CN112949178A - 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 - Google Patents
基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN112949178A CN112949178A CN202110224589.3A CN202110224589A CN112949178A CN 112949178 A CN112949178 A CN 112949178A CN 202110224589 A CN202110224589 A CN 202110224589A CN 112949178 A CN112949178 A CN 112949178A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- sea surface
- model
- neural network
- data
- 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.)
- Pending
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
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质。本发明涉及大气海洋数值预报和深度学习领域。包括混合递归神经网络预测模型,所述模型建立包括以下流程:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对预测结果进行可视化。首先,下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,主要包括一维卷积层、Dropout层和GRU层;最后对模型进行性能评估确定最优参数,再将预测结果转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化。
Description
技术领域
本发明涉及海洋数值预报和深度学习领域,特别设计一种基于深度学习方法的海面风场风速智能预测预报系统、计算机设备、存储介质。
背景技术
海面风场是海气交互界面的重要物理参数,与海洋中绝大多数的海水运动密切相关,不仅是海面波浪的直接动力成因,还驱动了区域和全球海洋环流的形成。海面风场还是海气相互作用的重要媒介,调节着海水和大气之间的物质以及能量输送,对全球气候调节有着十分重要的作用。
我国位于西北太平洋边缘,属于季风变换带,气候变化显著,沿海地区经常有台风出现,研究西北太平洋风场分布变化趋势,对于我国海上风能开发应用、防灾减灾、航海等海洋经济和军事发展有着深远的影响。准确预测海面风场风速的变化规律在海洋研究中具有重要的意义,现实中海面风场变化迅速,预测难度较大。目前预测海面风场风速的方法主要有经验预报、数值模式预报以及数据驱动预报。
经验预报是经过长时间的实践经验积累起来的,在某些特定情况下具有一定的优势。但是由于预报员的经验有个体差异,存在着若干不确定性。数值预报过程复杂,涉及到物理和数学方程,由于现实情况复杂,方程往往很难找到最优解,且需要消耗大量的计算资源。数据驱动预报目前主要集中于回归方程和机器学习等简单方法,预测误差较大,且海面风场风速的随机性和非线性等特点很难精准表达。
发明内容
基于上述问题,本发明实施例提供了一种基于深度学习方法的海面风场风速智能预测预报系统、计算机设备、存储介质,可以有效提高海面风场风速的预测准确率。为了对公开实施例的内容有一些基本的了解,下面给出简单的介绍描述。
根据本发明实施例的第一方面,提供了一种基于深度学习方法的海面风场风速智能预测预报系统。
在一些可选实施例中,所述系统包括混合递归神经网络预测模型,所述模型建立包括以下流程:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对预测结果进行可视化。首先下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,主要包括一维卷积层、Dropout层和GRU层;最后对模型进行性能评估确定最优参数,再将预测结果转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化展示。
可选地,所述对风场数据进行采集,具体包括:选择下载第五代ECMWF大气再分析全球气候数据ERA5中的海面10米以上U向和V向风,随后采用python的numpy库对其进行风速合成。
可选地,对所述得到的风速数据集进行预处理,具体包括:通过离差标准化的方法,将其映射到[0,1]之间,方便神经网络更好地进行训练。
可选地,对所述海面风速数据进行时空连续性重构,具体包括:海面风场数据主要在气象类NC文件数据中,以日期为单位,经纬度网格点为坐标轴的方式存储。为了将数据输入到神经网络预测模型,需对海面风场风速数据进行维度转换。以网格点为单位,提取出连续的海面风场风速时间序列。再根据经纬度以及风场高度构建原始的三维海面风场风速区域数据,最后选取合适的步长形成形如(samples,timestamp,features)的张量数据,以供神经网络的输入。
可选地,建立所述混合递归神经网络预测模型的步骤包括:
(1)卷积层部分叠加一维卷积层,对输入的张量进行一维的滑动卷积,提取时间序列的有效特征信息;
(2)叠加Dropout层来一定程度的消除过拟合;
(3)递归神经网络部分叠加GRU层,更加精准地挖掘时间序列的深层特征,提高预测精度。
可选地,所述对模型进行性能评估,选用RMSE、MAE、MSE三个评价函数作为衡量模型泛化能力的标准,选取评价函数数值最小的训练权重进行保存并将其相应的预测结果进行输出。
可选地,所述选用的评价函数RMSE、MAE、MAPE的公式表达分别为
其中Pi是模型预测风速值,Ri是真实观测风速值。
