CN113869350A - 基于空间特征差异的海流预测方法以及系统 - Google Patents
基于空间特征差异的海流预测方法以及系统 Download PDFInfo
- Publication number
- CN113869350A CN113869350A CN202110892917.7A CN202110892917A CN113869350A CN 113869350 A CN113869350 A CN 113869350A CN 202110892917 A CN202110892917 A CN 202110892917A CN 113869350 A CN113869350 A CN 113869350A
- Authority
- CN
- China
- Prior art keywords
- data
- area
- flow field
- model
- correlation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005192 partition Methods 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000004044 response Effects 0.000 claims abstract description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 55
- 239000010410 layer Substances 0.000 claims description 30
- 238000013527 convolutional neural network Methods 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 239000002344 surface layer Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 7
- 238000013277 forecasting method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 230000015654 memory Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012950 reanalysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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"
-
- 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)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于空间特征差异的海流预测方法以及系统,方法包括:确定研究区域和研究时间;获取待预测海域的在一段时间内的表现因子和影响因子;根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区;根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型;整合各个分区的流场模型,建立全区域流场模型,以确定全区域流场对影响因子的非线性响应;根据所述全区域流场模型获取预测流场数据。本发明可以在考虑各类相关影响因素的同时,进行长周期的海表流场预测,可广泛应用于海流数据处理技术领域。
Description
技术领域
本发明涉及海流数据处理技术领域,尤其是基于空间特征差异的海流预测方法以及系统。
背景技术
海洋经济是拉动国民经济发展的有力引擎,海洋预报是一切海上活动安全进行的基础。海流作为重要的海洋水文要素,是海洋预报的重要组成部分,同时海流对海洋中多种物理过程、化学过程、生物过程及海洋表面上空变化有着关键的影响和制约作用。海表流场预测准确性直接影响海洋经济利益,在减少极端天气下的海洋经济损失方面有着重要地位。利用实际海流数据,运用相关模型寻找相关关系,达到短时海流数据预测,对数据预测的精度及稳定性有着更高的要求。现阶段海流预报方法大致分为三类:人工预报方法、神经网络预报方法和数值建模预报方法。
1传统人工预报方法
包含海浪经验统计预报方法和半经验半理论预报方法。该预报方法是通过历史经验和基本理论方法计算未来流场,预测结果为经验理论值,在不同类型海域中的预测精度不同,且预测精度低,不能为海上生产生活提供精确流场预测。
2神经网络预报法
以观测数据为分析基础,并具有非线性的结构特性,可用来模拟较难理解的物理方程关系。该方法的预测能力与数据量大小和数据典型性密切相关,故海流数据量的大小和典型性会直接影响预测结果。另一方面,神经网络还面临网络结构选定,陷入局部极小化和收敛速度慢等问题。
3数值建模预报方法
