CN114580509B - 基于卷积长短记忆网络的海浪宏观特征量预测系统 - Google Patents
基于卷积长短记忆网络的海浪宏观特征量预测系统 Download PDFInfo
- Publication number
- CN114580509B CN114580509B CN202210157970.7A CN202210157970A CN114580509B CN 114580509 B CN114580509 B CN 114580509B CN 202210157970 A CN202210157970 A CN 202210157970A CN 114580509 B CN114580509 B CN 114580509B
- Authority
- CN
- China
- Prior art keywords
- wave
- convolution
- wind
- long
- short memory
- 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
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
- G01C13/002—Measuring the movement of open water
- G01C13/004—Measuring the movement of open water vertical movement
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积长短记忆网络的海浪宏观特征量预测系统,包括:风场信息获取模块,用于根据外部提供的数值预报风场,得到最新的风强迫要素;经过迭代训练后得到的深度神经网络模型,用于根据最新的风强迫要素,运算得到海浪宏观特征量预测结果;深度神经网络模型包括多个驱动场强迫卷积长短记忆网络模块,驱动场强迫卷积长短记忆网络模块以三层串联卷积长短记忆单元ConLSTM为基础构成。本发明利用卷积和长短记忆分别学习风浪作用关系及浪场空间关联和传播历史,从而较全面的刻画海浪在风作用下的受迫运动性和自身的传播记忆性。
Description
技术领域
本发明涉及预测海浪宏观特征量技术领域,具体涉及一种基于卷积长短记忆网络的海浪宏观特征量预测系统。
背景技术
高效准确预测海浪宏观特征量,如波高、周期和波向等要素,对保障海上活动安全具有重要意义。深度神经网络是一种很有潜力的海浪预报方法,其计算效率远高于目前业界广泛应用的数值预报模型。因深度神经网络具有从观测和模拟数据(含风和海浪要素场)中学习海浪宏观特征量要素场时空演化规律的能力,经训练的网络在风强迫预报的驱动下可以对海浪要素场进行推理从而产生预报。为实现上述目标需要训练深度神经网络习得海浪在风作用下的受迫运动性和自身的传播记忆性。
研究表明,采用长短记忆网络对近海观测风-浪数据进行学习能得到单点波高预测模型,能够实现对海上某一定点海浪浪高时序的预报;采用全连接网络对海湾区域的数值稳态模拟解以及风-浪-流观测结果进行学习能得到海湾尺度海域的稳态浪高场预测模型,能够实现对小海湾稳态浪场的预报;采用Unet网络对海浪数值非稳态解进行学习能得到海区尺度的非稳态浪高场预测模型,能够实现海区或边缘海的非稳态浪场预报。
长短记忆网络对近海观测风-浪数据进行学习能得到单点波高预测模型,但无法实现海浪要素场空间分布的预测。采用全连接网络对海湾区域的数值稳态模拟解以及风-浪-流观测结果进行学习能得到海湾尺度海域的稳态浪高场预测模型,但是不能刻画非稳态浪场演化过程(即风速风向快速变化条件下的浪场演化过程,如台风等过程),也无法实现海区尺度的浪场预测。采用Unet网络对海浪数值非稳态解进行学习能得到海区尺度的非稳态浪高场预测模型,但因不能捕捉海浪远距离传播规律(即远场海浪的影响,如远方台风引起巨浪的影响)而无法实现大洋尺度浪场预报。
综上,因深度神经网络结构设计和训练数据代表性等原因,训得的网络不能较全面的刻画海浪在风作用下的受迫运动性和自身的传播记忆性。长短记忆网络因无法学习海浪宏观特征要素场的空间关系而不能体现浪场传播的记忆性。全连接网络训练数据代表性不足而仅能刻画小海湾中的浪场演化。Unet网络对海浪宏观特征要素场的空间关系以及风的强迫作用具有较强学习能力,但对时序关系的学习能力有限,不能较好把握远处台风巨浪跨洋传播的历史信息。
发明内容
为此,本发明实施例提供一种基于卷积长短记忆网络的海浪宏观特征量预测方法,以解决现有技术存在的不能全面的刻画海浪在风作用下的受迫运动性和自身的传播记忆性的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