可选地,所述对模型预测结果进行可视化展现,具体包括:将预测结果转换回以时间为单位,经纬度网格点为坐标轴储存形式的切片型数据。最后采用python中的basemap库以等高线图的形式进行风场风速的可视化展现。
根据本发明实施例的第二方面,提供一种计算机设备。
在一些可选实施例中,所述计算机设备包括:存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序,所述处理器执行所述程序时实现以下步骤:建立混合递归神经网络预测模型,所述模型建立包括以下流程:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对预测结果进行可视化。首先下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,主要包括一维卷积层、Dropout层和GRU层;最后对模型进行性能评估确定最优参数,再将预测结果转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化展示。
可选地,所述对风场数据进行采集,具体包括:选择下载第五代ECMWF大气再分析全球气候数据ERA5中的海面10米以上U向和V向风,随后采用python的numpy库对其进行风速合成。
可选地,对所述得到的风速数据集进行预处理,具体包括:通过离差标准化的方法,将其映射到[0,1]之间,方便神经网络更好地进行训练。
可选地,对所述海面风速数据进行时空连续性重构,具体包括:海面风场数据主要在气象类NC文件数据中,以日期为单位,经纬度网格点为坐标轴的方式存储。为了将数据输入到神经网络预测模型,需对海面风场风速数据进行维度转换。以网格点为单位,提取出连续的海面风场风速时间序列。再根据经纬度以及风场高度构建原始的三维海面风场风速区域数据,最后选取合适的步长形成形如(samples,timestamp,features)的张量数据,以供神经网络的输入。
可选地,建立所述混合递归神经网络预测模型的步骤包括:
(1)卷积层部分叠加一维卷积层,对输入的张量进行一维的滑动卷积,提取时间序列的有效特征信息;
(2)叠加Dropout层来一定程度的消除过拟合;
(3)递归神经网络部分叠加GRU层,更加精准地挖掘时间序列的深层特征,提高预测精度。
可选地,所述对模型进行性能评估,选用RMSE、MAE、MSE三个评价函数作为衡量模型泛化能力的标准,选取评价函数数值最小的训练权重进行保存并将其相应的预测结果进行输出。
可选地,所述选用的评价函数RMSE、MAE、MAPE的公式表达分别为
其中Pi是模型预测风速值,Ri是真实观测风速值。
可选地,所述对模型预测结果进行可视化展现,具体包括:将预测结果转换回以时间为单位,经纬度网格点为坐标轴储存形式的切片型数据。最后采用python中的basemap库以等高线图的形式进行风场风速的可视化展现。
根据本发明实施例的第三方面,提供了一种存储介质。
在一些可选实施例中,所述存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时实现如下步骤:建立混合递归神经网络预测模型,所述模型建立包括以下流程:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对预测结果进行可视化。首先下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,主要包括一维卷积层、Dropout层和GRU层;最后对模型进行性能评估确定最优参数,再将预测结果转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化展示。
可选地,所述对风场数据进行采集,具体包括:选择下载第五代ECMWF大气再分析全球气候数据ERA5中的海面10米以上U向和V向风,随后采用python的numpy库对其进行风速合成。
可选地,对所述得到的风速数据集进行预处理,具体包括:通过离差标准化的方法,将其映射到[0,1]之间,方便神经网络更好地进行训练。
可选地,对所述海面风速数据进行时空连续性重构,具体包括:海面风场数据主要在气象类NC文件数据中,以日期为单位,经纬度网格点为坐标轴的方式存储。为了将数据输入到神经网络预测模型,需对海面风场风速数据进行维度转换。以网格点为单位,提取出连续的海面风场风速时间序列。再根据经纬度以及风场高度构建原始的三维海面风场风速区域数据,最后选取合适的步长形成形如(samples,timestamp,features)的张量数据,以供神经网络的输入。
可选地,建立所述混合递归神经网络预测模型的步骤包括:
(1)卷积层部分叠加一维卷积层,对输入的张量进行一维的滑动卷积,提取时间序列的有效特征信息;
(2)叠加Dropout层来一定程度的消除过拟合;
(3)递归神经网络部分叠加GRU层,更加精准地挖掘时间序列的深层特征,提高预测精度。
可选地,所述对模型进行性能评估,选用RMSE、MAE、MSE三个评价函数作为衡量模型泛化能力的标准,选取评价函数数值最小的训练权重进行保存并将其相应的预测结果进行输出。
可选地,所述选用的评价函数RMSE、MAE、MAPE的公式表达分别为
其中Pi是模型预测风速值,Ri是真实观测风速值。
可选地,所述对模型预测结果进行可视化展现,具体包括:将预测结果转换回以时间为单位,经纬度网格点为坐标轴储存形式的切片型数据。最后采用python中的basemap库以等高线图的形式进行风场风速的可视化展现。
本发明实施例的有益效果和优点如下:
