CN114528768A - 近海单点海温智能预报方法、装置及计算机可读存储介质 - Google Patents
近海单点海温智能预报方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114528768A CN114528768A CN202210163309.7A CN202210163309A CN114528768A CN 114528768 A CN114528768 A CN 114528768A CN 202210163309 A CN202210163309 A CN 202210163309A CN 114528768 A CN114528768 A CN 114528768A
- Authority
- CN
- China
- Prior art keywords
- sea temperature
- data
- forecast
- forecasting
- 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.)
- Granted
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供了一种近海单点海温智能预报方法、装置及计算机可读存储介质,包括:对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据;基于预设海温预报因子种类,获取对应的海温预报因子,并基于海温预报因子,获取对应的主成分变量;将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据;对于初始预测步长之后的每一预测步长进行迭代预报,获取预报时效内待预报单点的海温预报结果。该方案提高了近海单点海温预报的准确性和时效性。
Description
技术领域
本申请涉及海洋气象学和信息科学技术领域,具体而言,本申请涉及一种近海单点海温智能预报方法、装置及计算机可读存储介质。
背景技术
海温是海洋环境动力重要要素之一,提高近岸海域海温预报精准度,对于海洋产业、军事安全具有重要意义。目前,针对近岸海域单点海温预报主要是基于人工分析的经验预报法、基于数据驱动的数理统计预报法(如回归分析、聚类分析、ARIMA预报方法等)和基于动力学和热学方程建立的数值预报方法。
但是,海温经验预报是依据预报员对海温自身变动特性的认识以及通过对与海温相关要素的分析做出定性或定量预报,预报结果取决于人的主观因素,客观性较差,且预报时效较短。海温数理统计预报是通过相关性分析筛选海温预报因子建立统计模型,但与海温具有相关关系的环境因子变化未必是产生海温变化的原因,且统计模型需要使用较长时间的样本资料,当遇到外界发生较大变化时预报结果相比实际会有较大偏差,预报效果不稳定,同时也存在预报时效不长的缺点。海温数值预报方面,由于近岸海域是强非线性复杂系统,数值预报对地域和基础数据依赖性明显,使得预报结果具有较大的不确定性,单点海温预报偏差较大。综上所述,现有技术中的海温预报方法对近岸海域单点海温预报的精准度和预报时效均难以达到日常业务工作需求。因此,亟需提供一种新的近海单点海温预报方案。
发明内容
本申请的目的旨在至少能解决上述的技术缺陷之一,本申请实施例所提供的技术方案如下:
第一方面,本申请实施例提供了一种近海单点海温智能预报方法,包括:
对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据;
基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子,并利用预设主成分分析算法,基于海温预报因子,获取对应的主成分变量,预设海温预报因子种类通过Granger因果检验算法确定;
将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据;
对于初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于气象预报日平均数据和当前海温日平均数据获取对应的主成分变量数据,再将主成分变量数据输入训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取预报时效内待预报单点的海温预报结果。
在本申请的一种可选实施例中,基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据,包括:
将气象预报数据和当前海温数据进行日平均后,利用双线性插值法,将日平均后的气象预报数据插值到待预报单点,并将插值后的气象预报日平均数据、以及当前海温日平均数据进行异常值剔除和缺失值填充,得到待预报单点对应的气象预报日平均数据和当前海温日平均数据。
在本申请的一种可选实施例中,通过预设拉依达准则进行异常值剔除,通过预设五点等权滑动平均滤波法进行缺失值填充。
在本申请的一种可选实施例中,该方法还包括:
获取气象再分析数据和历史海温数据,并提取气象再分析数据中的气象因子;
将各气象因子作为自变量,将对应的历史海温数据作为因变量,并通过Granger因果检验确定各自变量是否为因变量的Granger原因;
将因变量的Granger原因对应的气象因子确定为预设海温预报因子种类;
相应地,基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子序列,包括:
从气象预报日平均数据中选取预设海温预报因子种类对应的数据;
将海温预报因子种类对应的数据和当前海温日平均数据按第一预定顺序进行排列,得到海温预报因子序列。
在本申请的一种可选实施例中,海温预报因子种类包括:海面2米气温、比湿、纬向10米风速、经向10米风速以及海平面气压。
在本申请的一种可选实施例中,该方法还包括:
获取气象再分析数据和历史海温数据,并获取对应的历史海温预报因子序列;
获取历史海温预报因子序列对应的各海温预报因子均值和标准偏差,并基于均值和标准偏差,对历史海温预报因子序列中各海温预报因子进行无量纲标准化处理;
利用预设主成分分析算法,对经标准化处理后的历史海温预报因子序列进行主成分分析,得到各主成分的权重系数;
相应地,利用预设主成分分析算法,基于海温预报因子序列,获取对应的主成分变量,包括:
基于均值和标准偏差,对海温预报因子序列中各海温预报因子进行无量纲标准化处理;
基于经标准化处理后的海温预报因子序列和各主成分的权重系数,获取主成分变量。
在本申请的一种可选实施例中,预设海温智能预报模型为前馈BP神经网络模型,训练好的预设海温智能预报模型通过以下方式训练得到:
获取气象再分析数据和历史海温数据,并获取对应的历史主成分变量;
基于预设归一化参数对历史主成分变量进行归一化处理,并对归一化处理后的历史主成分变量进行样本类间交叉处理,得到对应的训练样本序列;