一种基于卷积长短记忆网络的海浪宏观特征量预测系统,包括:
风场信息获取模块,用于根据外部提供的数值预报风场,得到最新的风强迫要素;
经过迭代训练后得到的深度神经网络模型,用于根据最新的风强迫要素,运算得到海浪宏观特征量预测结果;
所述深度神经网络模型包括多个驱动场强迫卷积长短记忆网络模块,所述驱动场强迫卷积长短记忆网络模块以三层串联卷积长短记忆单元ConLSTM为基础构成,其中,卷积层负责刻画海浪宏观特征要素的受迫运动性及空间关联性,长短记忆层负责刻画浪场时间记忆性;所述多个驱动场强迫卷积长短记忆网络模块根据编码-解码策略交叉连接组成推理管线;在编码阶段,输入要素包括海浪宏观特征要素和风强迫要素;在解码阶段,海浪宏观特征要素的更新来自前一预测步骤,风强迫要素的更新来自外部提供的数值预报风场。
进一步的,所述深度神经网络模型在训练时,获取天气类型丰富的风浪要素资料作为训练集。
进一步的,所述深度神经网络模型在训练时,对获取的训练集中的数据进行时空插值、归一化、陆地标记和要素矢量化预处理。
进一步的,所述要素矢量化预处理时,将要素矢量化为RT×C×H×W的时空序列数据,其中T、C、H和W分别表示时间、通道、高度和宽度。
进一步的,所述深度神经网络模型在训练时,通过多任务损失函数给不同要素的损失值以不同的权重,所述多任务损失函数为:
其中,L(*)为对应海浪要素计算的均方误差损失值;λ(*)为对应要素的损失值权重大小。
进一步的,三层所述串联卷积长短记忆单元的通道数分别为28、84和6。
进一步的,所述串联卷积长短记忆单元ConLSTM中的卷积运算为单个二维卷积层。
进一步的,所述卷积层的卷积核大小为3,步长为1,并使用大小为1的零填充。
进一步的,所述深度神经网络模型的隐含状态用0进行初始化。
本发明至少具有以下有益效果:本发明提供了一种基于卷积长短记忆网络的海浪宏观特征量预测系统,包括:风场信息获取模块,用于根据外部提供的数值预报风场,得到最新的风强迫要素;经过迭代训练后得到的深度神经网络模型,用于根据最新的风强迫要素,运算得到海浪宏观特征量预测结果;深度神经网络模型包括多个驱动场强迫卷积长短记忆网络模块,驱动场强迫卷积长短记忆网络模块以三层串联卷积长短记忆单元ConLSTM为基础构成。本发明利用卷积和长短记忆分别学习风浪作用关系及浪场空间关联和传播历史,从而较全面的刻画海浪在风作用下的受迫运动性和自身的传播记忆性。
附图说明
为了更清楚地说明现有技术以及本发明,下面将对现有技术以及本发明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示例性的,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,还可以根据提供的附图引申获得其它的附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例提供的以卫星遥感资料为参考的再分资料精度分析图;
图2为本发明实施例提供的驱动场强迫卷积长短记忆网络示意图,其中(a)为卷积长短记忆网络单元结构,(b)为三层堆叠卷积长短记忆网络结构,(c)为驱动场强迫卷积长短记忆推理网络管线结构;
图3为本发明实施例提供的DFF-ConvLSTM预报与数值预报的相似度示意图;
图4为本发明实施例提供的DFF-ConvLSTM预报结果与数值预报结果对比示意图;
图5为本发明实施例提供的DFF-ConvLSTM预报结果与中国近海浮标观测对比示意图。
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。
在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)旨在区别指代的对象。对于具有时序流程的方案,这种术语表述方式不必理解为描述特定的顺序或先后次序,对于装置结构的方案,这种术语表述方式也不存在对重要程度、位置关系的区分等。
此外,术语“包括”、“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包括了一系列步骤或单元的过程、方法、系统、产品或设备不必限于已明确列出的那些步骤或单元,而是还可包含虽然并未明确列出的但对于这些过程、方法、产品或设备固有的其它步骤或单元,或者基于本发明构思进一步的优化方案所增加的步骤或单元。
为预测海洋中某位置的海浪宏观特征要素场,不仅需要了解风强迫和海浪成长之间的关系还要了解周边区域浪场向关注区域的波浪辐射。海浪宏观特征要素场复杂的演化过程可以通过欧拉形式描述:
其中,x和y是空间变量;t是时间变量;s表示海浪宏观特征要素;F(U)表示风场对海浪的外部强迫;ci,x和ci,y是海浪宏观特征要素沿着x和y方向传播的速度;φ(x,y)是初始条件。由于ci,x和ci,y、F(U)的理论形式未知,所以式(1)无法解析求解,因此直接求解并预测海浪宏观特征要素场的演化过程是困难的。
