CN113807562A - 海洋表面温度的预测方法 - Google Patents

海洋表面温度的预测方法 Download PDF

Info

Publication number
CN113807562A
CN113807562A CN202110710911.3A CN202110710911A CN113807562A CN 113807562 A CN113807562 A CN 113807562A CN 202110710911 A CN202110710911 A CN 202110710911A CN 113807562 A CN113807562 A CN 113807562A
Authority
CN
China
Prior art keywords
surface temperature
data
model
ocean
sea
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
Application number
CN202110710911.3A
Other languages
English (en)
Inventor
冯源
李晨
孙天颖
张兰
徐忠伟
田苗苗
李首城
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202110710911.3A priority Critical patent/CN113807562A/zh
Publication of CN113807562A publication Critical patent/CN113807562A/zh
Pending legal-status Critical Current

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
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
    • 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
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

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

Abstract

本发明涉及海洋温度数据测算技术领域，具体地涉及一种海洋表面温度的预测方法。本申请通过注意力机制区分特征的重要程度，比较了全部和部分特征提取方案进行长期海表温度预报的结果，从全特征中丢弃重要程度最低的15维。实验结果表明部分特征的TCN预测模型在时效周期内保持了稳定的高精度。根据海表温度的相关研究，大海盆气候现象的发生和多种因素相关，全特征模型通过周围数据点海表温把风场的区域影响包含在内，同时也考虑了洋流在海下的热量搬运影响，并通过注意力机制区分重要程度解决了数据集庞大的问题，并且精度较高。