利用历史主成分训练样本序列对前馈BP神经网络模型进行训练,直至预设损失函数不大于预设阈值,或训练迭代次数达到预设最大迭代次数,即得到训练好的预设海温智能预报模型;
相应地,将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据,包括:
基于预设归一化参数对主成分变量进行归一化处理,并对归一化处理后的主成分变量进行样本类间交叉处理;
将交叉处理后的主成分变量输入训练好的预设海温智能预报模型,输出对应的预报海温数据。
第二方面,本申请实施例提供了一种近海单点海温智能预报装置,包括:
数据获取模块,用于对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据;
降维模块,用于基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子序列,并利用预设主成分分析算法,基于海温预报因子序列,获取对应的主成分变量,预设海温预报因子种类通过Granger因果检验算法确定;
预报模块,用于将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据;
迭代模块,用于对于初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于气象预报日平均数据和当前海温日平均数据获取对应的主成分变量,再将主成分变量输入训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取预报时效内待预报单点的海温预报结果。
在本申请的一种可选实施例中,数据获取模块具体用于:
将气象预报数据和当前海温数据进行日平均后,利用双线性插值法,将日平均后的气象预报数据插值到待预报单点,并将插值后的气象预报日平均数据、以及平均后的当前海温数据进行异常值剔除和缺失值填充,得到待预报单点对应的气象预报日平均数据和当前海温日平均数据。
在本申请的一种可选实施例中,通过预设拉依达准则进行异常值剔除,通过预设五点等权滑动平均滤波法进行缺失值填充。
在本申请的一种可选实施例中,该装置还包括预设海温预报因子种类确定模块,用于:
获取气象再分析数据和历史海温数据,并提取气象再分析数据中的气象因子;
将各气象因子作为自变量,将对应的历史海温数据作为因变量,并通过Granger因果检验确定各自变量是否为因变量的原因;
将因变量的Granger原因对应的气象因子确定为预设海温预报因子种类;
相应地,降维模块具体用于:
从气象预报日平均数据中选取预设海温预报因子种类对应的数据;
将海温预报因子种类对应的数据和当前海温日平均数据按第一预定顺序进行排列,得到海温预报因子序列。
在本申请的一种可选实施例中,海温预报因子种类包括:海面2米气温、比湿、纬向10米风速、经向10米风速以及海平面气压。
在本申请的一种可选实施例中,该装置还包括标准化和主成分分析模块,用于:
获取气象再分析数据和历史海温数据,并获取对应的历史海温预报因子序列;
获取历史海温预报因子序列对应的各海温预报因子均值和标准偏差,并基于均值和标准偏差,对历史海温预报因子序列中各海温预报因子进行无量纲标准化处理;
利用预设主成分分析算法,对经标准化处理后的历史海温预报因子序列进行主成分分析,得到各主成分的权重系数;
相应地,降维模块具体用于:
基于均值和标准偏差,对海温预报因子序列中各海温预报因子进行无量纲标准化处理;
基于经标准化处理后的海温预报因子序列和各主成分的权重系数,获取主成分变量。
在本申请的一种可选实施例中,预设海温智能预报模型为前馈BP神经网络模型,该装置还包括训练模块,用于:
获取气象再分析数据和历史海温数据,并获取对应的历史主成分变量;
基于预设归一化参数对历史主成分变量进行归一化处理,并对归一化处理后的历史主成分变量进行样本类间交叉处理,得到对应的训练样本序列;
利用训练样本序列对前馈BP神经网络模型进行训练,直至预设损失函数不大于预设阈值,或训练迭代次数达到预设最大迭代次数,即得到训练好的预设海温智能预报模型;
相应地,预报模块具体用于:
基于预设归一化参数对主成分变量进行归一化处理,并对归一化处理后的主成分变量进行样本类间交叉处理;
将交叉处理后的主成分变量输入训练好的预设海温智能预报模型,输出对应的预报海温数据。
第三方面,本申请实施例提供了一种电子设备,包括存储器和处理器;
存储器中存储有计算机程序;
处理器,用于执行计算机程序以实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
第五方面,本申请实施例提供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时实现第一方面实施例或第一方面任一可选实施例中所提供的方法。
本申请提供的技术方案带来的有益效果是:
通过对预测步长对应的外部气象预报数据和当前海温数据进行处理得到对应的气象预报日平均数据和当前海温日平均数据;然后通过Granger因果检验算法从气象预报日平均数据和当前海温日平均数据中确定出与海温有关的气象因子,得到海温预报因子序列;再对海温预报因子序列进行降维处理,得到对应的主成分变量,并将主成分变量输入训练好的预设海温智能预报模型,得到预测步长对应的预报海温数据;对预报预报时效内所有预测步长按上述预测方式进行反复迭代预报,进而得到预报时效对应的海温预报结果。该方案一方面不依赖于人工主观经验,通过Granger因果检验筛选气象因子得到与海温预测相关的预设海温预报因子种类,并对模型的输入进行了降维处理,提高了海温预报的精准度,另一方面,通过预报时效内各预测步长的不断迭代可以显著扩展预报时效。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对本申请实施例描述中所需要使用的附图作简单地介绍。
图1为本申请实施例提供的一种近海单点海温智能预报方法的流程示意图;
图2为本申请实施例提供中数据预处理模型的构建过程的示意图;
图3为本申请实施例提供中降维模型的构建过程的示意图;
图4为本申请实施例提供中预设海温预测模型训练过程的示意图;
图5为本申请实施例提供中BP神经网络模型误差反传学习算法计算流程示意图;
图6为本申请实施例提供的近海单点海温智能预报系统的处理流程示意图;
图7为本申请实施例中自动业务预报系统部分的调用各模块具体过程的示意图;
图8为本申请实施例提供的一种近海单点海温智能预报装置的结构框图;
图9为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能解释为对本申请的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
针对上述问题,本申请实施例提供了一种近海单点海温预报方法、装置及计算机可读存储介质。
图1为本申请实施例提供的一种近海单点海温智能预报方法的流程示意图,如图1所示,该方法可以包括:
步骤S101,对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据。
其中,预报时效指的是海温预报的时间跨度,在预测时效内会分出多个预测步长,即在每个预测步长进行一次海温预报。具体来说,预报时效可以根据需求进行设定,而为了更适用于实践,本申请实施例中预测步长可以设置为一天,即每一天按本申请实施例提供的海温预报方案对待预报单点的海温进行预测。可以理解的是,预测步长也可以为其他时长,例如12小时,48小时等,可以根据实践需求进行设定,本申请中以一天为预测步长进行说明,但并不以此为限。
具体地,对于预报时效中的初始预测步长,即第一个预测步长,获取外部数据,包括气外部气象预报数据和当前海温数据,其中,当前海温数据可以通过待预报单点处的海洋站点浮标获取。然后,由于预测步长为一天,因此对这些外部数据进行处理,得到待预报单点对应的气象预报日平均数据和当前海温日平均数据,以用于该初始预测步长的海温预测。
步骤S102,基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子序列,并利用预设主成分分析算法,基于海温预报因子序列,获取对应的主成分变量,预设海温预报因子种类通过Granger(格兰杰)因果检验算法确定。
其中,气象预报日平均数据中包含有多个气象因子,这些气象因子中不是所有气象因子都对海温有影响,其中对海温有影响的气象因子成为海温预报因子。因此,可以预先根据Granger因果检验算法确定对海温有影响的气象因子,即确定预设海温预报因子种类。
具体地,根据预设海温预报因子种类,从气象预报日平均数据中获取对应的海温预报因子数据,并与当前海温日平均数据按顺序组成海温预报因子序列。由于得到的海温预报因子序列中可能存在多个样本之间有相关性,因此需要进一步利用预设主成分分析算法对得到的海温预报因子序列进行降维处理,进而得到对应的主成分变量。
步骤S103,将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据。
其中,预设海温智能预报模型可以为预设BP(Back Propagation,前馈)神经网络模型,训练好的预设海温智能预报模型通过训练样本训练得到,其输入为待预报单点对应的主成分变量,输出为对应的预报海温数据。
具体地,将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据,该预报海温数据即为初始预测步长对应的海温预报数据。
步骤S104,对于初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于气象预报日平均数据和当前海温日平均数据获取对应的主成分变量,再将主成分变量输入训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取预报时效内待预报单点的海温预报结果。
具体地,步骤S101至步骤S103完成了预报时效中初始预测步长的海温预测,初始预测步长之后的每一预测步长的海温预测方式与初始预测步长原理相同,相同之处包括海温预报因子序列和主成分变量的获取、以及通过训练好的预设海温智能预报模型输出对应的预报海温数据。关键的区别在于,初始预测步长之后的每一预测步长的在预测时需要将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据。可以理解的是,经过多次迭代预测,即可得到预报时效内所有预测步长对应的海温预报结果。
本申请提供的方案,通过对预测步长对应的外部气象预报数据和当前海温数据进行处理得到对应的气象预报日平均数据和当前海温日平均数据;然后通过Granger因果检验算法从气象预报日平均数据和当前海温日平均数据中确定出与海温有关的气象因子,得到海温预报因子序列;再对海温预报因子序列进行降维处理,得到对应的主成分变量,并将主成分变量输入训练好的预设海温智能预报模型,得到预测步长对应的预报海温数据;对预报预报时效内所有预测步长按上述预测方式进行反复迭代预测,进而得到预报时效对应的海温预报结果。该方案一方面不依赖于人工主观经验,通过Granger因果检验筛选气象因子得到与海温预测相关的预设海温预报因子种类,并对模型的输入进行了降维处理,提高了海温预报的精准度,另一方面,通过预报时效内各预测步长的不断迭代可以显著扩展预报时效。
为了实现本申请实施例提出的近海单点海温智能预报方法,本申请实施例提供了一种近海单点海温智能预报系统,该系统可以包括模型建立部分和自动业务化预报系统部分。其中,模型建立部分用于建立数据预处理模型、降维模型和海温智能预报模型,这些模型建立后供自动业务化预报系统部分在进行海温预测时调用。下面将分别对该系统两个部分的工作过程进行说明,进而对本申请实施例提出的近海单点海温智能预报方法的实现过程进行更详细说明。
在本申请的一种可选实施例中,基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据,包括:
将气象预报数据和当前海温数据进行日平均后,利用双线性插值法,将日平均后的气象预报数据插值到待预报单点,并将插值后的气象预报日平均数据、以及日平均后的当前海温数据进行异常值剔除和缺失值填充,得到待预报单点对应的气象预报日平均数据和当前海温日平均数据。
其中,通过预设拉依达准则进行异常值剔除,通过预设五点等权滑动平均滤波法进行缺失值填充。
在本申请的一种可选实施例中,该方法还可以包括:
获取气象再分析数据和历史海温数据,并提取气象再分析数据中的气象因子;
将各气象因子作为自变量,将对应的历史海温数据作为因变量,并通过Granger因果检验确定各自变量是否为因变量的原因;
将因变量的Granger原因对应的气象因子确定为预设海温预报因子种类;
相应地,基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子序列,包括:
从气象预报日平均数据中选取预设海温预报因子种类对应的数据;
将海温预报因子种类对应的数据和当前海温日平均数据按第一预定顺序进行排列,得到海温预报因子序列。
其中,海温预报因子种类包括:海面2米气温、比湿、纬向10米风速、经向10米风速以及海平面气压。
具体地,待预报单点对应的气象预报日平均数据、当前海温日平均数据以及海温预报因子序列,可以通过自动业务化预报系统部分调用模型建立部分建立的数据预处理模型得到。如图2所示,数据预处理模型的构建过程可以包括:
步骤(1):数据插值。本系统使用的气象再分析数据来自国家海洋环境预报中心业务化运行的区域WRF(The Weather Research and Forecasting Model,天气预报模式)结果(NMEFC-WRF),其模式网格水平分辨率为10公里,时间步长为90秒。利用双线性插值法,将气象再分析数据插值到需要进行待预报单点位置上,形成历史气象预报日平均数据集合,该历史气象预报日平均数据集合中包含有多日的气象预报日平均数据。同时,可以通过待预报单点处的海洋站点浮标获取对应的历史海温数据,进而通过取日平均值得到历史海温日平均数据。