本发明提出了驱动场强迫卷积长短记忆深度神经网络,并以具有代表性西北太平洋风-浪数值再分析资料对该网络进行训练,训得的网络可以认为是式(1)的一种近似解,利用网络模型实现了海浪宏观特征要素时空演化的预测。
本发明的实施例提供一种基于卷积长短记忆网络的海浪宏观特征量预测系统,包括:
风场信息获取模块,用于根据外部提供的数值预报风场,得到最新的风强迫要素;
经过迭代训练后得到的深度神经网络模型,用于根据最新的风强迫要素,运算得到海浪宏观特征量预测结果;
深度神经网络模型包括多个驱动场强迫卷积长短记忆网络模块,驱动场强迫卷积长短记忆网络模块以三层串联卷积长短记忆单元ConLSTM为基础构成,其中,卷积层负责刻画海浪宏观特征要素的受迫运动性及空间关联性,长短记忆层负责刻画浪场时间记忆性;多个驱动场强迫卷积长短记忆网络模块根据编码-解码策略交叉连接组成推理管线;在编码阶段,输入要素包括海浪宏观特征要素和风强迫要素;在解码阶段,海浪宏观特征要素的更新来自前一预测步骤,风强迫要素的更新来自外部提供的数值预报风场。
具体的,深度神经网络模型在训练时,为保证训练数据具有良好的代表性,取天气类型丰富的西北太平洋风-浪要素资料作为训练集。训练集的时间范围涵盖2000至2009年,经统计该时段包含413次极端大浪过程(波高超过4米),其中263次由冷空气和温带气旋引起,150次由台风引起。因此,训练集具有良好的代表性。
请参阅图1,训练集包含预报业务中常用的风-浪要素。其中,风强迫要素为10米高度风速的经向和纬向分量U10m和V10m;海浪宏观特征要素包括有效波高Hs、平均波长Lm、平均波向Dir以及方向谱宽度Spr。为保证训练集的精度,风和浪要素分别从美国国家环境预报中心NCEP生产的CFSR大气再分析资料和国家海洋环境预报中心NMEFC生产的西北太平洋海浪再分析资料中提取。
需要对训练集中的数据进行预处理时,具体的,对数据进行时空插值、归一化、陆地标记、要素矢量化等预处理。对要素场进行时空插值:空间范围为5°S-50°N,99°E-155°E,空间分辨率为0.1°×0.1°,时间分辨率1小时。统计各要素最大值和最小值并对要素做0-1归一化。将陆地区域的值设置为0。将要素矢量化为RT×C×H×W的时空序列数据,其中T、C、H和W分别表示时间、通道、高度和宽度。
请参阅图2,驱动场强迫卷积长短记忆网络(Driving Field Forcing ConvLSTM,DFF-ConvLSTM)以三层串联卷积长短记忆单元ConvLSTM为基础构成的,其中,卷积层负责刻画海浪宏观特征要素的受迫运动性及空间关联性;长短记忆层负责刻画浪场时间记忆性。根据经典的编码-解码策略多个DFF-ConvLSTM网络模块交叉连接组成推理管线。在编码阶段,初始条件或前一推理步骤的结果以及隐藏状态进入编码模块,输入要素包括风和海浪宏观特征要素。在解码阶段,海浪宏观特征要素更新仍然来自前一预测步骤,但驱动风场更新来自外部输入(即数值预报风场)。该步骤对保证网络习得外部强迫直挂重要。通常解码阶段的长度大于编码阶段以节省计算量。模型中的关键参数(如各个ConvLSTM单元中通道数等)需要通过迭代训练经验确定。
本发明应用了扩张卷积技术来克服因卷积计算中感受野过小引起的局部过拟合问题,卷积核扩张参数由迭代训练经验确定。
本发明为提高浪高(最重要的海浪预报要素)预报精度使用了多要素联合输入为网络提供给更丰富的浪场信息。除有效波高外,还包括波长、波向、方向谱宽度等协变量。为防止协变量通道损失值过大淹没波高通道的值,本发明提供了一种多任务损失函数,给不同要素的损失值以不同的权重,以防止有效波高所产生的损失值占比过小,多任务损失函数的计算公式为:
其中,L(*)为对应海浪要素计算的均方误差损失值;λ(*)为对应要素的损失值权重大小。通常设置的值远大于λ(Dir)和λ(Spr),以保证有效波高部分的损失和协变量部分损失在同一量级。具体取值通过迭代训练确定。
大量迭代训练确定了以下网络关键参数值:三层ConvLSTM单元的通道数分别为28、84和6;ConvLSTM单元中的卷积运算使用单个二维卷积层,卷积核大小为3,步长设置为1,并使用大小为1的零填充;模型的隐含状态用0进行初始化;训练过程多任务损失函数设置的权重值λ(Dir)和λ(Spr)分别为:5、0.2、0.02和0.005。
请参阅图3至图5,本发明提供的的深度神经网络预报模型DFF-ConvLSTM与数值预报模型相比,计算效率增幅巨大,预报精度与数值模拟结果相当。运行于GPU环境中网络模型较运行于CPU环境数值模型的计算效率高770倍,能耗低550倍。