Description

海洋表面温度的预测方法
技术领域
本发明涉及海洋温度数据测算技术领域，具体地涉及一种海洋表面温度的预测方法。
背景技术
海表温是区域海洋生态系统健康的重要贡献者，其变化趋势可能导致海洋物种的生长、繁殖和分布范围。海洋快速变暖趋势会对海洋渔业产生强烈的影响。海表温度的预测对大中尺度的海洋物理现象具有重要的指导意义，例如，印度洋偶极子指数的定义与区域海表温异常变化有关。大规模海域的海表温度年预报有助于气候监测、洪水和干旱风险预警等方面的工作开展，例如印度洋会影响周边地区、南美中部、非洲南端、澳大利亚东南部、东北亚等区域出现气候异常。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种海洋表面温度的预测方法。
根据本发明提供的一种海洋表面温度的预测方法，包括如下步骤：
获取预设空间分辨率的海洋气象数据；
排序所述海洋气象数据中特征的重要程度，以获取特征排名；
按预设排除规则，丢弃所述特征排名中排名靠后的所述特征，以获得挑选后的数据；
利用所述挑选后的数据制作训练集；
利用所述训练集训练一预先搭建的网络模型，以得到能够预测海洋表面温度的预测模型；并通过所述预测模型获取预测数据。
进一步，利用所述挑选后的数据制作测试集，以用于测试所述预测模型的预测精度；
当所述预测模型的预测精度不足预设精度时，重复所述预测模型的训练过程，直至所述预测模型的预测精度符合预设精度。
进一步，从所述挑选后的数据中随机选择20％的数据用于制作验证集，以对所述预测模型进行参数调整。
进一步，所述海洋气象数据的空间分辨率为1°×1°。
进一步，在所述海洋气象数据中，至少从每个月的数据中丢弃如下特征：
垂直高度400m；
水下36m和65m温度；
分别处于水下25m、55m和95m层深的盐度；
水下15m和65m的东西方向海流；
水下5m、15m、25m、95m的南北方向海流；
距离数据收集海域中心点最远三个点的海标温度。
进一步，所述网络模型为一TCN模型。
进一步，所述网络模型的卷积核初始大小设置为8；
在每个残差块中，所述卷积核按照膨胀参数列表变大。
进一步，所述卷积核的个数设置为24。
进一步，在训练所述网络模型过程中，采用如下公式衡量所述网络模型学习海洋温度变化趋势的能力：
Figure BDA0003133722870000021
与现有技术相比，本发明具有如下的有益效果：
本申请通过注意力机制区分特征的重要程度，比较了全部和部分特征提取方案进行长期海表温度预报的结果，从全特征中丢弃重要程度最低的15维。实验结果表明部分特征的TCN预测模型在时效周期内保持了稳定的高精度。根据海表温度的相关研究，大海盆气候现象的发生和多种因素相关，全特征模型通过周围数据点海表温把风场的区域影响包含在内，同时也考虑了洋流在海下的热量搬运影响，并通过注意力机制区分重要程度解决了数据集庞大的问题，并且精度较高。本申请利用注意力机制以部分特征的方式完成了大海盆结构的长时间周期的海表温预报，模型效果稳定，更能应对海温异常变化情况的发生，对于研究大尺度的海洋物理现象有着重要的意义。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本申请一实施例提供的特征影响比例柱形图；
图2a、图2b、图2c、图2d、图2e、图2f、图2g、图2h为本申请一实施例提供的不同年份相关度空间分布图；
图3a、图3b、图3c、图3d为本申请一实施例提供的预测时间序列和真实事件序列的比较示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
容易理解，海表温(海洋表面温度)是区域海洋生态系统健康的重要贡献者，其变化趋势可能导致海洋物种的生长、繁殖和分布范围。海洋快速变暖趋势会对海洋渔业产生强烈的影响。海表温度的预测对大中尺度的海洋物理现象具有重要的指导意义，例如，印度洋偶极子(IOD)指数的定义与区域海表温异常变化有关。大规模海域的海表温度年预报有助于气候监测、洪水和干旱风险预警等方面的工作开展。印度洋会影响周边地区、南美中部、非洲南端、澳大利亚东南部、东北亚等区域出现气候异常。而本申请则旨在对获取海洋气象数据的海域进行一个较为长期的海洋表面温度预测，以为该海域的生活、工作、科研等内容进行适当指导。在现有技术中，有技术人员采用CFCC-LSTM神经网络，在渤海数据集上(空间分辨率0.05°x0.05°)对海表温度进行提前1天、7天和30天的预测。实验结果表明，CFCC-LSTM模型预测误差(RMSE)分别为0.1466℃、0.2722℃和0.7260℃。也有技术人员利用LSTM层对海表温时间序列数据进行建模，实验结果表明LSTM模型预测1天、7天、30天的RMSE为0.0767℃、0.3844℃和0.3928℃。另外还有技术人员改进了LSTM模型，以对预定海域进行1天、7天、30天的预测。但是总结现有技术中的预测结果容易看出，预测提前期越长，预测区域越大，预测精度越低。而且依托现有技术进行预测的难点还在于建立和训练每个小区域的模型需要大量的计算，特别是在空间分辨率高的大研究区域。目前的研究选取时间粒度小，空间分辨率高的日数据对短期小面积海域进行海表温度预测，仅使用海表温进行预测，对特征的选择单一。而对于大海域的长周期海温预报的研究相对较少。
大中尺度的物理海洋现象研究需要处理繁多庞杂的海洋数据，本申请在具体的实施例中利用过去十年五个月的海洋大气月度数据对大规模海域的海表温度进行了提前7个月的预报，通过注意力机制进行特佂选择，对比了部分特征模型与全特征模型效果，实验证明，使用的数据集空间分辨率低，时间粒度大，通过注意力机制缩小数据集但实验精度不降低，可以确定的是本申请提出的方法更适用于大海域物理海洋现象的研究。
本申请的这具体实施例面向印度洋内部，印度洋是世界的第三大洋(30°E-135°E，30°N-66.5°S)，位于亚洲、大洋洲、非洲和南极洲之间。本实施例采用美国气象环境预报中心(NCEP)提供的空间分辨率为1°×1°的再分析数据集，包含了大气温度、位势高度，垂直速度，水汽，东西风速，南北风速、海下温度、东西方向海流u和南北方向海流v等海洋-大气月数据。
本实施例选取1980年-2018年区域为经度(40°E–110°E)纬度(-25°S–25°N)的月度数据，组织整理两套数据集分别建模预测；并且选取连续十年及第十一年1-5月的数据(空间分辨率为1°×1°)，预测第十一年6-12月的海表温度。海洋表面受到波浪、风切变、热交换的动态影响，而来自海洋内部的热膨胀、海洋环流和湍流的混合作用也会产生动态影响。因此每个月包含大气、海面、海下参数因子(共81个)。在本实施例中，选取大气的温度，位势高度，垂直速度，水汽，东西风速，南北风速，在不同高度(1000 850 500 300hPa)上的数据，共24个大气因子。海面参数包含中心点的海面高(SSH)，中心点海表温(SST)及周围15个点的海表温度，共17个。海下参数包含中心点的不同海深(5,15,25,35,45,55,65,75,85,95m)的温度、东西方向海流、南北方向海流和盐度(SSS)，共40个。按顺序对特征标序号，通过上述选择特征的方式构建的模型成为全特征模型。特征总数为10125。
本申请通过注意力机制和TCN训练的2015年全特征模型得到特征重要程度排名，注意力机制的手段可以得到全特征对预测值的影响占比。全特征影响比例之和为1。本申请通过实验将最不重要的15维特征从每个月的数据中丢弃，依次是，垂直高度400m(这里的“m”指公制单位米，下同，即本申请中深度、高度等长度单位时采用“m”来表示。但表示长度单位时的“m”不同于样本数目m)，水下35、65m温度，25、55、95m层深的盐度，15、65m的u，5、15、25、95m的v以及距离中心点最远三个点的海表温度。经过挑选后特征总数为8250。
训练集分为特征和标记两部分，模型学习特征与标记的关系。本申请以滑动窗口的方式整理数据。测试集用于测试模型效果。2015年预测模型需要的训练集(共25*2533条数据，也称样本数目m)为印度洋有效数据点(2533个)1980-1989年及1990年1到5月数据作为特征，1990年6到12月海表温作为标记；1981-1990年及1991年1到5月数据作为特征，1991年6到12月的海表温作为标记。训练集最后取2004-2013年及2014年1-6月数据及对应的2014年7-12月海表温。测试集为2005-2014年及2015年1-6月数据和对应的2015年7-12月海表温，共2533条数据。
本申请使用了基于现有技术中提出的TCN(Temporal Convolutional Network，时间卷积网络)体系结构和注意力机制结合的方法。TCN应用了残差连接、一维卷积、膨胀卷积和因果卷积等多种方式使TCN结构在长处理时序空间问题时更具优势。本申请将训练集处理成(m，timesteps，feature_nums)(全特征模型feature_nums＝81,部分特征模型feature_nums＝66)的三维矩阵输入模型，m(这里的m并不同于公制单位“m”)为样本数目，timesteps＝125代表时间跨度，feature_nums为每个月的数据个数。
本申请设置TCN模型中的超参数，卷积核大小、个数分别为8和24，dilations＝[1,2,4,8,16,32,64,128,256]，卷积核大小决定了特征图中每个单元的值与输入的多大区域相关。对输入矩阵卷积时，卷积核每滑动一步提取输入矩阵的8个时间步的信息。经过实验，设置卷积核初始大小为8，在每个残差块，卷积核按膨胀参数列表变大，实验结果最好。
现有技术中多是将7天、20天、50天的历史海温数据作为特征预测未来1天、7天、30天的海表温，而本申请则是利用历史十年的海温数据进行年预报，更适用大中型海洋物理现象的研究要求。同时，采用膨胀卷积能够考虑更久的历史信息，比普通卷积更适用于预测海洋中的年际变化现象。
容易理解，卷积核的个数决定了卷积层生成特征图的个数，每一张特征图的包含信息不同。特征图个数过多，海温数据集中一些偶然性的变化都会被模型学习到。特征图过少，又难以学习到特征与海表温之间的关系。在本实施例中为了使模型的预测效果最优，可以将卷积核个数设置为24时，模型效果最优。
还有，注意力机制可以使得神经网络具备专注于其输入(或特征)子集的能力。由于我们的输入特征数较多，在神经网络学习过程中，注意力机制可以自己学习这些特征与输出之间的关系，并对某些对输出贡献较大的特征增加权重，以更好的找到特征与输出之间的关系。我们在将数据放入TCN之前，会加入注意力机制。即加入一层DENSE层，并使用softmax对每一个特征赋予一个0-1之间的值，将得到的权重矩阵再与原始输入相乘得到新的81维特征数据，再放入TCN进行学习。在训练过程中，神经网络会自动对权重矩阵进行学习，对重要的特征进行放大，对不重要的特征进行权重缩减以提高模型的能力。
如图1所示，是本实施例提供的特征影响比例柱形图。本实施例中提出的特征之间的重要程度，对全特征81维数据加注意力机制，生成特征影响比例柱形图。
本申请将二维训练集处理成三维矩阵(m，125，feature_nums)训练模型，随机挑选训练集中的20％作为验证集，调整模型参数，得到最优模型。本申请采用了RMSE和相关度两个评价机制，比较了不同特征训练的模型的预测精度。相关度代表预测SSTs时间序列和真实SSTs时序的相似程度，相关度越高，模型对真实值的拟合度越高，模型的精度也就越高。大规模海域的长期温度变化受各种因素的影响，如洋流、风场、海水流速等。海温变化呈规律性周期变化，通过温度时间序列的相似程度衡量模型学习海温变化趋势的能力。
Figure BDA0003133722870000071
公式1.Xpred，i、Xreal，i为一个数据点预测值、真实值，m＝2533。RMSE越小，模型表现越稳定。
表1展示2015～2018年全特征和部分特征模型(共8个)相关度平均值。表1通过研究海域上的相关度均值，全特征和部分特征模型预测SSTs序列对观测真值的拟合程度较高。
可以看出，部分特征的模型在15、16年相关度有所降低，但在17、18年相关度较之全特征模型有所提高，证明本申请提出的部分特征模型减少数据量的同时，基本维持了相关度不降低。
2016年印度洋反向IOD现象，表现为西部(50°E–70°E，10°S–10°N)区域平均海表温降低，东部(90°E–110°E，10°S-0°)区域平均海表温水平升高。这种异常性海表温变化与洋流、风场等多种因素相关，风场又影响海水流速，海水流动对温度场又产生影响。部分特征模型在2016年相关度下降可能与丢弃特征相关。通过注意力机制缩小数据集的方式适用于其他正常年份，而对异常变化的年份拟合度不够。如表1示出的2015年-2018年全特征模型和部分特征模型的平均相关度表。
表1：
Figure BDA0003133722870000072
通过相关度空间分布图可以看出区域上的相关度差异，从而比较全特征和部分特征模型效果。依次从图2a和图2b，图2c和图2d，图2e和图2f，图2g和图2h中可以看出，相关度在2015～2016年整体更高，2017、2018年相关度在7°S～-2°S，75°E～100°E之间有下降趋势。2015～2016年部分特征模型和全特征模型结果接近，误差增大趋势不明显。部分特征模型在2017年表现优于全特征模型，2018年的表现和全特征模型接近。纵观来看，研究区域的-10°S～-15°S、87°E～100°E相关度都比周围海域的相关度低，这可能是由于区域洋流运动导致海温变化复杂，可能会让模型误认为成噪点，从而学习不到海温的变化。
图3a、图3b、图3c、图3d分别展示了(-25°E，63°S)、(-12°E，73°S)两个数据点的预测SSTs时间序列和真实SSTs时间序列的比较，上方两个图是全特征模型预测结果，下方两个图是部分特征预测的结果。相关度由7个月真实SSTs时间序列和预测SSTs时间序列计算得出，通过真实和预测温度值随月份的变化曲线，可以具体的观测出温度拟合情况。任取数据点观测真实温度曲线和预测曲线的变化情况，可以衡量模型在单个数据点上的具体表现。从图中可以看出部分特征模型和全特征模型预测结果接近，都能大体上拟合数据点真实值的变化趋势。本申请通过注意力机制进行特征选择，从全特征模型到部分特征，数据更少，但没有影响模型的预测结果，从图中可以出，部分特征模型的误差基本与全特征模型的误差接近。
表2示出了2015年～2018年7-12月RMSE的对比表
表2
Figure BDA0003133722870000081
通过相关度的空间分布图和平均相关度的对比，不难发现，本申请通过注意力机制筛选出更重要的特征，减少数据总量，但相关度没有明显降低的趋势。长时间的海温信息对于一些气候变化以及海洋系统的稳定有着深远的意义。而这种研究需要的数据时间跨度长，特征繁多复杂，多源多模态的海洋-大气数据涵盖了影响大海盆温度变化的各种因素，但数据集庞杂，通过注意力机制区分特征的重要程度，受研究者主观影响少，预测结果依靠计算机的精准计算和客观分析。
通过上述实施例可知，本申请通过注意力机制区分特征的重要程度，比较了全部和部分特征提取方案进行长期海表温度预报的结果，从全特征中丢弃重要程度最低的15维。实验结果表明部分特征的TCN预测模型在时效周期内保持了稳定的高精度。根据海表温度的相关研究，大海盆气候现象的发生和多种因素相关，全特征模型通过周围数据点海表温把风场的区域影响包含在内，同时也考虑了洋流在海下的热量搬运影响。尽管涵盖多因素多层次的数据训练的全特征模型，全特征模型的训练数据涵盖多因素多层次的数据训练时间长，对硬件需要高，仅用海表温预测的结果又不够可靠，并且在长期海表温度的预测上误差偏大。但通过注意力机制区分重要程度解决了数据集庞大的问题，并且精度较高。本申请利用注意力机制以部分特征的方式完成了大海盆结构的长时间周期的海表温预报，模型效果稳定，更能应对海温异常变化情况的发生，对于研究大尺度的海洋物理现象有着重要的意义。
本申请通过TCN和注意力机制讨论缩小数据集大小对实验结果的影响，结果表明，数据集更小，精度较高。通过TCN体系结果利用历史海洋数据对海表温进行了提前7个月的预测，使用注意力机制对全特征的重要程度区分。构建部分特征的新数据集训练模型，预测了2015～2018年每年7-12月的海表温度，通过实验发现，部分特征模型的实验结果2016、2017年优于全特征模型，这种缩小数据集的方法在应对庞大精细的海洋数据时十分有效。本申请通过机器对特征筛选，不再单纯的依靠人力区分选择，对海洋物理和深度学习的结合有着深远的意义。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (9)

