps，channels，网络第一层是双曲正切激活函数的长短时记忆神经网络，输入单元的丢弃比例为0.1，用于输入的线性转换；循环层单元的丢弃比例为0.2，用于循环层状态的线性转换，输出维度为samples，timesteps，512的三维张量作为第二部分的输入；
第二部分：是一个包含256个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,256的数据作为第三部分的输入；
第三部分：是一个包含128个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,128的数据作为第四部分的输入；
第四部分：是一个包含X个神经元节点的全连接层，经过ReLU激活函数处理，得到维度为samples,X的数据，该数据就是固有模态函数预报时间，其中X为设置的时间窗。
4.根据权利要求1或3中所述的一种基于多模型集成的海面高预报方法，其特征在于，所述S5中订正的方法包括，
S51：用双线性插值方法将海面高网格化预报时空序列插值到每个定点预报上，找出搜索范围内k个定点预报与由网格化预报格点得到的梯度差；
S52：使用基于梯度阈值的逐步订正方法将定点预报值拟合到网格化预报格点上，完成所有N个局部最大误差点的订正；
S53：以上方法采用不同的搜索范围Lx和Ly和梯度阈值Lf参数分别循环计算三次，最终计算得出订正后的海面高网格化分布，Lx和Ly分别表示网格上纬向和经向的搜索范围。
5.根据权利要求4中所述的一种基于多模型集成的海面高预报方法，其特征在于，所述基于梯度阈值的逐步订正计算公式为：
Figure FDA0003501072860000061
其中，
Figure FDA0003501072860000062
表示订正后的网格化定点预报，
Figure FDA0003501072860000063
表示网格化预报，
Figure FDA0003501072860000064
表示定点预报，
Figure FDA0003501072860000065
表示由
Figure FDA0003501072860000066
插值到
Figure FDA0003501072860000067
的梯度差，k表示搜索范围内定点预报个数，i表示空间网格点的索引；N表示定点预报总数，
Figure FDA0003501072860000068
表示搜索范围内第k个定点预报对格点i的基于梯度阈值的权重函数。
6.根据权利要求5中所述的一种基于多模型集成的海面高预报方法，其特征在于，所述基于梯度阈值的权重函数为：
Figure FDA0003501072860000069
其中，xi和yi是空间网络上第i个网络点坐标，
Figure FDA00035010728600000610
和
Figure FDA00035010728600000611
分别表示空间上第n个定点预报网络坐标，Lx和Ly分别表示网格上纬向和经向的搜索范围，fi代表第i个网格点坐标的梯度值，
Figure FDA00035010728600000612
表示第n个定点预报梯度值，Lf表示定点预报与海面高网格化预报的梯度差阈值。
7.根据权利要求1中所述的一种基于多模型集成的海面高预报方法，其特征在于，通过验证集对海面高多要素直接预报模型和海面高定点预报模型的结果进行验证，通过测试集评估海面高多要素直接预报模型和海面高定点预报模型的泛化能力。
CN202110157174.9A 2021-02-04 2021-02-04 一种基于多模型集成的海面高预报方法 Expired - Fee Related CN112884217B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110157174.9A CN112884217B (zh) 2021-02-04 2021-02-04 一种基于多模型集成的海面高预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110157174.9A CN112884217B (zh) 2021-02-04 2021-02-04 一种基于多模型集成的海面高预报方法

Publications (2)

Publication Number Publication Date
CN112884217A CN112884217A (zh) 2021-06-01
CN112884217B true CN112884217B (zh) 2022-03-15

Family

ID=76057296

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110157174.9A Expired - Fee Related CN112884217B (zh) 2021-02-04 2021-02-04 一种基于多模型集成的海面高预报方法

Country Status (1)

Country Link
CN (1) CN112884217B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114494811B (zh) * 2022-02-07 2023-03-24 国家海洋环境预报中心 一种卫星沿轨海平面高度异常数据融合方法及系统
CN114936620B (zh) * 2022-03-04 2024-05-03 中国人民解放军国防科技大学 基于注意力机制的海表面温度数值预报偏差订正方法
CN114611608B (zh) * 2022-03-14 2024-04-09 中国人民解放军国防科技大学 基于深度学习模型的海表面高度数值预报偏差订正方法
CN115952407B (zh) * 2023-01-04 2024-01-30 广东工业大学 一种考虑卫星时序性和空域交互性的多径信号识别方法
CN117633712B (zh) * 2024-01-24 2024-04-19 国家卫星海洋应用中心 一种基于多源数据的海表高度数据融合方法、装置及设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146180A (zh) * 2018-08-24 2019-01-04 中国石油大学(华东) 一种基于卫星测高数据的海平面变化预测方法
CN110503231A (zh) * 2019-05-29 2019-11-26 中国石油大学(华东) 一种基于ConvLSTM的海面高度智能预测方法
CN112308973A (zh) * 2020-10-30 2021-02-02 无锡九方科技有限公司 基于机器学习的三维海洋要素场智能构建方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146180A (zh) * 2018-08-24 2019-01-04 中国石油大学(华东) 一种基于卫星测高数据的海平面变化预测方法
CN110503231A (zh) * 2019-05-29 2019-11-26 中国石油大学(华东) 一种基于ConvLSTM的海面高度智能预测方法
CN112308973A (zh) * 2020-10-30 2021-02-02 无锡九方科技有限公司 基于机器学习的三维海洋要素场智能构建方法及系统

Also Published As

Publication number Publication date
CN112884217A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN112884217B (zh) 一种基于多模型集成的海面高预报方法
CN112016736B (zh) 基于门控卷积和注意力机制的光伏发电功率的控制方法
CN115099500B (zh) 基于权重修正和drsn-lstm模型的水位预测方法
CN114445634A (zh) 一种基于深度学习模型的海浪波高预测方法及系统
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
Golam et al. A long short-term memory-based solar irradiance prediction scheme using meteorological data
CN112100911B (zh) 一种基于深度bilstm的太阳辐射预测方法
Wang et al. Multi-step ahead short-term predictions of storm surge level using CNN and LSTM network
CN116307291B (zh) 一种基于小波分解的分布式光伏发电预测方法及预测终端
CN111859054B (zh) 气象卫星数据的处理方法及装置
CN114792158A (zh) 基于时空融合图神经网络的多风电场短期功率预测方法
CN114330100A (zh) 一种短期光伏功率概率区间预测方法
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN109447843B (zh) 一种光伏出力预测方法及装置
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
Osawa et al. Wave height and peak wave period prediction using recurrent neural networks
CN110648030A (zh) 海水温度的预测方法及装置
Li et al. DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling
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
Pham et al. LS-SPP: A LSTM-Based Solar Power Prediction Method from Weather Forecast Information
CN117471575B (zh) 基于bo-lstm神经网络模型的台风浪波高预报方法
Xin et al. Sound Velocity Profiles Time Series Prediction Method Based on EMD-NARX Model
CN117421601B (zh) 一种海面蒸发波导临近期快速预报方法
Vincent et al. Hybrid Machine Learning Models for Storm Surge Prediction
CN117910656A (zh) 一种基于混合深度学习模型的磁暴短期预测方法

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220315