现阶段的主要成果有基于WAM(the Wave Model)改进的WAVEWATCH模式,该模式优化考虑波-流相互作用和海-气界面物理机制,对物理控制方程、数值建模方法等方面进行改进,直接计算波浪的非线性相互作用,现阶段已被广泛应用。另一方面,该预报方法需要确定流场的物理边界和大量的计算资源,预测效率和预测适用性有待提高。
当前海流预测模型具有单一性,即依据单一空间点位下的时频域规律、周期特征或单一时间下的空间模态变化规律进行预测。当前模型对数据的要求较高,主要表现在数据的完整性、间隔性、以及规整性上。现有的海流模型仅依赖地区性主导因子进行流场预测,缺乏余流场与相关影响因素间关系的探讨,并且多集中于极值分析,并不完全适用于长时间、多地域的流场。
发明内容
有鉴于此,本发明实施例提供一种基于空间特征差异的海流预测方法以及系统,可以在考虑各类相关影响因素的同时,进行长周期的海表流场预测。
本发明的一方面提供了基于空间特征差异的海流预测方法,包括:
确定研究区域和研究时间;
获取待预测海域的在一段时间内的表现因子和影响因子;其中,所述表现因子包括实测流场数据;所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据;
根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区;
根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型;
整合各个分区的流场模型,建立全区域流场模型,以确定全区域流场对影响因子的非线性响应;
根据所述全区域流场模型获取预测流场数据,所述预测流场数据包括风场数据、潮流数据和水深数据。
可选地,所述方法还包括:
根据所述表现因子和所述影响因子,对所述表现因子和所述影响因子的时空变化规律进行可视化操作,绘制得到实测流场数据的流场矢量变化图、影响因子的潮汐相位变化图、风场矢量图、地形高程图和水深等值线图。
可选地,所述根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区,包括:
根据潮流数据建立待预测海域的非线性潮汐运动模型;
根据所述非线性潮汐运动模型,确定潮流与待预测海域的流场之间的相关性;
根据风场数据建立待预测海域的风场模型;
根据所述风场模型,确定风场数据与所述待预测海域的流场之间的相关性;
根据水深数据,利用线性插值确定所述待预测海域的地形高程数据;
根据所述地形高程数据,确定地形与所述待预测海域的流场之间的相关性;
在空间上逐层划分所述待预测海域,并确定划分得到的各个分区的影响因子与海流之间的相关性参数值。
可选地,所述在空间上逐层划分所述待预测海域,并确定划分得到的各个分区的影响因子与海流之间的相关性参数值,包括:
根据所述潮流与待预测海域的流场之间的相关性,以相关性中位数为判断值,将海域中相关性大于或等于所述判断值的海域归为第一区域,小于所述判断值的海域归为第二区域;
根据所述风场数据与所述待预测海域的流场之间的相关性,以相关性中位数为判断值;将所述第一区域中相关性大于或等于所述判断值的海域归于第三区域,小于所述判断值的海域归于第四区域;将所述第二区域中相关性大于或等于所述判断值的海域归于第五区域,小于所述判断值的海域归于第六区域;
根据所述地形与所述待预测海域的流场之间的相关性,以相关性中位数为判断值;将所述第三区域中相关性大于或等于所述判断值的海域归于第七区域,小于所述判断值的海域归于第八区域;将所述第四区域中相关性大于或等于所述判断值的海域归于第九区域,小于所述判断值的海域归于第十区域;将所述第五区域中相关性大于或等于所述判断值的海域归于第十一区域,小于所述判断值的海域归于第十二区域;将所述第五区域中相关性大于或等于所述判断值的海域归于第十三区域,小于所述判断值的海域归于第十四区域;
将所述第七区域、所述第八区域、所述第九区域、所述第十区域、所述第十一区域、所述第十二区域、所述第十三区域以及所述第十四区域确定为划分得到的各个分区。
可选地,所述根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型,包括:
向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型进行学习处理,得到所述卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型的预测结果。
可选地,所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用卷积神经网络机器学习模型进行学习处理,得到卷积神经网络机器学习模型的预测结果,包括:
向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据,作为训练数据;
对所述训练数据进行Butterworth二阶滤波去噪处理;
对去噪处理后的数据进行初始网格化处理;
配置卷积神经网络模型的初始迭代次数;
计算网格输出值误差;
判断所述网格输出值误差是否满足误差要求,若是,则确定所述卷积神经网络的参数,并根据输入的训练时段的流场数据、风场数据、潮流数据、水深数据,输出海表流场的预测结果;反之,则计算误差梯度中激活函数的分数阶导数,并根据所述分数阶导数计算误差梯度,然后通过所述误差梯度对网络权重进行调整,并重新计算网格输出值误差,直至所述网格输出值误差满足误差要求。
可选地,所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用LSTM预测模型进行学习处理,得到LSTM预测模型的预测结果,包括:
向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据,作为训练数据;
对所述训练数据进行Butterworth二阶滤波去噪处理;
对去噪处理后的数据进行归一化处理;
根据归一化处理后的数据训练LSTM预测模型;
对所述LSTM预测模型的参数进行调整后,对所述LSTM预测模型进行诊断性测试,直至所述诊断性测试结果收敛后得到最终LSTM预测模型;
根据输入至所述最终LSTM预测模型的训练时段的流场数据、风场数据、潮流数据、水深数据,输出海表流场的预测结果。
可选地,所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用BP神经网络预测模型进行学习处理,得到BP神经网络预测模型的预测结果,包括:
向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据,作为训练数据;
对所述训练数据进行Butterworth二阶滤波去噪处理;
确定所述BP神经网络预测模型的输入层节点数和输出层节点数;
确定传递函数与训练算法;
配置隐含层的节点数;
根据所述输入层节点数、输出层节点数、传递函数、训练算法以及隐含层节点数,建立BP神经网络模型;
获取BP神经网络模型的训练结果;
判断所述训练结果是否达标,若是,则得到最终BP神经网络模型;反之,则调整所述隐含层节点数并重新获取BP神经网络模型的训练结果,直至所述训练结果达标;
根据输入至所述最终BP神经网络模型的训练时段的流场数据、风场数据、潮流数据、水深数据,输出海表流场的预测结果。
本发明实施例另一方面还提供了一种基于空间特征差异的海流预测系统,包括:
第一模块,用于确定研究区域和研究时间;
第二模块,用于获取待预测海域的在一段时间内的表现因子和影响因子;其中,所述表现因子包括实测流场数据;所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据;
第三模块,用于根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区;
第四模块,用于根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型;
第五模块,用于整合各个分区的流场模型,建立全区域流场模型,以确定全区域流场对影响因子的非线性响应;
第六模块,用于根据所述全区域流场模型获取预测流场数据,所述预测流场数据包括风场数据、潮流数据和水深数据。
可选地,还包括:
数据输入模块,用于输入待预测海域的实测流场数据及地形数据、对应时间段的潮流数据、波浪数据和风场数据;
海域分区模块,用于根据所述实测流场数据、地形数据、潮流数据和风场数据确定各相关因素的相关程度以及确定流场预报的区域划分;
表层流场预测模块,用于根据所划分的区域及其对应的风场数据、潮流数据、水深数据,确定各因子共同作用下的预测流场数据及其拟合程度。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行前面的方法。
本发明的实施例首先确定研究区域和研究时间;获取待预测海域的在一段时间内的表现因子和影响因子;其中,所述表现因子包括实测流场数据;所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据;根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区;根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型;整合各个分区的流场模型,建立全区域流场模型,以确定全区域流场对影响因子的非线性响应;根据所述全区域流场模型获取预测流场数据,所述预测流场数据包括风场数据、潮流数据和水深数据。本发明可以在考虑各类相关影响因素的同时,进行长周期的海表流场预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体步骤流程图;
图2为本发明实施例提供的分区建立模型的流程图;
图3为本发明实施例提供的CNN预测模型的建立及计算过程示意图;
图4为本发明实施例提供的LSTM预测模型的建立及计算过程示意图;
图5为本发明实施例提供的BP神经网络预测模型建立及计算过程示意图;
图6为本发明实施例提供的预测方法的实现过程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的问题,本发明提出一项基于空间特征差异的海流预测方法,通过发掘海表流场与各类影响因子的关系,根据海表流场与各类影响因子的相关性划分子区域,再对比不同机器学习预测方法在子空间中的作用效果,选取最优一项作为预测结果。本发明的方法在考虑各类相关影响因素的同时,可进行长周期的海表流场预测。