海面风场信息还是气象预报所必备的参数,是很多海洋数值预报的背景因素。建立准确、实时、动态的海面风场风速智能化预报系统对于我国海上风能开发应用、防灾减灾、航海等海洋经济和军事发展有着深远的影响。本发明针对于现有的传统海面风场风速预测方法存在的一些需要计算资源庞大且预测准确率不高的问题提供了一种深度学习方法的海面风场风速智能预测预报系统、计算机设备、存储介质。将深度学习方法中的卷积神经网络和递归神经网络融合,设计了一种全新的混合递归神经网络预测模型,从而实现了从海面风场风速的历史数据中深度挖掘风速变化特点,进而预测风速变化趋势的新形式。相对于传统的经验预报、数值模式和机器学习等传统方法,本发明能够充分的挖掘海面风场风速数据的深层次特征,总结其变化的趋势规律,以更快的效率和更高的精度来进行预测研究。
附图说明
图1是根据一示例性实施例示出的一种基于深度学习方法的海面风场风速智能预测预报系统的总体工作流程示意图
图2是根据一示例性实施例示出的混合递归神经网络预测模型内部结构示意图
具体实施方式
应当提前指出,以下说明的目的是对本申请提供进一步的详细说明,是示例性的。本发明所用的技术方法和专业术语均与本申请所述领域的技术人员理解一致。在本说明中,使用的术语“包括”、“包含”其指明存在特征、步骤、操作、器件、组件和或者或它们的组合。
可选实施例中,所述系统包括混合递归神经网络预测模型,所述模型建立包括以下流程:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对预测结果进行可视化。首先下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,主要包括一维卷积层、Dropout层和GRU层;最后对模型进行性能评估确定最优参数,再将预测结果转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化展示。
图1是根据一示例性实施例示出的一种基于深度学习方法的海面风场风速智能预测预报系统的总体工作流程示意图
可选地,所述对风场数据进行采集,具体包括:选择下载第五代ECMWF大气再分析全球气候数据ERA5中的海面10米以上U向和V向风,随后采用python的numpy库对其进行风速合成。
可选地,对所述得到的风速数据集进行预处理,具体包括:通过离差标准化的方法,将其映射到[0,1]之间,方便神经网络更好地进行训练。
可选地,对所述海面风速数据进行时空连续性重构,具体包括:海面风场数据主要在气象类NC文件数据中,以日期为单位,经纬度网格点为坐标轴的方式存储。为了将数据输入到神经网络预测模型,需对海面风场风速数据进行维度转换。以网格点为单位,提取出连续的海面风场风速时间序列。再根据经纬度以及风场高度构建原始的三维海面风场风速区域数据,最后选取合适的步长形成形如(samples,timestamp,features)的张量数据,以供神经网络的输入。
可选地,建立所述混合递归神经网络预测模型的步骤包括:
(1)卷积层部分叠加一维卷积层,对输入的张量进行一维的滑动卷积,提取时间序列的有效特征信息;
(2)叠加Dropout层来一定程度的消除过拟合;
(3)递归神经网络部分叠加GRU层,更加精准地挖掘时间序列的深层特征,提高预测精度。
可选地,所述对模型进行性能评估,选用RMSE、MAE、MSE三个评价函数作为衡量模型泛化能力的标准,选取评价函数数值最小的训练权重进行保存并将其相应的预测结果进行输出。
可选地,所述选用的评价函数RMSE、MAE、MAPE的公式表达分别为
其中Pi是模型预测风速值,Ri是真实观测风速值。
可选地,所述对模型预测结果进行可视化展现,具体包括:将预测结果转换回以时间为单位,经纬度网格点为坐标轴储存形式的切片型数据。最后采用python中的basemap库以等高线图的形式进行风场风速的可视化展现。
在上述实施例示例中,还提供了一种包括指令的非临时性计算机可读存储介质,上述指令可由处理器执行以完成以下步骤:建立混合递归神经网络预测模型,所述模型建立包括以下流程:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对预测结果进行可视化。首先下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,主要包括一维卷积层、Dropout层和GRU层;最后对模型进行性能评估确定最优参数,再将预测结果转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化展示。
本发明通过使用深度学习方法来对海面风场风速数据进行预智能化测,相较于传统的经验预报、数值模式和机器学习等方法,能够更深度地挖掘海面风速数据的内在特征,提高预测准确率和计算效率,便于集成和大规模的应用。
以上所述,虽然将本发明将较佳具体实施方案描述如上,但仅是本发明的较佳实施例之一,并非用以限定本发明。任何熟悉本领域的技术人员在不脱离本发明技术方案内,当可以对上述具体实施方案做出些许更动或修饰为等同变化的实施方案,但但凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施内容所做的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于深度学习的海面风场风速智能预测预报系统,其特征在于,包括混合递归神经网络预测模型,所述模型建立包括以下流程:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对预测结果进行可视化。首先下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,主要包括一维卷积层、Dropout层和GRU层;最后对模型进行性能评估确定最优参数,再将预测结果转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化展示。
2.如权利1所述的系统,其特征在于,所述对风场数据进行采集,具体包括:选择下载第五代ECMWF大气再分析全球气候数据ERA5中的海面10米以上U向和V向风,随后采用python的numpy库对其进行风速合成。
3.如权利1所述的系统,其特征在于,对所述得到的风速数据集进行预处理,具体包括:通过离差标准化的方法,将其映射到[0,1]之间,方便神经网络更好地进行训练。
