CN113946978A - 基于LightGBM模型的水下三维温盐并行预报方法 - Google Patents
基于LightGBM模型的水下三维温盐并行预报方法 Download PDFInfo
- Publication number
- CN113946978A CN113946978A CN202111261491.1A CN202111261491A CN113946978A CN 113946978 A CN113946978 A CN 113946978A CN 202111261491 A CN202111261491 A CN 202111261491A CN 113946978 A CN113946978 A CN 113946978A
- Authority
- CN
- China
- Prior art keywords
- sea surface
- underwater
- training
- data
- temperature
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 71
- 230000002159 abnormal effect Effects 0.000 claims abstract description 55
- 150000003839 salts Chemical class 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于LightGBM模型的水下三维温盐并行预报方法,涉及海洋技术领域,该方法对获取到的海表温度历史数据、海表高度历史数据以及Argo浮标历史数据进行数据预处理,筛选得到时空分辨率统一的海表温度异常值、海表高度异常值和Argo浮标异常值后,构建训练数据集并基于LightGBM模型进行并行训练得到水下三维温盐预报模型用于水下三维温盐预报,该方法充分利用了丰富的海表卫星资料,通过并行算法实现水下三维温盐信息的分析预报,既保证了三维温盐信息的预报精度,又显著提升了预报效率,突破了动力学和统计学反演水下三维温盐信息的限制。
Description
技术领域
本发明涉及海洋技术领域,尤其是一种基于LightGBM模型的水下三维温盐并行预报方法。
背景技术
水下平台任务规划、隐蔽或安全航行以及声纳水声探测、舰船航行、石油平台和海上救援等均依赖大面积、精确的海洋三维温盐信息。由于海上调查试验需要极大的人力和财力,且Argo浮标数量对于整个海洋仍较少,导致水下三维温盐信息缺乏甚至几乎没有。目前分析计算海洋三维温盐信息的方法主要包括动力学方法或统计分析方法,然而动力学方法存在黑箱性且实现难度和计算量都较大,而统计分析方法要依赖长时间历史资料且海洋发展混沌性难以捕捉,因此三维温盐预报研究不足。
发明内容
本发明人针对上述问题及技术需求,提出了一种基于LightGBM模型的水下三维温盐并行预报方法,本发明的技术方案如下:
一种基于LightGBM模型的水下三维温盐并行预报方法,该方法包括:
获取海表温度历史数据、海表高度历史数据以及Argo浮标历史数据;
对获取到的海表温度历史数据、海表高度历史数据以及Argo浮标历史数据进行数据预处理,筛选得到时空分辨率统一的海表温度异常值、海表高度异常值和Argo浮标异常值;
构建训练数据集,训练数据集包括若干组训练样本,每组训练样本的输入为海表温度异常值和海表高度异常值、输出为同一时空维度下的水下一个深度层的Argo浮标异常值,训练数据集中包括各个水下深度层的Argo浮标异常值;
利用训练数据集基于LightGBM模型进行并行训练得到水下三维温盐预报模型;
利用水下三维温盐预报模型基于海表实时温度和海表实时高度进行水下三维温盐预报。
本发明的有益技术效果是:
本申请公开了一种基于LightGBM模型的水下三维温盐并行预报方法,该方法将人工智能和大数据分析方法应用于海洋环境研究,充分利用了丰富的海表卫星资料,通过并行算法实现水下三维温盐信息的分析预报,既保证了三维温盐信息的预报精度,又显著提升了预报效率,突破了动力学和统计学反演水下三维温盐信息的限制,且并行算法的应用显著提升预报效率。
附图说明
图1是本申请的水下三维温盐并行预报方法的方法流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于LightGBM模型的水下三维温盐并行预报方法,该方法包括如下步骤,请参考图1所示的流程图:
步骤1,获取海表温度历史数据SST、海表高度历史数据SSH以及Argo浮标历史数据,本申请的获取的历史数据所跨越的时间区间根据实际需要设定。获取到的Argo浮标历史数据实际包含Argo浮标温度历史数据Argo_T以及Argo浮标盐度历史数据Argo_S,后续本申请提到的对Argo浮标历史数据的处理,实际包括对这两种数据的分别处理。本申请中的Argo浮标历史数据使用的是Argo网格数据产品,也即呈规则网格分布的Argo数据。
步骤2,对获取到的海表温度历史数据、海表高度历史数据以及Argo浮标历史数据进行数据预处理,筛选得到时空分辨率统一的海表温度异常值、海表高度异常值和Argo浮标异常值。
获取到的海表温度历史数据SST和海表高度历史数据SSH的时空分辨率相同,一般海表温度历史数据和海表高度历史数据的时间分辨率为每天、空间分辨率为0.25°×0.25°。
但获取到的Argo浮标历史数据的时空分辨率与海表温度历史数据SST和海表高度历史数据SSH的不同,具体的Argo浮标温度历史数据和Argo浮标盐度历史数据的时空分辨率是相同。且一般Argo浮标历史数据的时空分辨率较低,通常情况下Argo浮标历史数据的时间分辨率为每月、空间分辨率为1°×1°。
本申请首先对海表温度历史数据SST、海表高度历史数据SSH以及Argo浮标历史数据进行时空分辨率的统一。具体的,通过对低分辨率的数据进行区间平均处理,和/或,通过对高分辨率的数据进行插值处理完成时空分辨率的统一,具体统一后采用的时间分辨率和空间分辨率根据实际需要确定。
一个实施例提供的做法是,将数据的时空分辨率统一为时间分辨率为每月、空间分辨率为0.25°×0.25°。则对海表温度历史数据SST和海表高度历史数据SSH分别进行月平均处理、将时间分辨率处理为每月与Argo浮标历史数据对齐,具体的采用如下公式进行月平均处理,
其中,SSTi,j表示第i月的第j天的海表温度历史数据,Mi是第i月的总天数,SSTi是月平均后得到的第i月的海表温度历史数据。SSHi,j表示第i月的第j天的海表高度历史数据,SSHi是月平均后得到的第i月的海表高度历史数据。i为参数且1≤i≤12,j为参数。
对Argo浮标历史数据进行最近邻插值坐标变换、将空间分辨率处理为0.25°×0.25°与海表温度历史数据和海表高度历史数据对齐。按照图像处理的原理进行处理,将1°×1°范围内的Argo浮标历史数据作为原图像,每个数据点作为一个像素点,每个数据点的空间坐标作为像素点的横纵坐标,处理得到的0.25°×0.25°范围内的Argo浮标历史数据作为目标图像,最近邻插值坐标变换计算公式如下:
srcX=dstX×(srcWidth/dstWidth);
srcY=dstY×(srcHeight/dstHeight);
其中,dstX与dstY为目标图像的某个像素的横纵坐标,dstWidth与dstHeight为目标图像的长与宽;srcWidth与srcHeight为原图像的宽度与高度;srcX与srcY为目标图像在该点(dstX,dstY)对应的原图像的坐标。若由目标图坐标反推得到的原图坐标是一个浮点数的时候,采用了四舍五入的方法取整。
然后分别从完成时空分辨率统一处理的海表温度历史数据、海表高度历史数据以及Argo浮标历史数据中移除相同时空维度的历史平均值,从而去除气候态的影响。具体的:
从完成时空分辨率统一处理的海表温度历史数据中移除海表温度在相同时空维度的历史平均值得到海表温度异常值。从完成时空分辨率统一处理的海表高度历史数据中移除海表高度在相同时空维度的历史平均值得到海表高度异常值。从完成时空分辨率统一处理的每个水下深度层的Argo浮标历史数据中移除相同水下深度层在相同时空维度的历史平均值得到Argo浮标异常值。由于Argo浮标历史数据包括Argo浮标温度历史数据以及Argo浮标盐度历史数据,因此实际得到的Argo浮标异常值包括水下温度异常值和水下盐度异常值。
在本申请的实例中,在将时空分辨率统一为时间分辨率为每月、空间分辨率为0.25°×0.25°的基础上,对第i月的海表温度历史数据移除海表温度在第i月的历史平均值得到第i月的海表温度异常值。对第i月的海表高度历史数据移除相同空间区域的海表高度在第i月的历史平均值得到第i月的海表高度异常值。对第i月的水下第d深度层的Argo浮标历史数据移除相同空间区域的第i月的水下第d深度层的历史平均值得到第i月的水下第d深度层的Argo浮标异常值。则具体的,对第i月的水下第d深度层的Argo浮标温度历史数据移除相同空间区域的第i月的水下第d深度层的历史平均值得到第i月的水下第d深度层的水下温度异常值,对第i月的水下第d深度层的Argo浮标盐度历史数据移除第i月的水下第d深度层的历史平均值得到第i月的水下第d深度层的水下盐度异常值。其中,i为参数且1≤i≤12。表示为:
其中,SSTAi表示第i月的海表温度异常值,SSTi是月平均后得到的第i月的海表温度历史数据,表示第i月的海表温度的多年历史平均值。SSHAi表示第i月的海表高度异常值,SSHi是月平均后得到的第i月的海表高度历史数据,表示第i月的海表高度的多年历史平均值。Argo_TAi,d是第i月的水下第d深度层的水下温度异常值,Argo_Ti,d是第i月的水下第d深度层的Argo浮标温度历史数据,是第i月的水下第d深度层的多年的Argo浮标温度历史数据的平均值。Argo_SAi,d是第i月的水下第d深度层的水下盐度异常值,Argo_Si,d是第i月的水下第d深度层的Argo浮标盐度历史数据,是第i月的水下第d深度层的多年的Argo浮标盐度历史数据的平均值。其中,d为参数,且当Argo浮标历史数据为标准的具有58个不同深度层的Argo浮标历史数据时,1≤d≤58。
步骤3,构建训练数据集,训练数据集包括若干组训练样本,每组训练样本的输入为海表温度异常值和海表高度异常值、输出为同一时空维度下的水下一个深度层的Argo浮标异常值,且训练数据集中包括各个水下深度层的Argo浮标异常值。在本申请中,Argo浮标异常值包括水下58个不同深度层的Argo浮标异常值,则训练数据集中包括水下58个不同深度层的Argo浮标异常值。
由于本申请后续使用的LightGBM模型为单边输出的,不同深度层的温度和盐度特征存在显著差异,为了保证模型的效率,本申请后续实现58层深度温度LightGBM模型并行训练和58层深度盐度LightGBM模型并行训练,因此这一步构建的训练数据集包括构建第一训练数据集和第二训练数据集,第一训练数据集中的每组训练样本的输入均为海表温度异常值和海表高度异常值、输出为同一时空维度下的水下一个深度层的水下温度异常值。第二训练数据集中的每组训练样本的输入均为海表温度异常值和海表高度异常值、输出为同一时空维度下的水下一个深度层的水下盐度异常值。
步骤4,利用训练数据集基于LightGBM模型进行并行训练得到水下三维温盐预报模型。如上所述,训练数据集中包括水下58个不同深度层的Argo浮标异常值,则利用训练数据集基于LightGBM模型对水下58个不同深度层对应的训练样本进行并行训练。具体的,利用第一训练数据集基于LightGBM模型并行训练得到的水下三维温度预报模型,以及,利用第二训练数据集基于LightGBM模型并行训练得到的水下三维盐度预报模型。
在利用训练数据集基于LightGBM模型进行并行训练的过程中,调整LightGBM模型的模型参数,直到利用预定评价指标确定模型精度达到预定精度时,停止训练并得到水下三维温盐预报模型。预定评价指标包括平均绝对误差MAE、均方根误差RMSE以及决定系数R2中的至少一种。
一般做法是,由前若干年的历史数据构建数据集,按80%和20%随机划分为相互独立的训练数据集和验证数据集,由最近一年的历史数据构建测试数据集,训练数据集、验证数据集和测试数据集中每组样本的输入均为海表温度异常值和海表高度异常值、输出为同一时空维度下的水下一个深度层的Argo浮标异常值且均包含各个水下深度层的Argo浮标异常值。利用训练数据集进行模型训练,利用验证数据集进行模型验证,利用测试数据集进行模型测试。
步骤5,利用水下三维温盐预报模型基于海表实时温度和海表实时高度进行水下三维温盐预报,具体的,获取海表实时温度和海表实时高度,并处理为上述统一的时空分辨率后输入到水下三维温盐预报模型中,即可得到当前时空维度下的各个深度层的水下温度预报数据和水下盐度预报数据。
在本申请的一个应用实例中,获取2004.01-2019.12的海表温度历史数据SST、海表高度历史数据SSH以及Argo浮标历史数据,基于2004.01-2018.12的数据按照上述方法进行模型训练和验证,最后利用2019年数据进行模型测试,得到58层温度预报总用时25.016s、MAE平均为0.319℃;58层盐度预报总用时21.944s、MAE平均为0.052psu,可以充分说明该水下三维温盐预报模型的有效性,可以被用于实际的水下三维温盐预报。
以上所述的仅是本申请的优选实施方式,本发明不限于以上实施例。可以理解,本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化,均应认为包含在本发明的保护范围之内。
Claims (9)
1.一种基于LightGBM模型的水下三维温盐并行预报方法,其特征在于,所述方法包括:
获取海表温度历史数据、海表高度历史数据以及Argo浮标历史数据;
对获取到的海表温度历史数据、海表高度历史数据以及Argo浮标历史数据进行数据预处理,筛选得到时空分辨率统一的海表温度异常值、海表高度异常值和Argo浮标异常值;
构建训练数据集,所述训练数据集包括若干组训练样本,每组训练样本的输入为所述海表温度异常值和所述海表高度异常值、输出为同一时空维度下的水下一个深度层的Argo浮标异常值,所述训练数据集中包括各个水下深度层的Argo浮标异常值;
利用所述训练数据集基于LightGBM模型进行并行训练得到水下三维温盐预报模型;
利用所述水下三维温盐预报模型基于海表实时温度和海表实时高度进行水下三维温盐预报。
2.根据权利要求1所述的方法,其特征在于,所述对获取到的海表温度历史数据、海表高度历史数据以及Argo浮标历史数据进行数据预处理,包括:
对海表温度历史数据、海表高度历史数据以及Argo浮标历史数据进行时空分辨率的统一;
从完成时空分辨率统一处理的海表温度历史数据中移除海表温度在相同时空维度的历史平均值得到所述海表温度异常值;
从完成时空分辨率统一处理的海表高度历史数据中移除海表高度在相同时空维度的历史平均值得到所述海表高度异常值;
从完成时空分辨率统一处理的每个水下深度层的Argo浮标历史数据中移除相同水下深度层在相同时空维度的历史平均值得到所述Argo浮标异常值。
3.根据权利要求2所述的方法,其特征在于,通过对低分辨率的数据进行区间平均处理,和/或,通过对高分辨率的数据进行插值处理完成时空分辨率的统一。
4.根据权利要求3所述的方法,其特征在于,海表温度历史数据和海表高度历史数据的时间分辨率为每天、空间分辨率为0.25°×0.25°,Argo浮标历史数据的时间分辨率为每月、空间分辨率为1°×1°,则对海表温度历史数据和海表高度历史数据分别进行月平均处理、将时间分辨率处理为每月与Argo浮标历史数据对齐,对Argo浮标历史数据进行最近邻插值坐标变换、将空间分辨率处理为0.25°×0.25°与海表温度历史数据和海表高度历史数据对齐。
5.根据权利要求2所述的方法,其特征在于,完成时空分辨率统一后得到时间分辨率为每月的海表温度历史数据、海表高度历史数据以及Argo浮标历史数据,则:
对第i月的海表温度历史数据移除相同空间区域的海表温度在第i月的历史平均值得到第i月的海表温度异常值;
对第i月的海表高度历史数据移除相同空间区域的海表高度在第i月的历史平均值得到第i月的海表高度异常值;
对第i月的水下第d深度层的Argo浮标历史数据移除相同空间区域的第i月的水下第d深度层的历史平均值得到第i月的水下第d深度层的Argo浮标异常值;
其中,i为参数且1≤i≤12。
6.根据权利要求1所述的方法,其特征在于,所述Argo浮标异常值包括水下温度异常值和水下盐度异常值,则构建所述训练数据集包括构建第一训练数据集和第二训练数据集,所述第一训练数据集中的每组训练样本的输入均为所述海表温度异常值和所述海表高度异常值、输出为水下一个深度层的水下温度异常值,所述第二训练数据集中的每组训练样本的输入均为所述海表温度异常值和所述海表高度异常值、输出为水下一个深度层的水下盐度异常值;
则利用所述训练数据集基于LightGBM模型并行训练得到的水下三维温盐预报模型,包括:利用所述第一训练数据集基于LightGBM模型并行训练得到的水下三维温度预报模型,以及,利用所述第二训练数据集基于LightGBM模型并行训练得到的水下三维盐度预报模型。
7.根据权利要求1所述的方法,其特征在于,所述Argo浮标异常值包括水下58个不同深度层的Argo浮标异常值,则利用所述训练数据集基于LightGBM模型对水下58个不同深度层对应的训练样本进行并行训练。
8.根据权利要求1所述的方法,其特征在于,
在利用所述训练数据集基于LightGBM模型进行并行训练的过程中,调整LightGBM模型的模型参数,直到利用预定评价指标确定模型精度达到预定精度时,停止训练并得到所述水下三维温盐预报模型。
9.根据权利要求8所述的方法,其特征在于,所述预定评价指标包括平均绝对误差MAE、均方根误差RMSE以及决定系数R2中的至少一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111261491.1A CN113946978A (zh) | 2021-10-28 | 2021-10-28 | 基于LightGBM模型的水下三维温盐并行预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111261491.1A CN113946978A (zh) | 2021-10-28 | 2021-10-28 | 基于LightGBM模型的水下三维温盐并行预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113946978A true CN113946978A (zh) | 2022-01-18 |
Family
ID=79336888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111261491.1A Pending CN113946978A (zh) | 2021-10-28 | 2021-10-28 | 基于LightGBM模型的水下三维温盐并行预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113946978A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310051A (zh) * | 2022-10-12 | 2022-11-08 | 中国海洋大学 | 一种海洋异常中尺度涡旋识别方法、设备及存储介质 |
CN117571641A (zh) * | 2024-01-12 | 2024-02-20 | 自然资源部第二海洋研究所 | 一种海表硝酸盐浓度分布检测方法 |
-
2021
- 2021-10-28 CN CN202111261491.1A patent/CN113946978A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310051A (zh) * | 2022-10-12 | 2022-11-08 | 中国海洋大学 | 一种海洋异常中尺度涡旋识别方法、设备及存储介质 |
CN117571641A (zh) * | 2024-01-12 | 2024-02-20 | 自然资源部第二海洋研究所 | 一种海表硝酸盐浓度分布检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN110570396A (zh) | 一种基于深度学习的工业产品缺陷检测方法 | |
CN113946978A (zh) | 基于LightGBM模型的水下三维温盐并行预报方法 | |
CN115393540A (zh) | 基于深度学习的三维海洋环境场的智能融合方法及系统 | |
CN112180375A (zh) | 一种基于改进的TrajGRU网络的气象雷达回波外推方法 | |
CN112598113A (zh) | 一种基于自组织竞争型神经网络的海洋声速剖面获取方法 | |
CN114565124A (zh) | 一种基于改进图卷积神经网络的船舶交通流预测方法 | |
CN113704693B (zh) | 一种高精度的有效波高数据估计方法 | |
CN116306318B (zh) | 基于深度学习的三维海洋温盐场预报方法、系统及设备 | |
CN113935249B (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
CN115238862A (zh) | 一种基于深度学习的潮位时间序列预测方法 | |
CN114067019A (zh) | 一种耦合深度学习-数值模拟的城市内涝风险图快速预制方法 | |
CN115951361A (zh) | 基于大数据平台的海上风电桩的智能地形扫测方法 | |
CN115248992A (zh) | 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法 | |
CN116306203A (zh) | 一种海上目标航迹智能仿真生成方法 | |
González‐Abad et al. | Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches | |
Li et al. | Visual prediction of typhoon clouds with hierarchical generative adversarial networks | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
CN111680784B (zh) | 基于时空多维影响力的海面温度深度学习预测方法 | |
CN114863258A (zh) | 海天线场景中基于视角转换检测小目标的方法 | |
CN115097451A (zh) | 一种基于sar卫星数据的海浪多参数反演方法及系统 | |
Champenois et al. | Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements | |
TW202320013A (zh) | 水下影像的分析方法與分析系統 | |
Ji | Multi-Resolution Inference of Bathymetry From Sidescan Sonar | |
CN116128049B (zh) | 一种基于XGBoost模型的水质预测模型迁移条件选择方法 |
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 |