具体地,如图1所示,本发明的方法的具体实施步骤为:
首先确定研究区域及时间,然后获取所预测海域这一时段的表现因子(实测流场数据)以及影响因子(该海域的地形数据、同一时段的潮流、水深和风场数据等);对各因子的时空变化规律进行可视化操作,即绘制实测流场数据的流场矢量变化图及影响因子的潮汐相位变化图、风场矢量图、地形高程图和水深等值线图等。
建立相关性模型,分别确定影响因子与所测海域的实测流场的相关性,然后根据相关性的强弱,在空间上逐层划分研究区域,确定各个分区影响因子的相关性参数值,分区建立模型流程见图2,具体步骤为:
1.根据潮流数据建立所测海域的非线性潮汐运动模型;根据非线性的潮汐运动模型,利用相关性模型确定潮流与所测流场的相关性;根据风场数据建立所测海域的风场模型;根据风场模型,利用相关性模型确定风场与所测流场的相关性;根据水深数据,利用线性插值确定所测海域的地形高程数据;根据地形高程数据,利用相关性模型确定地形与所测流场的相关性。
2.在空间上逐层划分所测海域,并确定各区域的各影响因子与海流的相关性参数值,具体步骤为:根据上述的潮流与所测流场的相关性,以相关性中位数为判断值,研究海域中相关性大于或等于判断值的海域归于第一区域1,小于判断值的海域归于第二区域2;根据上述的风场与流场的相关性,以相关性中位数为判断值。第一区域1中相关性大于或等于判断值的海域归于第三区域1-1,小于判断值的海域归于第四区域1-2。第二区域2中相关性大于或等于判断值的海域归于第五区域2-1,小于判断值的海域归于第六区域2-2。根据上述地形与余流场剥离风场影响下的流场部分后所剩余流场的相关性,以相关性中位数为判断值。第三区域1-1中相关性大于或等于判断值的海域归于第七区域1-1-1,小于判断值的海域归于第八区域1-1-2。第四区域1-2中相关性大于或等于判断值的海域归于第九区域1-2-1,小于判断值的海域归于第十区域1-2-2。第五区域2-1中相关性大于或等于判断值的海域归于第十一区域2-1-1,小于判断值的海域归于第十二区域2-1-2。第四区域1-2中相关性大于或等于判断值的海域归于第十三区域2-2-1,小于判断值的海域归于第十四区域2-2-2。最后,研究海域被划分为1-1-1,1-1-2,1-2-1,1-2-2,2-1-1,2-1-2,2-2-1,2-2-2八个子区域。若考虑其他影响因素则区域划分可依此步骤继续进行。
接下来对各个分区输入研究时间内的表现因子及影响因子的数据,分别建立各个分区流场与各影响因子的机器学习模型,得到各个分区的流场模型,建立机器学习模型的步骤为:1.对于上述划分的八个小区域分别输入训练时段的流场、风场、潮流、水深数据和预测时段的风场、潮流、水深数据,使用卷积神经网络机器学习模型CNN(ConvolutionalNeural Networks)进行学习处理,CNN预测模型建立及计算过程见图3,输出各区域的预测流场值。
具体步骤为:将训练集数据输入模型后进行butterworth滤波,巴特沃斯滤波器只需要两个参数表征,滤波器的阶数N和-3dB处的截止频率Ωc,此处2阶N=2,其幅度平方函数为:
2阶滤波器有4个极点,而且这4个极点均布在一个圆上,圆的半径为,称之为Butterworth圆,Butterworth滤波器系统是一个线性系统,要使其稳定,其极点必须位于S平面的左半平面,所以取左半平面内的2个极点作为滤波器的极点,滤波器就是稳定的了,求出极点之后,计算模拟滤波器的系数,然后通过双线性变换由模拟域到数字域,最后通过差分方程计算滤波结果。
得出滤波结果后,将数据整理成矩阵的形式输入所选择的CNN模型中进行训练,运用已训练好的模型预测已有数据,计算预测值的贝叶斯误差,若误差小于0.05则满足要求。贝叶斯误差的公式为:
不满足要求时运用梯度下降法找到贝叶斯函数的局部极小值,通过对函数当前点对应梯度的相反方向以一定的步长距离进行迭代搜索,越接近目标值,步长越小,下降越慢,运用该梯度调整网络权重值,重新计算,直到得到符合要求的输出结果。
2.分别对这八个小区域输入训练时段的流场、风场、潮流、水深数据和预测时段的风场、潮流、水深数据,使用长短期记忆模型LSTM(Long Short Term Memory networks)进行学习处理,LSTM预测模型建立及计算过程见图4,输出各区域的预测流场数据和预测有效值。
具体步骤为:运用Butterworth二阶滤波去除噪声,滤波方法同上。将滤波数据进行数据归一化处理,处理具体步骤如下:
设数据集为矩阵X,则:
经过归一化之后变为矩阵:
而后设定模型中各种参数进行模型训,若模型不收敛,调整参数再次训练至模型收敛为止。
3.分别对这八个小区域输入训练时段的流场、风场、潮流、水深数据和预测时段的风场、潮流、水深数据,使用BP(Back Propagation)神经网络模型进行学习处理,BP神经网络预测模型建立及计算过程见图5,输出各区域的预测流场数据和预测有效值。
具体步骤为:运用Butterworth二阶滤波去除噪声,滤波方法同上。而后确定根据数据种类确定输入层节点数和输出层节点数、传递函数和训练算法,拟定一个隐含层节点数建立模型进行训练,若训练结果不达标,则修改隐含层节点数重新训练,直到训练结果达标为止。