步骤(2):数据质量控制。本步骤通过剔除异常值、填充缺失值过程改善历史气象预报日平均数据和历史海温日平均数据的质量。
首先,利用预设拉依达准则(3σ准则)剔除异常值,3σ准则公式:
P(|x-μ|>3σ)≤0.003,式中x表示变量(即气象因子数据或海温数据),σ、μ分别为标准差和均值。
步骤(3):Granger因果检验。通过本步骤筛选出预设海温预报因子种类。Granger因果检验,从统计角度识别自变量序列{xt}(气象因子)是否为因变量序列{yt}(海温)的原因,即气象因子变化对海温变化有显著影响。通过Granger检验可说明{xt}序列信息的加入能提高{yt}的预测精度,则称xt是yt的原因。通过本步骤处理,选择出的预设海温预报因子种类包括:海面2米气温(T)、比湿(Q2)、纬向10米风速(U)、经向10米风速(V)、海平面气压(SLP)。
步骤(4):数据归档存储。基于预设海温预报因子种类确定出海温预报因子序列的形式可以为:T(t-1)、T(t)、Q2(t-1)、Q2(t)、U(t-1)、U(t)、V(t-1)、V(t)、SLP(t-1)、SLP(t)、SST(t-1),预报量为SST(t),其中,(t-1)可以理解为当前日期,t为需要预报的日期,例如,(t-1)对应于2021年12月1日,那么需要预测t对应的日期2021年12月2日的待预报单点的海温数据。其中,在预报时,T(t-1)、T(t)、Q2(t-1)、Q2(t)、U(t-1)、U(t)、V(t-1)、V(t)、SLP(t-1)、SLP(t)为气象因子,从气象预报日平均数据中获取,SST(t-1)为当前海温日平均数据,可以由海洋站点浮标采集。基于python编码的脚本操作程序,对海温预报因子序列的形式(包括预设海温预报因子的种类)、数据质控参数(各因子变量的均值和标准偏差σ)进行存储,以供其他模块以及自动业务化预报系统调用。
在本申请的一种可选实施例中,该方法还可以包括:
获取气象再分析数据和历史海温数据,并获取对应的历史海温预报因子序列;
获取所述历史海温预报因子序列对应的各海温预报因子均值和标准偏差,并基于所述均值和所述标准偏差,对所述历史海温预报因子序列中各海温预报因子进行无量纲标准化处理;
利用预设主成分分析算法,对经标准化处理后的所述历史海温预报因子序列进行主成分分析,得到各主成分的权重系数;
相应地,所述利用预设主成分分析算法,基于所述海温预报因子序列,获取对应的主成分变量,包括:
基于所述均值和所述标准偏差,对所述海温预报因子序列中各海温预报因子进行无量纲标准化处理;
基于经标准化处理后的所述海温预报因子序列和所述各主成分的权重系数,获取所述主成分变量。
具体地,待预报单点对应的主成分变量,可以通过自动业务化预报系统部分调用模型建立部分建立的降维模型进得到。如图3所示,降维模型的构建过程可以包括:
步骤(1):数据标准化。对数据预处理模型得到的历史海温预报因子序列进行无量纲标准化处理,消除序列中各样本的因子变量在量纲和数量级上的差别。标准化公式为zxij为标准化值,xij为样本i的第j个变量原始值,为变量j的均值σj为标准偏差标准化矩阵记为ZX={zxij}。
步骤(2):协方差矩阵计算。本步骤作用是反映标准化数据间的相关密切程度,变量ZXa和变量ZXb的相关系数计算公式为:
步骤(3):KMO(Kaiser-Meyer-Olkin)和Bartlett球度检验。KMO检验统计量的计算公式为:式中Q为变量的简单相关系数平方和,L为偏相关系数平方和。Bartlett球度检验的统计量φ是根据矩阵R的行列式得到,计算公式为:φ=det(R)=R。当KMO>0.6且P<0.05时进行主成分分析。
步骤(4):主成分特征值计算。根据协方差矩阵R,解特征方程:|λE-R|=0,求解主成分特征值λk,按照从大到小排列:λ1≥λ2≥…≥λm≥0,λk是各主成分的方差,其大小反映了各主成分的影响力。
步骤(6):主成分计算。依据主成分特征值大于1,贡献率大于5%,累计贡献率达70%的条件,选择符合条件特征值分别为λ1,λ2,…,λp(p≤m),其中整数p即为主成分的个数。根据λk由方程组(λkE-R)Gk=0求解相应的特征向量Gk=(gk1,gk2,…,gkm),以特征向量的分量值作为加权系数,将标准化的因子变量值ZXj进行加权求和,得到第k个主成分:Fk=gk1ZX1+gk2ZX2+…+gkmZXm。以上由历史海温预报因子序列得到历史主成分变量,即完成了历史海温预报因子序列的数据降维处理。
步骤(7):主成分数据和降维模型参数的存储。本步骤是将历史海温预报因子序列通过降维后得到的历史海温预报因子序列的形式存储为dat格式的数据文件,同时将主成分分析模型的控制参数(各海温预报因子变量标准化参数(因子变量均值和标准差)、各主成分因子权重系数(主成分表达式中预报因子权重系数))存储为dat格式的数据文件,以供自动业务化预报系统调用。
在本申请的一种可选实施例中,预设海温智能预报模型为前馈BP神经网络模型,训练好的预设海温智能预报模型通过以下方式训练得到:
获取气象再分析数据和历史海温数据,并获取对应的历史主成分变量;
基于预设归一化参数对历史主成分变量进行归一化处理,并对归一化处理后的历史主成分变量进行样本类间交叉处理,得到对应的训练样本序列;
利用训练样本序对前馈BP神经网络模型进行训练,直至预设损失函数不大于预设阈值,或训练迭代次数达到预设最大迭代次数,即得到训练好的预设海温智能预报模型;
相应地,将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据,包括:
基于预设归一化参数对主成分变量进行归一化处理,并对归一化处理后的主成分变量进行样本类间交叉处理;
将交叉处理后的主成分变量输入训练好的预设海温智能预报模型,输出对应的预报海温数据。
具体地,海温预测模型的训练,可以通过自动业务化预报系统调用模型建立部分建立的海温智能预报模型进行处理,如图4所示,该处理过程可以包括:
步骤(1):输入因子归一化处理。本系统智能预报模型神经元采用的是S型对数激活函数:为了避免数据溢出(自变量和因变量定义范围),以及提高学习速率(自变量区间导致的因变量调整大小),将通过降维模型得到的历史主成分变量形式的输入因子进行归一化处理,以便符合激活函数定义域的要求。归一化公式为:
步骤(2):样本序列的类间交叉。为避免同类样本聚集而导致网络震荡,同时提高收敛速度,本步骤采用rand随机函数对仿真训练样本集进行类间交叉处理。
步骤(3):智能模型自优化参数设定。本系统是基于BP神经网络模型的再次开发,使用Fortran汇编语言进行源代码编程,将BP神经网络隐含层节点数设置为m个可变数目((α:1-10),n为输入因子个数),以此寻找最优隐层节点数;设置可变学习率η(初始值为0.1,网络每迭代1000次进行一次学习率调整:η=0.8*η)、增加动量项(0.8*Δw,Δw为上一次权值调整量),加快网络收敛速度的同时可减轻网络震荡;设置最大迭代次数qmax,并每迭代一次自动记录损失函数值可防止网络训练陷入死循环,以及可判断最佳迭代次数;本系统预报模型通过损失函数( 为第p个样本的期望输出,即海温实际值,为网络模型输出)最小值自动寻找最优的隐层节点数和迭代次数。