1.一种海洋表面温度的预测方法，其特征在于，包括如下步骤：
获取预设空间分辨率的海洋气象数据；
排序所述海洋气象数据中特征的重要程度，以获取特征排名；
按预设排除规则，丢弃所述特征排名中排名靠后的所述特征，以获得挑选后的数据；
利用所述挑选后的数据制作训练集；
利用所述训练集训练一预先搭建的网络模型，以得到能够预测海洋表面温度的预测模型；并通过所述预测模型获取预测数据。
2.根据权利要求1所述的海洋表面温度的预测方法，其特征在于，利用所述挑选后的数据制作测试集，以用于测试所述预测模型的预测精度；
当所述预测模型的预测精度低于预设精度时，重复所述预测模型的训练过程，直至所述预测模型的预测精度符合预设精度。
3.根据权利要求1所述的海洋表面温度的预测方法，其特征在于，从所述挑选后的数据中随机选择20％的数据用于制作验证集，以对所述预测模型进行参数调整。
4.根据权利要求1所述的海洋表面温度的预测方法，其特征在于，所述海洋气象数据的空间分辨率为1°×1°。
5.根据权利要求1所述的海洋表面温度的预测方法，其特征在于，在所述海洋气象数据中，至少从每个月的数据中丢弃如下特征：
垂直高度400m；
水下36m和65m温度；
分别处于水下25m、55m和95m层深的盐度；
水下15m和65m的东西方向海流；
水下5m、15m、25m、95m的南北方向海流；
距离数据收集海域中心点最远三个点的海标温度。
6.根据权利要求1所述的海洋表面温度的预测方法，其特征在于，所述网络模型为一TCN模型。
7.根据权利要求6所述的海洋表面温度的预测方法，其特征在于，所述网络模型的卷积核初始大小设置为8；
在每个残差块中，所述卷积核按照膨胀参数列表的内容变大。
8.根据权利要求7所述的海洋表面温度的预测方法，其特征在于，所述卷积核的个数设置为24。
9.根据权利要求1所述的海洋表面温度的预测方法，其特征在于，在训练所述网络模型过程中，采用如下公式衡量所述网络模型学习海洋温度变化趋势的能力：
Figure FDA0003133722860000021
CN202110710911.3A 2021-06-25 2021-06-25 海洋表面温度的预测方法 Pending CN113807562A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110710911.3A CN113807562A (zh) 2021-06-25 2021-06-25 海洋表面温度的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110710911.3A CN113807562A (zh) 2021-06-25 2021-06-25 海洋表面温度的预测方法