4.如权利1所述的系统,其特征在于,对所述海面风速数据进行时空连续性重构,具体包括:海面风场数据主要在气象类NC文件数据中,以日期为单位,经纬度网格点为坐标轴的方式存储。为了将数据输入到神经网络预测模型,需对海面风场风速数据进行维度转换。以网格点为单位,提取出连续的海面风场风速时间序列。再根据经纬度以及风场高度构建原始的三维海面风场风速区域数据,最后选取合适的步长形成形如(samples,timestamp,features)的张量数据,以供神经网络的输入。
5.如权利要求1所述的系统,其特征在于,建立所述混合递归神经网络预测模型的步骤包括:
(1)卷积层部分叠加一维卷积层,对输入的张量进行一维的滑动卷积,提取时间序列的有效特征信息;
(2)叠加Dropout层来一定程度的消除过拟合;
(3)递归神经网络部分叠加GRU层,更加精准地挖掘时间序列的深层特征,提高预测精度。
6.如权利5所述的系统,其特征在于,所述对模型进行性能评估,选用RMSE、MAE、MSE三个评价函数作为衡量模型泛化能力的标准,选取评价函数数值最小的训练权重进行保存并将其相应的预测结果进行输出。
8.如权利1所述的系统,其特征在于,所述对模型预测结果进行可视化展现,具体包括:将预测结果转换回以时间为单位,经纬度网格点为坐标轴储存形式的切片型数据。最后采用python中的basemap库以等高线图的形式进行风场风速的可视化展现。
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序,其特征在于,所述处理器执行所述程序时实现以下步骤:采集并预处理海面风场风速数据,重构数据时空连续性,搭建混合神经网络模型,以及评估模型性能和对风场风速进行可视化展示。首先下载并对海面风场风速数据集进行预处理;其次对海面风速数据进行维度重构,以坐标格点为单位,提取出连续的海面风场时间序列;再次搭建混合递归神经网络模型,包括输入层、一维卷积层、递归神经网络层和输出层;最后对模型进行性能评估确定最优参数,再将风速数据转换回以日期为单位,经纬度网格点为坐标轴的形式,并对其进行可视化展现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224589.3A CN112949178A (zh) | 2021-03-01 | 2021-03-01 | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110224589.3A CN112949178A (zh) | 2021-03-01 | 2021-03-01 | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949178A true CN112949178A (zh) | 2021-06-11 |
Family
ID=76246860
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110224589.3A Pending CN112949178A (zh) | 2021-03-01 | 2021-03-01 | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949178A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962462A (zh) * | 2021-10-25 | 2022-01-21 | 中国科学院空天信息创新研究院 | 基于卷积神经网络的风场稳定度预测方法及系统 |
CN114779368A (zh) * | 2022-03-22 | 2022-07-22 | 同济大学 | 基于多变量海气耦合器的enso预测方法、装置、设备及介质 |
WO2022266910A1 (zh) * | 2021-06-24 | 2022-12-29 | 清华大学 | 台风活动的预测方法、装置、设备及存储介质 |
CN115577297A (zh) * | 2022-10-21 | 2023-01-06 | 武汉理工大学 | 一种可视化海域风场模拟与预测系统及其方法 |
CN117094254A (zh) * | 2023-10-20 | 2023-11-21 | 自然资源部第一海洋研究所 | 基于风场敏感度参数提高海洋模式模拟精度的方法及系统 |
CN117217424A (zh) * | 2023-11-07 | 2023-12-12 | 长江三峡集团实业发展(北京)有限公司 | 海上风电场的理论发电量快速评估系统构建方法及装置 |
CN117972315A (zh) * | 2024-03-29 | 2024-05-03 | 山东省科学院海洋仪器仪表研究所 | 基于混合神经网络预测模型的漂流浮标轨迹预测方法 |
-
2021
- 2021-03-01 CN CN202110224589.3A patent/CN112949178A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022266910A1 (zh) * | 2021-06-24 | 2022-12-29 | 清华大学 | 台风活动的预测方法、装置、设备及存储介质 |
CN113962462A (zh) * | 2021-10-25 | 2022-01-21 | 中国科学院空天信息创新研究院 | 基于卷积神经网络的风场稳定度预测方法及系统 |
CN114779368A (zh) * | 2022-03-22 | 2022-07-22 | 同济大学 | 基于多变量海气耦合器的enso预测方法、装置、设备及介质 |
CN115577297A (zh) * | 2022-10-21 | 2023-01-06 | 武汉理工大学 | 一种可视化海域风场模拟与预测系统及其方法 |