4.对比上述三种方法得到的预测有效值,在八个小区域中分别输出预测有效值最大的方法的预测流场数据,八个小区域的预测流场数据组合成最终的研究海域海表流场预测结果。
整合各个分区的流场模型,建立全区域流场模型,得到全区域流场对影响因子的非线性响应。对于相邻两个区域交界线上的点,可能出现整合后同一个点两个区域预测值不一致的情况,针对此情况的处理方法为:在两个预测值相差不大的情况下(两个预测值的流向夹角不超过30°,大小相差不超过50%),直接将两个值进行矢量平均,差异过大则将该点定为缺失点,后期模型修正时进行插补。
根据同区域再分析资料进行模型验证:由已知新样本得到模型预测值,与流场实测值进行比较,分析误差值。最后通过机器学习比对流场预测值与实测值,建立流场真实值与模型预测值的关系,进行参数调整,插补缺失资料,进行模型修正。
整合成海表流预报系统,该系统预测方法操作流程见图6,包括数据输入模块,用于输入预测海域的实测流场数据及其地形数据、对应时间段的潮流数据、波浪数据和风场数据;海域分区模块,用于根据所述实际流场数据、地形数据、潮流数据和风场数据确定各相关因素的相关程度及以此确定流场预报的区域划分;表层流场预测模块,用于根据所划分的区域及其对应的风场、潮流、水深数据,确定各因子共同作用下的预测流场数据及其拟合程度。
综上所述,相较于现有技术,本发明具有以下优点:
1.物理模型的建立花费时间长,适用海域范围有限,并且存在边界条件约束;而本方法是基于高频雷达系统精细化的实测数据进行分析,使得预测结果高精度、实时性强、准确率高等特点。
2.本方法是数据驱动的预测模型,探寻流场与风场、水深等因素之间的关系,并且基于实际理论将各个影响因素逐一剥离,可以探寻出研究海域的主要影响因素。
3.本方法对于大范围的海域采取先根据水深不同划分不同的空间区域,对于划分后的海域,结合海域主要影响因素,选取最合适的机器学习预测模型,提高了预测值的精准度。
4.本方法不需要物理建模,计算过程较传统物理建模方法简单,在减少计算时间和成本的同时提高了预测精度。
5.本发明的方法的适用性范围广,前瞻性强。
6.本发明的方法适用于填补因为天气变化或者测量盲区导致的流场缺测值。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元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,本发明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)执行本发明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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于空间特征差异的海流预测方法,其特征在于,包括:
确定研究区域和研究时间;
获取待预测海域的在一段时间内的表现因子和影响因子;其中,所述表现因子包括实测流场数据;所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据;
根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区;
根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型;
整合各个分区的流场模型,建立全区域流场模型,以确定全区域流场对影响因子的非线性响应;
根据所述全区域流场模型获取预测流场数据,所述预测流场数据包括风场数据、潮流数据和水深数据。
2.根据权利要求1所述的基于空间特征差异的海流预测方法,其特征在于,所述方法还包括:
根据所述表现因子和所述影响因子,对所述表现因子和所述影响因子的时空变化规律进行可视化操作,绘制得到实测流场数据的流场矢量变化图、影响因子的潮汐相位变化图、风场矢量图、地形高程图和水深等值线图。
3.根据权利要求1所述的基于空间特征差异的海流预测方法,其特征在于,所述根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区,包括:
根据潮流数据建立待预测海域的非线性潮汐运动模型;
根据所述非线性潮汐运动模型,确定潮流与待预测海域的流场之间的相关性;
根据风场数据建立待预测海域的风场模型;
根据所述风场模型,确定风场数据与所述待预测海域的流场之间的相关性;
根据水深数据,利用线性插值确定所述待预测海域的地形高程数据;
根据所述地形高程数据,确定地形与所述待预测海域的流场之间的相关性;
在空间上逐层划分所述待预测海域,并确定划分得到的各个分区的影响因子与海流之间的相关性参数值。
4.根据权利要求3所述的基于空间特征差异的海流预测方法,其特征在于,所述在空间上逐层划分所述待预测海域,并确定划分得到的各个分区的影响因子与海流之间的相关性参数值,包括:
根据所述潮流与待预测海域的流场之间的相关性,以相关性中位数为判断值,将海域中相关性大于或等于所述判断值的海域归为第一区域,小于所述判断值的海域归为第二区域;
根据所述风场数据与所述待预测海域的流场之间的相关性,以相关性中位数为判断值;将所述第一区域中相关性大于或等于所述判断值的海域归于第三区域,小于所述判断值的海域归于第四区域;将所述第二区域中相关性大于或等于所述判断值的海域归于第五区域,小于所述判断值的海域归于第六区域;
根据所述地形与所述待预测海域的流场之间的相关性,以相关性中位数为判断值;将所述第三区域中相关性大于或等于所述判断值的海域归于第七区域,小于所述判断值的海域归于第八区域;将所述第四区域中相关性大于或等于所述判断值的海域归于第九区域,小于所述判断值的海域归于第十区域;将所述第五区域中相关性大于或等于所述判断值的海域归于第十一区域,小于所述判断值的海域归于第十二区域;将所述第五区域中相关性大于或等于所述判断值的海域归于第十三区域,小于所述判断值的海域归于第十四区域;
将所述第七区域、所述第八区域、所述第九区域、所述第十区域、所述第十一区域、所述第十二区域、所述第十三区域以及所述第十四区域确定为划分得到的各个分区。
5.根据权利要求4所述的基于空间特征差异的海流预测方法,其特征在于,所述根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型,包括:
向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型进行学习处理,得到所述卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型的预测结果。
6.根据权利要求5所述的基于空间特征差异的海流预测方法,其特征在于,所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用卷积神经网络机器学习模型进行学习处理,得到卷积神经网络机器学习模型的预测结果,包括:
向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据,作为训练数据;
对所述训练数据进行Butterworth二阶滤波去噪处理;
对去噪处理后的数据进行初始网格化处理;
配置卷积神经网络模型的初始迭代次数;
计算网格输出值误差;
判断所述网格输出值误差是否满足误差要求,若是,则确定所述卷积神经网络的参数,并根据输入的训练时段的流场数据、风场数据、潮流数据、水深数据,输出海表流场的预测结果;反之,则计算误差梯度中激活函数的分数阶导数,并根据所述分数阶导数计算误差梯度,然后通过所述误差梯度对网络权重进行调整,并重新计算网格输出值误差,直至所述网格输出值误差满足误差要求。
7.根据权利要求5所述的基于空间特征差异的海流预测方法,其特征在于,所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用LSTM预测模型进行学习处理,得到LSTM预测模型的预测结果,包括:
向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据,作为训练数据;
对所述训练数据进行Butterworth二阶滤波去噪处理;
对去噪处理后的数据进行归一化处理;
根据归一化处理后的数据训练LSTM预测模型;
对所述LSTM预测模型的参数进行调整后,对所述LSTM预测模型进行诊断性测试,直至所述诊断性测试结果收敛后得到最终LSTM预测模型;
根据输入至所述最终LSTM预测模型的训练时段的流场数据、风场数据、潮流数据、水深数据,输出海表流场的预测结果。
8.根据权利要求5所述的基于空间特征差异的海流预测方法,其特征在于,所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据,使用BP神经网络预测模型进行学习处理,得到BP神经网络预测模型的预测结果,包括:
向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据,作为训练数据;
对所述训练数据进行Butterworth二阶滤波去噪处理;
确定所述BP神经网络预测模型的输入层节点数和输出层节点数;
确定传递函数与训练算法;
配置隐含层的节点数;
根据所述输入层节点数、输出层节点数、传递函数、训练算法以及隐含层节点数,建立BP神经网络模型;
获取BP神经网络模型的训练结果;
判断所述训练结果是否达标,若是,则得到最终BP神经网络模型;反之,则调整所述隐含层节点数并重新获取BP神经网络模型的训练结果,直至所述训练结果达标;
根据输入至所述最终BP神经网络模型的训练时段的流场数据、风场数据、潮流数据、水深数据,输出海表流场的预测结果。
9.一种基于空间特征差异的海流预测系统,其特征在于,包括:
第一模块,用于确定研究区域和研究时间;
第二模块,用于获取待预测海域的在一段时间内的表现因子和影响因子;其中,所述表现因子包括实测流场数据;所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据;
第三模块,用于根据所述表现因子和所述影响因子之间的相关性,建立相关性模型,并从空间上将所述待预测海域划分为多个分区;
第四模块,用于根据所述表现因子和所述影响因子,建立所述多个分区流场与影响因子之间的机器学习模型,得到各个分区的流场模型;
第五模块,用于整合各个分区的流场模型,建立全区域流场模型,以确定全区域流场对影响因子的非线性响应;
第六模块,用于根据所述全区域流场模型获取预测流场数据,所述预测流场数据包括风场数据、潮流数据和水深数据。
10.根据权利要求9所述的基于空间特征差异的海流预测系统,其特征在于,还包括:
数据输入模块,用于输入待预测海域的实测流场数据及地形数据、对应时间段的潮流数据、波浪数据和风场数据;
海域分区模块,用于根据所述实测流场数据、地形数据、潮流数据和风场数据确定各相关因素的相关程度以及确定流场预报的区域划分;
表层流场预测模块,用于根据所划分的区域及其对应的风场数据、潮流数据、水深数据,确定各因子共同作用下的预测流场数据及其拟合程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892917.7A CN113869350B (zh) | 2021-08-04 | 2021-08-04 | 基于空间特征差异的海流预测方法以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110892917.7A CN113869350B (zh) | 2021-08-04 | 2021-08-04 | 基于空间特征差异的海流预测方法以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113869350A true CN113869350A (zh) | 2021-12-31 |
CN113869350B CN113869350B (zh) | 2023-10-27 |
Family
ID=78990262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110892917.7A Active CN113869350B (zh) | 2021-08-04 | 2021-08-04 | 基于空间特征差异的海流预测方法以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113869350B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706144A (zh) * | 2022-02-24 | 2022-07-05 | 南方海洋科学与工程广东省实验室(湛江) | 海洋环境预报方法、装置、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015121439A (ja) * | 2013-12-20 | 2015-07-02 | 三菱重工業株式会社 | 海水流予測装置、影響情報取得装置、海水流予測方法およびプログラム。 |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
US20200184214A1 (en) * | 2018-12-11 | 2020-06-11 | The Climate Corporation | Mapping soil properties with satellite data using machine learning approaches |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
-
2021
- 2021-08-04 CN CN202110892917.7A patent/CN113869350B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015121439A (ja) * | 2013-12-20 | 2015-07-02 | 三菱重工業株式会社 | 海水流予測装置、影響情報取得装置、海水流予測方法およびプログラム。 |
US20200184214A1 (en) * | 2018-12-11 | 2020-06-11 | The Climate Corporation | Mapping soil properties with satellite data using machine learning approaches |
CN110956101A (zh) * | 2019-11-19 | 2020-04-03 | 广东省城乡规划设计研究院 | 一种基于随机森林算法的遥感影像黄河冰凌检测方法 |
CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
ALEXANDRE IMMAS ET AL.: "Real-time in situ prediction of ocean currents", 《OCEAN ENGINEERING》 * |
LEI REN ET AL.: "Forecasting of Surface Currents via Correcting Wind Stress with Assimilation of High-Frequency Radar Data in a Three-Dimensional Model", 《ADVANCES IN METEOROLOGY》 * |
甘富万;孙晋东;赵艳林;燕柳斌;曾行吉;: "基于WRF风场再分析的银滩波浪场数值模拟", 广西大学学报(自然科学版), no. 05 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706144A (zh) * | 2022-02-24 | 2022-07-05 | 南方海洋科学与工程广东省实验室(湛江) | 海洋环境预报方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113869350B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10439594B2 (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN108334660B (zh) | 一种基于数据同化的强冲积河流的水沙预测方法和系统 | |
Hung et al. | An artificial neural network model for rainfall forecasting in Bangkok, Thailand | |
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
Shamim et al. | A comparison of artificial neural networks (ANN) and local linear regression (LLR) techniques for predicting monthly reservoir levels | |
CN114997541B (zh) | 一种基于数字孪生技术的城市内涝预测方法及预警平台 | |
CN113392961B (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
Samadi et al. | Estimation of scour depth below free overfall spillways using multivariate adaptive regression splines and artificial neural networks | |
Shiri et al. | Estimation of daily suspended sediment load by using wavelet conjunction models | |
CN113361777A (zh) | 基于vmd分解和ihho优化lstm的径流预测方法及系统 | |
CN108647807B (zh) | 河流流量的预测方法 | |
CN111353652A (zh) | 一种风电出力短期区间预测方法 | |
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 | |
CN103268525A (zh) | 一种基于wd-rbf的水文时间序列模拟预测方法 | |
Tarwidi et al. | An optimized XGBoost-based machine learning method for predicting wave run-up on a sloping beach | |
Zhao et al. | A modification of HASM for interpolating precipitation in China | |
CN116090625A (zh) | 基于LightGBM和水文水动力模型的滨海城市洪涝快速预测方法 | |
Nguyen et al. | Water level forecasting using neuro-fuzzy models with local learning | |
CN114742307A (zh) | 一种波浪要素预测方法及系统 | |
CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
Sørensen et al. | Efficient Kalman filter techniques for the assimilation of tide gauge data in three‐dimensional modeling of the North Sea and Baltic Sea system | |
CN113869350B (zh) | 基于空间特征差异的海流预测方法以及系统 | |
CN116975987A (zh) | 基于声学特征的深水浅层岩土工程参数预测方法及装置 | |
CN117252288A (zh) | 一种区域资源有功支撑能力预测方法及系统 | |
CN115540832A (zh) | 基于VGGNet的卫星测高海底地形校正方法及系统 |
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 |