步骤(4):如图5所示,BP神经网络模型仿真调训。将类间交叉后的样本序列输入BP神经网络模型进行仿真训练,当预期损失EΣ(网络总误差)小于预期值ε时,或网络学习迭代次数超过预设的最大迭代次数qmax时,网络学习结束,网络超参数则被固定。
步骤(5):数据归档和存储。基于python编码的脚本操作程序,将模型输入因子归一化参数、网络模型超参数(输入节点数、隐层神经元数量、网络耦合权值)信息数据进行归类存储为dat格式的数据文件,以供自动业务化预报系统调用。
图6为本申请实施例提供的近海单点海温智能预报系统的处理流程示意图,前文已经描述了模型建立部分构建各模型的过程和自动业务预报系统部分调用各模型进行海温预报的过程,下面将对自动业务预报系统部分的具体调用过程进行描述,如图7所示,该过程可以包括:
步骤(1):数据下载模块。基于windows自动ftp脚本(shell bat)技术,实现预报系统所需的外部气象预报数据(NMEFC-WRF)、海温实时监测数据(在线水温监测仪)每日的自动下载,即获取外部气象预报数据和待预报单点的当前海温数据。其功能包括数据信息检测、链接地址撷取、数据采集、数据存储、数据检测(判断下载的数据是否完整)、任务控制(是否需要重复任务)等。
步骤(2):数据插值模块。利用双线性插值法,将WRF模式输出的未来7天气象要素预报数据插值到需要进行海温预报的单点经纬度位置上,形成日变化气象要素数据集;将海温实时监测数据进行日平均处理,即获取待预报单点对应的气象预报日平均数据和当前海温日平均数据。
步骤(3):数据质控模块。调用模型建立部分的“数据预处理模型”中输出的“数据质控参数”文档,对气象预报数据和海温实时监测数据的日平均值利用3σ准则剔除异常值,利用五点等权滑动平均滤波法对缺失值填充,将质控后的数据进行归档存储。
步骤(4):海温预报因子序列构造模块。依照T(t-1)、T(t)、Q2(t-1)、Q2(t)、U(t-1)、U(t)、V(t-1)、V(t)、SLP(t-1)、SLP(t)、SST(t-1)次序格式,构造海温预报因子样本条数据,即用(t)和(t-1)日期的气象预报数据(MET(t)和MET(t-1))、(t-1)日期海温监测数据(SST(t-1))预报t日期的海温数据(SST(t))。
步骤(5):元数据降维模块。该模块通过调用“降维模型”中“各海温预报因子变量标准化参数”和“各主成分因子权重系数”参数文件,对海海温预报因子序列的数据进行标准化处理,以及计算相应的主成分值,形成主成分变量样本条序列数据。
步骤(6):数据归一化模块。该模块通过调用“海温智能预报模型”输出的“数据归一化参数”文件,将主成分变量样本条序列数据进行归一化处理,以便作为训练好的预设海温智能预报模型的输入。
步骤(7):海温智能预报计算模块。该模块是调用模型建立部分的“海温智能预报模型”输出的“网络模型超参数”文件,计算采用迭代算法计算未来0—7天的单点海温预报结果。具体来说,再次参考图6,通过多次迭代预测,得到最终的预报结果。每次预测对应一个预测步长,对于初始预测步长,采用当前海温日平均数据SST00h、以及气象预报日平均数据MET00h和MET+24h,预测第一天的预报海温数据SST+24h。同理,采用第二天的预报海温数据SST+24h作为当前海温日平均数据,以及气象预报日平均数据MET+24h和MET+48h,预测第二天的预报海温数据SST+48h,如此迭代直至得到第七天的预报海温数据SST+168h。
步骤(8):数据反归一化模块。海温智能短期预报计算模块计算的海温预报结果为归一化值,本模块的功能是通过调用模型建立部分的“海温智能预报模型”输出的“数据归一化参数”文件,将智能模型输出的结果进行反归一化处理,形成原始数据格式的海温预报结果。
步骤(9):数据存储和显示模块。该模块将未来7天海温预报结果数据进行存储,通过绘图功能将海温预报结果以文本形式和图片形式显示。
综上所述,该系统可实现以下功能:(1)本系统采用Granger因果关系检验筛选海温预报因子,相比传统统计模型采用的相关关系分析法更加利于因变量(海温)的预测,可提高预报结果的有效性;(2)采用PCA(主成分分析)方法对海温预报因子做降维处理,可以避免智能模型仿真训练时因输入变量过多产生的“维度灾难”问题,以及学习效率不高的问题;(3)本系统依据NMEFC-WRF气象预报数据(0-168h)和在线海温监测仪器实时监测数据,采用迭代算法预报未来0-7天的单点海温预报,预报时效相比之前的经验预报和海温数值预报向前扩展了3天;(4)本系统采用的ANN模型为基于BP神经网络的再次开发,拥有网络超参数自优化功能,具有预报精准度高(预报检验显示,该预报模型相比数值预报和经验预报24h的RMSE(均方根误差)降幅达1.0℃、0.8℃,RMSPE(均方根相对误差)降幅达12%-14%),以及预报速度快(预报计算时间小于10s)的优点;(5)本系统建立的预报模型对于未来一天的海温预报仅需要2天的气象预报数据和1天的海温观测数据,且预报泛化效果较好(业务化结果显示0-3天预报的RMSE均低于0.3℃),可解决传统统计模型需要长时间样本资料以及预报效果不稳定问题;(6)本系统建立的智能预报模型不需要完整的输入信息依然可以具有较高的预报精准度,可克服数值预报在近岸海域对地域和基础数据的依赖性问题。
图8为本申请实施例提供的一种近海单点海温智能预报装置的结构框图,如图8所示,该装置800可以包括:数据获取模块801、降维模块802、预报模块803以及迭代模块804,其中:
数据获取模块801用于对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据;
降维模块802用于基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子序列,并利用预设主成分分析算法,基于海温预报因子序列,获取对应的主成分变量,预设海温预报因子种类通过Granger因果检验算法确定;
预报模块803用于将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据;
迭代模块804用于对于初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于气象预报日平均数据和当前海温日平均数据获取对应的主成分变量,再将主成分变量输入训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取预报时效内待预报单点的海温预报结果。
在本申请的一种可选实施例中,数据获取模块具体用于:
将气象预报数据和当前海温数据进行日平均后,利用双线性插值法,将日平均后的气象预报数据插值到待预报单点,并将插值后的气象预报日平均数据、以及日平均后的当前海温数据进行异常值剔除和缺失值填充,得到待预报单点对应的气象预报日平均数据和当前海温日平均数据。
在本申请的一种可选实施例中,通过预设拉依达准则进行异常值剔除,通过预设五点等权滑动平均滤波法进行缺失值填充。
在本申请的一种可选实施例中,该装置还包括预设海温预报因子种类确定模块,用于:
获取气象再分析数据和历史海温数据,并提取气象再分析数据中的气象因子;
将各气象因子作为自变量,将对应的历史海温数据作为因变量,并通过Granger因果检验确定各自变量是否为因变量的原因;
将因变量的Granger原因对应的气象因子确定为预设海温预报因子种类;
相应地,降维模块具体用于:
从气象预报日平均数据中选取预设海温预报因子种类对应的数据;
将海温预报因子种类对应的数据和当前海温日平均数据按第一预定顺序进行排列,得到海温预报因子序列。
在本申请的一种可选实施例中,海温预报因子种类包括:海面2米气温、比湿、纬向10米风速、经向10米风速以及海平面气压。
在本申请的一种可选实施例中,该装置还包括标准化和主成分分析模块,用于:
获取气象再分析数据和历史海温数据,并获取对应的历史海温预报因子序列;
获取历史海温预报因子序列对应的各海温预报因子的均值和标准偏差,并基于均值和标准偏差,对历史海温预报因子序列中各海温预报因子进行无量纲标准化处理;
利用预设主成分分析算法,对经标准化处理后的历史海温预报因子序列进行主成分分析,得到各主成分的权重系数;
相应地,降维模块具体用于:
基于均值和标准偏差,对海温预报因子序列中各海温预报因子进行无量纲标准化处理;
基于经标准化处理后的海温预报因子序列和各主成分的权重系数,获取主成分变量。
在本申请的一种可选实施例中,预设海温智能预报模型为前馈BP神经网络模型,该装置还包括训练模块,用于:
获取气象再分析数据和历史海温数据,并获取对应的历史主成分变量;
基于预设归一化参数对历史主成分变量进行归一化处理,并对归一化处理后的历史主成分变量进行样本类间交叉处理,得到对应的训练样本序列;
利用训练样本序列对前馈BP神经网络模型进行训练,直至预设损失函数不大于预设阈值,或训练迭代次数达到预设最大迭代次数,即得到训练好的预设海温智能预报模型;
相应地,预报模块具体用于:
基于预设归一化参数对主成分变量进行归一化处理,并对归一化处理后的主成分变量进行样本类间交叉处理;
将交叉处理后的主成分变量输入训练好的预设海温智能预报模型,输出对应的预报海温数据。
下面参考图9,其示出了适于用来实现本申请实施例的电子设备(例如执行图1所示方法的终端设备或服务器)900的结构示意图。本申请实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)、可穿戴设备等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图9示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,存储器用于存储执行上述各个方法实施例所述方法的程序;处理器被配置为执行存储器中存储的程序。其中,这里的处理器可以称为下文所述的处理装置901,存储器可以包括下文中的只读存储器(ROM)902、随机访问存储器(RAM)903以及存储装置908中的至少一项,具体如下所示:
如图9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本申请实施例的方法中限定的上述功能。
需要说明的是,本申请上述的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据;基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子,并利用预设主成分分析算法,基于海温预报因子,获取对应的主成分变量,预设海温预报因子种类通过Granger因果检验算法确定;将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据;对于初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于气象预报日平均数据和当前海温日平均数据获取对应的主成分变量数据,再将主成分变量数据输入训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取预报时效内待预报单点的海温预报结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块或单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一程序切换模块还可以被描述为“切换第一程序的模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本申请的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的计算机可读介质被电子设备执行时实现的具体方法,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例提供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时实现如下情况:
对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于外部气象预报数据和当前海温数据,获取待预报单点对应的气象预报日平均数据和当前海温日平均数据;基于预设海温预报因子种类,从气象预报日平均数据和当前海温日平均数据,获取对应的海温预报因子,并利用预设主成分分析算法,基于海温预报因子,获取对应的主成分变量,预设海温预报因子种类通过Granger因果检验算法确定;将主成分变量输入训练好的预设海温智能预报模型,获取初始预测步长对应的待预报单点的预报海温数据;对于初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于气象预报日平均数据和当前海温日平均数据获取对应的主成分变量数据,再将主成分变量数据输入训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取预报时效内待预报单点的海温预报结果。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种近海单点海温智能预报方法,其特征在于,包括:
对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于所述外部气象预报数据和所述当前海温数据,获取所述待预报单点对应的气象预报日平均数据和当前海温日平均数据;
基于预设海温预报因子种类,从所述气象预报日平均数据和所述当前海温日平均数据,获取对应的海温预报因子序列,并利用预设主成分分析算法,基于所述海温预报因子序列,获取对应的主成分变量,所述预设海温预报因子种类通过Granger因果检验算法确定;
将所述主成分变量输入训练好的预设海温智能预报模型,获取所述初始预测步长对应的所述待预报单点的预报海温数据;
对于所述初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于所述气象预报日平均数据和所述当前海温日平均数据获取对应的主成分变量,再将所述主成分变量输入所述训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取所述预报时效内所述待预报单点的海温预报结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述外部气象预报数据和所述当前海温数据,获取所述待预报单点对应的气象预报日平均数据和当前海温日平均数据,包括:
将所述气象预报数据和所述当前海温数据进行日平均后,利用双线性插值法,将日平均后的所述气象预报数据插值到所述待预报单点上,并将插值后的所述气象预报数据、以及日平均后的所述当前海温数据进行异常值剔除和缺失值填充,得到所述待预报单点对应的所述气象预报日平均数据和所述当前海温日平均数据。
3.根据权利要求2所述的方法,其特征在于,通过预设拉依达准则进行异常值剔除,通过预设五点等权滑动平均滤波法进行缺失值填充。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取气象再分析数据和历史海温数据,并提取所述气象再分析数据中的气象因子;
将各气象因子作为自变量,将对应的历史海温数据作为因变量,并通过Granger因果检验确定各自变量是否为所述因变量的Granger原因;
将所述因变量的Granger原因对应的气象因子确定为所述预设海温预报因子种类;
相应地,所述基于预设海温预报因子种类,从所述气象预报日平均数据和所述当前海温日平均数据,获取对应的海温预报因子序列,包括:
从所述气象预报日平均数据中选取所述预设海温预报因子种类对应的数据;
将所述海温预报因子种类对应的数据和所述当前海温日平均数据按第一预定顺序进行排列,得到所述海温预报因子序列。
5.根据权利要求1或4所述的方法,其特征在于,所述海温预报因子种类包括:海面2米气温、比湿、纬向10米风速、经向10米风速以及海平面气压。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取气象再分析数据和历史海温数据,并获取对应的历史海温预报因子序列;
获取所述历史海温预报因子序列对应的各海温预报因子均值和标准偏差,并基于所述均值和所述标准偏差,对所述历史海温预报因子序列中各海温预报因子进行无量纲标准化处理;
利用预设主成分分析算法,对经标准化处理后的所述历史海温预报因子序列进行主成分分析,得到各主成分的权重系数;
相应地,所述利用预设主成分分析算法,基于所述海温预报因子序列,获取对应的主成分变量,包括:
基于所述均值和所述标准偏差,对所述海温预报因子序列中各海温预报因子进行无量纲标准化处理;
基于经标准化处理后的所述海温预报因子序列和所述各主成分的权重系数,获取所述主成分变量。
7.根据权利要求1所述的方法,其特征在于,所述预设海温智能预报模型为前馈BP神经网络模型,所述训练好的预设海温智能预报模型通过以下方式训练得到:
获取气象再分析数据和历史海温数据,并获取对应的历史主成分变量;
基于预设归一化参数对所述历史主成分变量进行归一化处理,并对归一化处理后的所述历史主成分变量进行样本类间交叉处理,得到对应的训练样本序列;
利用所述训练样本序列对所述前馈BP神经网络模型进行训练,直至预设损失函数不大于预设阈值,或训练迭代次数达到预设最大迭代次数,即得到所述训练好的预设海温智能预报模型;
相应地,所述将所述主成分变量输入训练好的预设海温智能预报模型,获取所述初始预测步长对应的所述待预报单点的预报海温数据,包括:
基于所述预设归一化参数对所述主成分变量进行归一化处理,并对归一化处理后的所述主成分变量进行样本类间交叉处理;
将交叉处理后的所述主成分变量输入所述训练好的预设海温智能预报模型,输出对应的所述预报海温数据。
8.一种近海单点海温智能预报装置,其特征在于,包括:
数据获取模块,用于对于海温预报的预报时效中至少两个预测步长中的初始预测步长,获取外部气象预报数据和待预报单点的当前海温数据,并基于所述外部气象预报数据和所述当前海温数据,获取所述待预报单点对应的气象预报日平均数据和当前海温日平均数据;
降维模块,用于基于预设海温预报因子种类,从所述气象预报日平均数据和所述当前海温日平均数据,获取对应的海温预报因子序列,并利用预设主成分分析算法,基于所述海温预报因子序列,获取对应的主成分变量,所述预设海温预报因子种类通过Granger因果检验算法确定;
预报模块,用于将所述主成分变量输入训练好的预设海温智能预报模型,获取所述初始预测步长对应的所述待预报单点的预报海温数据;
迭代模块,用于对于所述初始预测步长之后的每一预测步长,将上一预测步长对应的预报海温数据作为该预测步长对应的当前海温日平均数据,并基于所述气象预报日平均数据和所述当前海温日平均数据获取对应的主成分变量,再将所述主成分变量输入所述训练好的预设海温智能预报模型,获取该预测步长对应的预报海温数据,最后基于所有预测步长对应的预报海温数据,获取所述预报时效内所述待预报单点的海温预报结果。
9.一种电子设备,其特征在于,包括存储器和处理器;
所述存储器中存储有计算机程序;
所述处理器,用于执行所述计算机程序以实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163309.7A CN114528768B (zh) | 2022-02-22 | 2022-02-22 | 近海单点海温智能预报方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210163309.7A CN114528768B (zh) | 2022-02-22 | 2022-02-22 | 近海单点海温智能预报方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114528768A true CN114528768A (zh) | 2022-05-24 |
CN114528768B CN114528768B (zh) | 2022-11-01 |
Family
ID=81624191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210163309.7A Active CN114528768B (zh) | 2022-02-22 | 2022-02-22 | 近海单点海温智能预报方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114528768B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894316A (zh) * | 2010-06-10 | 2010-11-24 | 焦点科技股份有限公司 | 一种国际市场景气状况的监测指数方法及系统 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN106845080A (zh) * | 2016-12-23 | 2017-06-13 | 广西师范学院 | 基于差异修正的景区旅游气象灾害智能预测方法 |
CN109884734A (zh) * | 2019-02-18 | 2019-06-14 | 哈尔滨工程大学 | 一种基于相似离度的海水温度相似预报方法 |
CN113051795A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
-
2022
- 2022-02-22 CN CN202210163309.7A patent/CN114528768B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894316A (zh) * | 2010-06-10 | 2010-11-24 | 焦点科技股份有限公司 | 一种国际市场景气状况的监测指数方法及系统 |
CN104598986A (zh) * | 2014-12-12 | 2015-05-06 | 国家电网公司 | 基于大数据的电力负荷预测方法 |
CN106845080A (zh) * | 2016-12-23 | 2017-06-13 | 广西师范学院 | 基于差异修正的景区旅游气象灾害智能预测方法 |
CN109884734A (zh) * | 2019-02-18 | 2019-06-14 | 哈尔滨工程大学 | 一种基于相似离度的海水温度相似预报方法 |
CN113051795A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
CN113297801A (zh) * | 2021-06-15 | 2021-08-24 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN113807562A (zh) * | 2021-06-25 | 2021-12-17 | 中国海洋大学 | 海洋表面温度的预测方法 |
Non-Patent Citations (4)
Title |
---|
刘航等: ""基于格兰杰因果检验和主成分回归分析的月发电量预测"", 《陕西电力》 * |
匡晓迪等: "基于BP神经网络方法的近岸数值海温预报释用技术", 《海洋与湖沼》 * |
谢炯光等: "中国近30年来气象统计预报进展", 《气象科技》 * |
赵华生等: "基于偏最小二乘法的前汛期月降水量预测方法", 《气象科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114528768B (zh) | 2022-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10877012B2 (en) | Automatic siting for air quality monitoring stations | |
CN106933649B (zh) | 基于移动平均和神经网络的虚拟机负载预测方法及系统 | |
CN110267292B (zh) | 基于三维卷积神经网络的蜂窝网络流量预测方法 | |
RU2379753C1 (ru) | Способ обеспечения устойчивости сетей связи в условиях внешних деструктивных воздействий | |
CN111523640A (zh) | 神经网络模型的训练方法和装置 | |
CN112907062B (zh) | 融合温度特征的电网电量预测方法、装置、介质及终端 | |
CN111737640A (zh) | 水位预测方法、装置及计算机可读存储介质 | |
CN112149797A (zh) | 神经网络结构优化方法和装置、电子设备 | |
CN114169645A (zh) | 一种智能电网短期负荷预测方法 | |
CN113283155A (zh) | 一种近地表气温估算方法、系统、存储介质及设备 | |
CN109903075B (zh) | 基于dnn的回归分布模型及其训练方法、电子设备 | |
Rao et al. | Bay of Bengal wave forecast based on genetic algorithm: A comparison of univariate and multivariate approaches | |
JP2004023114A (ja) | 通信トラヒック予測方法およびその装置 | |
Dwijayanti et al. | Short term load forecasting using a neural network based time series approach | |
CN112787878A (zh) | 一种网络指标的预测方法及电子设备 | |
CN114266602A (zh) | 电力物联网多源数据融合的深度学习电价预测方法和装置 | |
CN114528768B (zh) | 近海单点海温智能预报方法、装置及计算机可读存储介质 | |
CN111510473B (zh) | 访问请求处理方法、装置、电子设备和计算机可读介质 | |
CN114564487B (zh) | 预报预测相结合的气象栅格数据更新方法 | |
CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 | |
CN113516290B (zh) | 空气质量集合预报方法及装置 | |
CN113823312B (zh) | 语音增强模型生成方法和装置、语音增强方法和装置 | |
Li et al. | Online prediction method of icing of overhead power lines based on support vector regression | |
CN114399101A (zh) | 基于tcn-bigru的燃气负荷预测方法和装置 | |
CN115169731A (zh) | 一种智慧校园能耗预测方法、装置、设备及介质 |
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 |