CN117094254A (zh) * | 2023-10-20 | 2023-11-21 | 自然资源部第一海洋研究所 | 基于风场敏感度参数提高海洋模式模拟精度的方法及系统 |
CN117094254B (zh) * | 2023-10-20 | 2024-01-09 | 自然资源部第一海洋研究所 | 基于风场敏感度参数提高海洋模式模拟精度的方法及系统 |
CN117217424A (zh) * | 2023-11-07 | 2023-12-12 | 长江三峡集团实业发展(北京)有限公司 | 海上风电场的理论发电量快速评估系统构建方法及装置 |
CN117217424B (zh) * | 2023-11-07 | 2024-02-13 | 长江三峡集团实业发展(北京)有限公司 | 海上风电场的理论发电量快速评估系统构建方法及装置 |
CN117972315A (zh) * | 2024-03-29 | 2024-05-03 | 山东省科学院海洋仪器仪表研究所 | 基于混合神经网络预测模型的漂流浮标轨迹预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949178A (zh) | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 | |
US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
Haley Jr et al. | Forecasting and reanalysis in the Monterey Bay/California current region for the autonomous ocean sampling network-II experiment | |
CN107688906B (zh) | 多方法融合的输电线路气象要素降尺度分析系统及方法 | |
CN102254239A (zh) | 基于微地形风场分布及台风叠加效应的电网风灾预警系统 | |
CN102004856B (zh) | 高频观测资料实时数据的快速集合卡曼滤波同化方法 | |
Wagner et al. | Can Lagrangian tracking simulate tracer spreading in a high-resolution ocean general circulation model? | |
CN101718775A (zh) | 围垦地土壤中重金属含量的空间变异分布图生成方法 | |
Güner et al. | Estimation of wave parameters based on nearshore wind–wave correlations | |
CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
Song et al. | A continuous space location model and a particle swarm optimization-based heuristic algorithm for maximizing the allocation of ocean-moored buoys | |
Qin et al. | Development of a GIS-based integrated framework for coastal seiches monitoring and forecasting: A North Jiangsu shoal case study | |
CN116739502A (zh) | 一种基于大数据与深度学习的海洋综合监测方法 | |
CN117744411B (zh) | 一种基于海洋气象趋势的船舶失速预测方法及系统 | |
Meng et al. | Remote Sensing for Subsurface and Deeper Oceans: An overview and a future outlook | |
CN115879498A (zh) | 一种基于图神经网络的海洋环境参数快速精细化预报方法 | |
CN117253344A (zh) | 一种海水酸化预警预报方法、系统及电子设备 | |
Menshutkin et al. | Ecosystem modeling of freshwater lakes (Review): 1. Hydrodynamics of lakes | |
Peng | Application of marine remote sensing technology in the development of fishery economy | |
CN105676313B (zh) | 用于跨海大桥施工海域波浪场、风速场的区域预测方法 | |
CN116797756B (zh) | 一种全息海洋背景场实现方法 | |
CN117852418B (zh) | 基于地理集成机器学习的海洋中深层流速数据重构方法 | |
CN113592664B (zh) | 农作物生产空间预测模拟方法、设备、模型及存储介质 | |
Ju et al. | Impacts of Seasonal and Interannual Variabilities of Sea Surface Temperature on its Short-term Deep-learning Prediction Model Around the Southern Coast of Korea | |
Chen et al. | Research on Data Management of Marine Disaster Mitigation Based on Big Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |