CN113935249B - 基于压缩和激励网络的上层海洋热结构反演方法 - Google Patents

基于压缩和激励网络的上层海洋热结构反演方法 Download PDF

Info

Publication number
CN113935249B
CN113935249B CN202111395907.9A CN202111395907A CN113935249B CN 113935249 B CN113935249 B CN 113935249B CN 202111395907 A CN202111395907 A CN 202111395907A CN 113935249 B CN113935249 B CN 113935249B
Authority
CN
China
Prior art keywords
layer
data
convolution
ocean
pooling
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.)
Active
Application number
CN202111395907.9A
Other languages
English (en)
Other versions
CN113935249A (zh
Inventor
于方杰
孙丰治
庄志远
韩彤
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 CN202111395907.9A priority Critical patent/CN113935249B/zh
Publication of CN113935249A publication Critical patent/CN113935249A/zh
Application granted granted Critical
Publication of CN113935249B publication Critical patent/CN113935249B/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
    • G06N3/045—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明属于海洋测绘与海洋信息领域，针对上层海洋三维热结构重构方法准确性不足的问题，提供一种基于压缩和激励网络的上层海洋三维热结构反演方法，步骤：获取研究海域内相同时间分辨率和空间分辨率的多源海洋表层遥感格网数据及相应的浮标格网数据；分成训练集与测试集并进行标准化处理；输入层数据进入卷积层；对卷积层得到的特征图进行池化处理；进入Squeeze层对当前结果进行全局池化平均，通过两个全连接层对每个通道的重要性进行预测，并作为下一级的输入数据，权重更新与迭代，直到损失函数最优；根据所得到的权重矩阵与偏置，获取重构后研究海域等深的温度矩阵。该方法在较小计算代价下获得良好精度的三维海洋热结构模型。

Description

基于压缩和激励网络的上层海洋热结构反演方法
技术领域
本发明属于海洋测绘与海洋信息领域，具体涉及一种基于压缩和激励网络的上层海洋三维热结构反演方法。
背景技术
尽管目前各种数据与方法被用来重建海洋三维热结构，但以往的研究或基于数值模型，如多元线性回归(MLR)，精度较低；或基于机器学习方法，如卷积神经网络(CNN)，计算要求高，计算力消耗大。又由于多数重构方法使用Argo数据，无法克服其局限性，具体分析如下：
(1)多元线性回归方法(MLR)，使用海表温度异常(SSTA)、风压异常(WSA)和海面高度异常(SLA)作为自变量执行MLR模型，以重建三维温度结构，100m深度处均方根差(RMSE)(代表最显著的RMSE)在热带较高达到2-3℃，其他区域多为1-2℃，误差水平较高。极端梯度增强(XGBoost)模型，对于STA和海表盐度异常(SSA)估计，具有良好的性能，但由于Argo数据在0-100m区间内的数据准确性和连续性较差，该模型无法精细地描述上层海洋的特征与变化。
(2)卷积神经网络(CNN)模型，通过海表面温度(SST)、海表面高度(SSH)和海表面盐度(SSS)建立每月模型来重建海洋水下温度(ST),可以较准确地估计太平洋的ST。最大平均均方误差(MSE)值在10月为0.52，该模型对全局的感知能力较差，且随着网络深度的增加，模型训练的时间与算力代价呈显著式增加。
基于此，提出本发明。
发明内容
针对现有上层海洋三维热结构重构方法准确性不足的上述问题，本发明提供一种基于压缩和激励网络的上层海洋三维热结构反演方法，该方法根据海洋表面参数数据与浮标格网数据，建立上层海洋三维温度模型，克服了Argo数据在上层海洋缺乏准确数据的缺陷，在较小计算代价下获得良好精度的三维海洋热结构模型，适用于浅海、近海多尺度海洋水下温度重构。
本发明是通过以下技术方案实现的：
一种基于压缩和激励网络的上层海洋三维热结构反演方法，其特征在于步骤如下：
(1)获取研究海域内相同时间分辨率和空间分辨率的多源海洋表层遥感格网数据及相应的浮标格网数据；
(2)读取上文所述的格网数据，分成训练集与测试集并进行标准化处理：
Figure BDA0003369889020000021
式中X(normalization)为标准化后的结果，x为数据值，μ、σ分别为该数据集合的均值和标准差；
标准化处理后的格网数据按相同的排列顺序组成特征矩阵作为模型的输入层，数据被视为二维图像，对局部视野执行卷积运算，并且每个网格对应的SST、SSS、SSW、SSH特征构成一个卷积单元unit；
(3)输入层数据进入卷积层，由卷积核上的权重和偏置相加，通过选择的激励函数非线性变换，得到卷积后的特征，卷积过程如下：
Figure BDA0003369889020000022
式中Nn为可选空间，m表示在第j层上的卷积次数，
Figure BDA0003369889020000023
表示j层上的n个特征提取图，
Figure BDA0003369889020000024
表示上一层的特征结果，
Figure BDA0003369889020000025
为第j层上的第n个卷积核卷积，
Figure BDA0003369889020000026
为第n个偏置；
(4)数据进入池化层，对卷积层得到的特征图进行池化处理，在第j层的池化操作如下：
Figure BDA0003369889020000027
代表第j层卷积特征图的池化后结果，
Figure BDA0003369889020000028
为池化方法权重，
Figure BDA0003369889020000029
为j层卷积特征，
Figure BDA00033698890200000210
为对卷积结果下采样，
Figure BDA00033698890200000211
为池化层的偏置；
(5)池化后的特征zn进入Squeeze层对当前结果进行全局池化平均，输出一个向量zc，具体公式:
Figure BDA00033698890200000212
式中，H、W为输入特征的维度，uc(i，j)为每个特征值，c为通道数，即为向量的维度，应与层j的最大值相同；i与j分别表示输入特征矩阵的行号与列号，表示对该矩阵的遍历计算；
(6)通过两个全连接层对每个通道的重要性进行预测，并作为下一级的输入数据，
s＝Fex(z，W)＝0(g(z，W))＝σ(W2δ(W1z))式中s表示与全局池化zc向量维度一致，作为下一层输入的权重；z表示上一层的特征，W1为第一个全连接层参数，δ表示ReLU层，W2为第二个全连接层参数(即每一个特征值的权重)，σ表示sigmoid函数，ɡ表示以W和z为参数的线性整流函数(Rectified Linear Unit,ReLU)；
(7)权重更新与迭代，直到损失函数最优，根据所得到的权重矩阵W与偏置b，结合unit输入基本单元，获取重构后研究海域等深的温度矩阵T，T＝F(W×unit+b)；
Figure BDA0003369889020000031
loss表示迭代损失值(误差评价)，n为最大迭代次数(n的值应与真值的最大维度相同)，m为当前迭代次数。
进一步的，所述步骤(1)所述海表面风场数据包括SSW u和SSW v，此处u与v分别代表经向与纬向的风速。
进一步的，所述步骤(1)还包括星下点波浪动能剖面浮标联合观测数据。
进一步的，所述步骤(2)所述卷积单元
Figure BDA0003369889020000032
本发明的有益效果在于：本发明提出的一种基于压缩和激励网络的上层海洋热结构反演方法，基于海面盐度、海面高度、海面温度、海面风速数据、时间与位置等多维信息，实现水下三维温度重构。
该方法基于压缩和激励网络进行训练，无需详细了解海洋过程，模型复杂度低，训练代价小，适用于利用海洋表层参数在较小的时间与算力代价下获得良好精度获取研究海域上层海洋温度结构。
附图说明
图1为实施例基于压缩和激励网络的上层海洋热结构反演框架流程图。
图2为实施例通道注意力机制算法流程框架。
具体实施方式
下面结合具体实施例及附图对本发明做进一步详细说明。
实施例
一种从剖面浮标格网数据中提取剖面的方法，如图1所示，包括以下步骤：
(1)获取研究海域内相同时间分辨率和空间分辨率的多源海洋表层遥感格网数据(原始栅格数据，例如全球1°×1°栅格SST数据，表示为360*155(不包含极地地区)的矩阵，行列数代表经纬度，矩阵值代表温度)，包括AVISO提供的海表面高度数据SSH、NOAA(美国国家海洋和大气管理局)提供的海表面温度数据SST、欧空局(ESA)提供的海表面盐度数据SSS、美国国家大气(NCAR’s RDA)研究中心提供的海表面风场数据SSW u和海表面风场数据SSW v以及三维浮标格网数据(浮标数据)。三维浮标格网数据包含Argo三维格网数据和波浪动能剖面浮标在星下点的组网观测数据，其垂直分辨率可达到0.03m，观测深度0-200m，足以胜任上层海洋精细化热结构反演。
(2)读取原始栅格数据和浮标格网数据，并按照年份8：1：1的比例，将前8年的数据作为模型训练集、第9年数据作为模型验证集，第10年数据作为模型测试集，训练集用以在压缩和激励网络中进行模型训练，寻找最优拟合函数；验证集可对训练后的模型进行调整，确定网络结构或参数复杂程度；测试集用以检验最终模型的精度、鲁棒性等性能。读取数据后对数据进行标准化处理，
Figure BDA0003369889020000041
式中X(normalization，表示标准化处理，不代表数值参加运算)，X为标准化后的结果，标准化后的变量值围绕0上下波动，x为当前所处理的数据集合中的某一个数据值(应对集合中的每一个x进行相同处理)，μ、σ分别为该数据集合的均值和标准差。数据标准化处理过后，数据集的均值和标准差为(0，1)。
标准化处理后的格网数据按相同的排列顺序组成特征矩阵作为模型的输入层，数据被视为二维图像，对局部视野执行卷积运算，并且每个数据点的五个特征(SST、SSH、SSS、SSW u和SSW v)构成一个卷积单元，即：
Figure BDA0003369889020000042
(3)模型训练：输入层数据进入卷积层，由卷积核上的权重和偏置相加，通过选择的激励函数非线性变换，得到卷积后的特征，卷积过程如下：
Figure BDA0003369889020000043
式中Nn为可选空间，m表示在第j层上的卷积次数；
Figure BDA0003369889020000044
表示j层上的n个特征提取图(上一层为输入层时该数据为由unit组成的特征矩阵)，
Figure BDA0003369889020000045
表示上一层的特征结果，
Figure BDA0003369889020000046
为第j层上的第n个卷积核，
Figure BDA0003369889020000047
为第n个偏置；卷积核的本质是滤波器，运用局部矩阵点积乘法即可实现，运用不同的卷积核会得到不同的特征；卷积核参数即为权重，它描述了局部连接的输入对相应输出的重要性。为了降低模型参数的数量，减少计算压力，对输入矩阵中所有卷积单元共享卷积核。卷积后的特征通过ReLU激活函数，得到非线性映射结果。
(4)池化操作：池化操作即是数据的下采样操作，可以通俗地理解成缩小特征矩阵，数据进入池化层通过下采样过程在保存特征数量的同时而仅仅使特征图尺寸减小，会根据一对一连接方式对卷积层得到的特征图进行池化处理，在第j层的池化操作如下：
Figure BDA0003369889020000051
代表第j层卷积特征图的池化后结果，
Figure BDA0003369889020000052
为池化方法权重，
Figure BDA0003369889020000053
为j层卷积特征，
Figure BDA0003369889020000054
为对卷积结果下采样，
Figure BDA0003369889020000055
为池化层的偏置。池化即下采样，具有压缩数据、参数的作用，降低过拟合风险，可保持特征关键信息不变的同时达到特征降维的效果。经过多次卷积池化后，由两个全连接层输出卷积神经网络预测结果。
(5)注意力机制通道处理：池化后的特征zn进入Squeeze层对当前结果进行全局池化平均，输出一个向量zc，c为通道数，即为向量的维度，应与层j的最大值相同，具体公式如下，H、W为输入特征的维度，uc(i，j)为每个特征值。压缩和激励网络引入了一个新的结构单元Squeeze模块和Excitation模块，其通过显式地建模其演化特征的通道之间的相互依赖性来提高网络质量，并且网络执行特征重新校准。通过这种机制，网络可以强调重要信息的特征，并抑制不重要特征。
Figure BDA0003369889020000056
此处i与j分别表示输入特征矩阵的行号与列号，表示对该矩阵的遍历计算；。
(6)激励操作：激励操作完成Squeeze操作后的信息和利用通道间的信息依赖，获得通道间的非线性关系，输出与真值维度一致的数据格式。Excitation层，旨在完全捕获通道相关性。通过两个全连接层对每个通道的重要性进行预测，并作为下一级的输入数据，以此自动获取每个特征通道的重要程度，自动提升有用特征并抑制不重要的特征，让提取的特征指向性更强。SE构建块的结构如图2所示。特征u首先通过Squeeze层在其空间维度上聚合特征映射。聚合之后是激励操作，激励操作采用模拟自选通机制的形式，将其嵌入作为输入，并为每个通道生成一组模块权重。
s＝Fex(z，W)＝σ(g(z，W))＝σ(W2δ(W1z))，式中s表示与全局池化zc向量维度一致，作为下一层输入的权重；z表示上一层的特征，W1为第一个全连接层参数，δ表示ReLU层，W2为第二个全连接层参数(即每一个特征值的权重)，σ表示sigmoid函数，ɡ表示以W和z为参数的线性整流函数(Rectified Linear Unit,ReLU)。
(7)权重更新与迭代，直到损失函数最优，根据所得到的权重矩阵W与偏置b，结合unit输入基本单元，获取重构后研究海域等深的温度矩阵T，T＝F(W×unit+b)。
Figure BDA0003369889020000061
loss表示迭代损失值(误差评价)，n为最大迭代次数(n的值应与真值的最大维度相同)，m为当前迭代次数。
图1给出了一种基于压缩和激励网络的上层海洋热结构反演方法总体框架图，数据组成由海水表面参数(SSH、SST、SSS、SSW)，时间与位置，目标值组成，目标值包含水下温度、位置。数据都经过预处理与标准化，训练过程共两个部分：(1)卷积神经网络，将数据按月份与深度分层组成数据矩阵，矩阵内计算单元为由输入层参数组成的卷积单元，先经过共享卷积核卷积运算、ReLU激活函数，后进行下采样池化得到保持特征但维度减小的结果，经多层卷积池化后由两个全连接层把分布式特征映射到样本标记空间，即输出预测值。(2)卷积神经网络预测值作为SE模块的输入，加以全局池化平均与激励层激励，输出各个特征通道的重要程度并加权到各特征上，以增强或抑制特征对结果的影响。上部分为训练数据组成结构图，包含输入数据与目标数据，数据将按照深度与月份划分进行训练。
图2给出了SE模块将神经网络注意力机制引入到通道的整体框架，注意力模型核心思想是对神经网络所有输出进行加权后，进入下一级循作为输入影响后续预测结果。SE模块分为Squeeze模块与Excitation模块。Squeeze模块将一个通道的特征通过全局平均池化，整合为一个全局特征，在维度变化上表现为[C,H,W]＝>[C,1,1]。在Excitation层，首先通过一个全连接层(FC)将特征维度降低C/r，后经过线性修正单元(ReLU函数)，再通过一个FC将维度变为C，最后通过sigmoid函数转化为一个0～1的归一化权重并将该参数加权到每个通道的特征上，完成对特征的重要性改变。
以上所述的实施例仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于压缩和激励网络的上层海洋三维热结构反演方法，其特征在于，包括如下步骤：
(1)获取研究海域内相同时间分辨率和空间分辨率的多源海洋表层遥感格网数据及相应的浮标格网数据，包括全球海表面温度数据SST,全球海表面盐度数据SSS、全球海表面风场数据SSW、海表高度数据SSH和Argo浮标格网数据；
(2)读取上文所述的格网数据，分成训练集与测试集并进行标准化处理：
Figure FDA0003910893960000011
式中X(normalization)为标准化后的结果，x为数据值，μ、σ分别为该数据集合的均值和标准差；
标准化处理后的格网数据按相同的排列顺序组成特征矩阵作为模型的输入层，数据被视为二维图像，对局部视野执行卷积运算，并且每个网格对应的SST、SSS、SSW、SSH特征构成一个卷积单元unit；
(3)输入层数据进入卷积层，由卷积核上的权重和偏置相加，通过选择的激励函数非线性变换，得到卷积后的特征，卷积过程如下：
Figure FDA0003910893960000012
式中Nn为可选空间，m表示在第j层上的卷积次数，
Figure FDA0003910893960000013
表示j层上的n个特征提取图，
Figure FDA0003910893960000014
表示上一层的特征结果，
Figure FDA0003910893960000015
为第j层上的第n个卷积核卷积，
Figure FDA0003910893960000016
为第n个偏置；
(4)数据进入池化层，对卷积层得到的特征图进行池化处理，在第j层的池化操作如下：
Figure FDA0003910893960000017
Figure FDA0003910893960000018
代表第j层卷积特征图的池化后结果，
Figure FDA0003910893960000019
为池化方法权重，
Figure FDA00039108939600000110
为j层卷积特征，
Figure FDA00039108939600000111
为对卷积结果下采样，
Figure FDA00039108939600000112
为池化层的偏置；
(5)池化后的特征zn进入Squeeze层对当前结果进行全局池化平均，输出一个向量zc，c为通道数，即为向量的维度，应与层j的最大值相同，具体公式:
Figure FDA00039108939600000113
式中H、W为输入特征的维度，uc(i，j)为每个特征值；此处i与j分别表示输入特征矩阵的行号与列号，表示对该矩阵的遍历计算；
(6)通过两个全连接层对每个通道的重要性进行预测，并作为下一级的输入数据，s＝Fex(z，w)＝σ(g(z，w))＝σ(w2δ(w1z))，式中s表示与全局池化zc向量维度一致，作为下一层输入的权重；z表示上一层的特征，w1为第一个全连接层每一个特征值的权重，δ表示ReLU层，w2为第二个全连接层每一个特征值的权重，σ表示sigmoid函数，ɡ表示以w和z为参数的线性整流函数；
(7)权重更新与迭代，直到损失函数最优，根据所得到的权重矩阵W与偏置b，结合unit输入基本单元，获取重构后研究海域等深的温度矩阵T，T＝F(W×uinit+b)，
Figure FDA0003910893960000021
loss表示迭代损失值，n为最大迭代次数，n的值应与真值的最大维度相同，m为当前迭代次数。
2.根据权利要求1所述的反演方法，其特征在于，所述步骤(1)所述海表面风场数据SSW包括SSW u和SSW v，此处u与v分别代表经向与纬向的风速。
3.根据权利要求1所述的反演方法，其特征在于，所述步骤(1)还包括星下点波浪动能剖面浮标联合观测数据。
4.根据权利要求2所述反演方法，其特征在于，所述步骤(2)所述卷积单元
Figure FDA0003910893960000022
CN202111395907.9A 2021-11-23 2021-11-23 基于压缩和激励网络的上层海洋热结构反演方法 Active CN113935249B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111395907.9A CN113935249B (zh) 2021-11-23 2021-11-23 基于压缩和激励网络的上层海洋热结构反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111395907.9A CN113935249B (zh) 2021-11-23 2021-11-23 基于压缩和激励网络的上层海洋热结构反演方法

Publications (2)

Publication Number Publication Date
CN113935249A CN113935249A (zh) 2022-01-14
CN113935249B true CN113935249B (zh) 2022-12-27

Family

ID=79287514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111395907.9A Active CN113935249B (zh) 2021-11-23 2021-11-23 基于压缩和激励网络的上层海洋热结构反演方法

Country Status (1)

Country Link
CN (1) CN113935249B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114186483B (zh) * 2021-11-30 2022-09-06 广州赋安数字科技有限公司 一种融合浮标数据和海洋卫星遥感图像的反演方法
CN115096274B (zh) * 2022-06-16 2023-08-18 中国人民解放军61540部队 海洋观测系统和mapping方案评价方法及系统
CN117237781B (zh) * 2023-11-16 2024-03-19 哈尔滨工业大学（威海） 一种基于注意力机制的双元素融合时空预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法
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
CN113063737A (zh) * 2021-03-26 2021-07-02 福州大学 结合遥感与浮标数据的海洋热含量遥感反演方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7818280B2 (en) * 2005-03-28 2010-10-19 National University Corporation Tokyo University Of Marine Science And Technology Method for predicting depth distribution of predetermined water temperature zone, method and system for delivering fishing ground prediction information of migratory fish

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法
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
CN113063737A (zh) * 2021-03-26 2021-07-02 福州大学 结合遥感与浮标数据的海洋热含量遥感反演方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
利用卫星观测海面信息反演三维温度场;王喜冬等;《热带海洋学报》;20111115;第30卷(第06期);第10-16页 *

Also Published As

Publication number Publication date
CN113935249A (zh) 2022-01-14

Similar Documents

Publication Publication Date Title
CN113935249B (zh) 基于压缩和激励网络的上层海洋热结构反演方法
CN112836610B (zh) 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN110555446B (zh) 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法
CN112766199A (zh) 基于自适应多尺度特征提取模型的高光谱图像分类方法
CN109165660A (zh) 一种基于卷积神经网络的显著物体检测方法
CN112541572B (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN111310889A (zh) 一种基于深度神经网络的蒸发波导剖面估计方法
CN113673590B (zh) 基于多尺度沙漏密集连接网络的去雨方法、系统和介质
CN113063737B (zh) 结合遥感与浮标数据的海洋热含量遥感反演方法
CN110909447B (zh) 一种高精度电离层区域短期预报方法
CN113837499A (zh) 一种超短期风电功率预测方法及系统
CN111428862B (zh) 一种极类不平衡时空联合对流初生短临预报方法
CN110874630A (zh) 一种基于深度学习的数值模式产品降尺度精细化方法
CN115114841A (zh) 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法
CN114399073A (zh) 一种基于深度学习的海洋表面温度场预测方法
CN115248992A (zh) 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法
CN115238937A (zh) 一种海洋温盐预测方法及系统
CN113989612A (zh) 基于注意力及生成对抗网络的遥感影像目标检测方法
CN117233869A (zh) 一种基于GRU-BiTCN的站点短期风速预测方法
CN116883594A (zh) 融合卫星与浮标观测的海洋三维温度遥感超分重建方法
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及系统
CN116152206A (zh) 一种光伏输出功率预测方法、终端设备及存储介质
CN112085779B (zh) 一种波浪参数估算方法及装置
CN112288694B (zh) 基于掩膜区域卷积神经网络的变电设备缺陷识别的方法
CN117237781B (zh) 一种基于注意力机制的双元素融合时空预测方法

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