Publications (1)

Publication Number Publication Date
CN113807562A true CN113807562A (zh) 2021-12-17

Family

ID=78942598

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110710911.3A Pending CN113807562A (zh) 2021-06-25 2021-06-25 海洋表面温度的预测方法

Country Status (1)

Country Link
CN (1) CN113807562A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114372538A (zh) * 2022-03-22 2022-04-19 中国海洋大学 拖曳式传感器阵列中尺度涡时间序列卷积分类方法
CN114528768A (zh) * 2022-02-22 2022-05-24 国家海洋环境预报中心 近海单点海温智能预报方法、装置及计算机可读存储介质
CN114611800A (zh) * 2022-03-15 2022-06-10 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 一种黄海绿潮中长期趋势预测方法
CN116976149A (zh) * 2023-09-22 2023-10-31 广东海洋大学 一种海表温度预测方法
CN117852418A (zh) * 2024-03-07 2024-04-09 中国科学院地理科学与资源研究所 基于地理集成机器学习的海洋中深层流速数据重构方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109756842A (zh) * 2019-02-19 2019-05-14 山东大学 基于注意力机制的无线室内定位方法及系统
CN110334843A (zh) * 2019-04-22 2019-10-15 山东大学 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置
CN110516856A (zh) * 2019-08-12 2019-11-29 中国海洋大学 基于卷积神经网络的估算海洋次表层温度的方法
CN112288193A (zh) * 2020-11-23 2021-01-29 国家海洋信息中心 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
US20210117737A1 (en) * 2019-10-18 2021-04-22 Korea University Research And Business Foundation Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109756842A (zh) * 2019-02-19 2019-05-14 山东大学 基于注意力机制的无线室内定位方法及系统
CN110334843A (zh) * 2019-04-22 2019-10-15 山东大学 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置
CN110516856A (zh) * 2019-08-12 2019-11-29 中国海洋大学 基于卷积神经网络的估算海洋次表层温度的方法
US20210117737A1 (en) * 2019-10-18 2021-04-22 Korea University Research And Business Foundation Earthquake event classification method using attention-based convolutional neural network, recording medium and device for performing the method
CN112288193A (zh) * 2020-11-23 2021-01-29 国家海洋信息中心 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

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114528768A (zh) * 2022-02-22 2022-05-24 国家海洋环境预报中心 近海单点海温智能预报方法、装置及计算机可读存储介质
CN114528768B (zh) * 2022-02-22 2022-11-01 国家海洋环境预报中心 近海单点海温智能预报方法、装置及计算机可读存储介质
CN114611800A (zh) * 2022-03-15 2022-06-10 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 一种黄海绿潮中长期趋势预测方法
CN114611800B (zh) * 2022-03-15 2023-08-04 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 一种黄海绿潮中长期趋势预测方法
CN114372538A (zh) * 2022-03-22 2022-04-19 中国海洋大学 拖曳式传感器阵列中尺度涡时间序列卷积分类方法
CN116976149A (zh) * 2023-09-22 2023-10-31 广东海洋大学 一种海表温度预测方法
CN116976149B (zh) * 2023-09-22 2023-12-29 广东海洋大学 一种海表温度预测方法
CN117852418A (zh) * 2024-03-07 2024-04-09 中国科学院地理科学与资源研究所 基于地理集成机器学习的海洋中深层流速数据重构方法
CN117852418B (zh) * 2024-03-07 2024-05-14 中国科学院地理科学与资源研究所 基于地理集成机器学习的海洋中深层流速数据重构方法

Similar Documents

Publication Publication Date Title
CN113807562A (zh) 海洋表面温度的预测方法
US11488069B2 (en) Method for predicting air quality with aid of machine learning models
Sharafati et al. Application of newly developed ensemble machine learning models for daily suspended sediment load prediction and related uncertainty analysis
CN111382929A (zh) 一种构建河流硅藻水华预警模型的方法及装置
CN109143408B (zh) 基于mlp的动态区域联合短时降水预报方法
CN113704693B (zh) 一种高精度的有效波高数据估计方法
Heddam et al. Predicting total dissolved gas concentration on a daily scale using kriging interpolation, response surface method and artificial neural network: Case study of Columbia river Basin Dams, USA
Bernardino et al. Evaluation of extreme storm waves in the Black Sea
CN114217025B (zh) 评估空气质量浓度预测中气象数据对其影响的分析方法
CN113985496B (zh) 一种基于lstm-gm神经网络模型的风暴潮智能预报方法
CN113536373B (zh) 一种脱敏气象数据的生成方法
Obakrim et al. Statistical modeling of the space-time relation between wind and significant wave height
CN114139590A (zh) 用于估算海洋温度的方法
Lubkov et al. Method for reconstructing the monthly mean water transparencies for the northwestern part of the Black Sea as an example
Serencam et al. Determining the water level fluctuations of Lake Van through the integrated machine learning methods
CN117371303A (zh) 一种海浪下有效波高的预测方法
Noor et al. Prediction map of rainfall classification using random forest and inverse distance weighted (IDW)
Feng et al. Study on long term sea surface temperature (SST) prediction based on temporal convolutional network (TCN) method
CN116960962A (zh) 一种跨区域数据融合的中长期区域负荷预测方法
CN115113303A (zh) 基于元学习的厄尔尼诺极端天气预警方法及装置
Rashid et al. Stochastic simulation of storm surge extremes along the contiguous United States coastlines using the max-stable process
CN114819260A (zh) 一种水文时间序列预测模型动态生成方法
Caporali et al. Regional frequency analysis and geoadditive modeling for design storm estimates in the Arno river basin (Italy)
Majdzadeh Moghadam Neural network-based approach for identification of meteorological factors affecting regional sea-level anomalies
Feng et al. Study on the influence of attention mechanism in large-scale sea surface temperature prediction based on temporal convolutional network

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