表一:不同环境下DFF-ConvLSTM计算效能与CPU环境下海浪数值模式对比
DFF-ConvLSTM与长短记忆模型、全连接模型以及卷积模型相比能够提供洋盆尺度的非稳态海浪宏观特征要素场预报。具体优势体现在:预报空间范围至少提高2个数量级;预报适用性更强,可以提供台风、温带气旋等快变天气过程的预报。
以上实施例的各技术特征可以进行任意的组合(只要这些技术特征的组合不存在矛盾),为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述;这些未明确写出的实施例,也都应当认为是本说明书记载的范围。
上文中通过一般性说明及具体实施例对本发明作了较为具体和详细的描述。应当指出的是,在不脱离本发明构思的前提下,显然还可以对这些具体实施例作出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,包括:
风场信息获取模块,用于根据外部提供的数值预报风场,得到最新的风强迫要素;
经过迭代训练后得到的深度神经网络模型,用于根据最新的风强迫要素,运算得到海浪宏观特征量预测结果;
所述深度神经网络模型包括多个驱动场强迫卷积长短记忆网络模块,所述驱动场强迫卷积长短记忆网络模块以三层串联卷积长短记忆单元Conv LSTM为基础构成,其中,卷积层负责刻画海浪宏观特征要素的受迫运动性及空间关联性,长短记忆层负责刻画浪场时间记忆性;所述多个驱动场强迫卷积长短记忆网络模块根据编码-解码策略交叉连接组成推理管线;在编码阶段,输入要素包括海浪宏观特征要素和风强迫要素;在解码阶段,海浪宏观特征要素的更新来自前一预测步骤,风强迫要素的更新来自外部提供的数值预报风场;其中,所述海浪宏观特征要素为有效波高、平均波长、平均波向以及方向谱宽度,所述风强迫要素为10米高度风速的经向和纬向分量。
2.根据权利要求1所述的基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,所述深度神经网络模型在训练时,获取天气类型丰富的风浪要素资料作为训练集。
3.根据权利要求2所述的基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,所述深度神经网络模型在训练时,对获取的训练集中的数据进行时空插值、归一化、陆地标记和要素矢量化预处理。
4.根据权利要求3所述的基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,所述要素矢量化预处理时,将要素矢量化为RT×C×H×W的时空序列数据,其中T、C、H和W分别表示时间、通道、高度和宽度。
7.根据权利要求1所述的基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,三层所述串联卷积长短记忆单元的通道数分别为28、84和6。
8.根据权利要求1所述的基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,所述串联卷积长短记忆单元ConvLSTM中的卷积运算为单个二维卷积层。
9.根据权利要求8所述的基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,所述卷积层的卷积核大小为3,步长为1,并使用大小为1的零填充。
10.根据权利要求1所述的基于卷积长短记忆网络的海浪宏观特征量预测系统,其特征在于,所述深度神经网络模型的隐含状态用0进行初始化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157970.7A CN114580509B (zh) | 2022-02-21 | 2022-02-21 | 基于卷积长短记忆网络的海浪宏观特征量预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210157970.7A CN114580509B (zh) | 2022-02-21 | 2022-02-21 | 基于卷积长短记忆网络的海浪宏观特征量预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114580509A CN114580509A (zh) | 2022-06-03 |
CN114580509B true CN114580509B (zh) | 2022-10-28 |
Family
ID=81770426
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210157970.7A Active CN114580509B (zh) | 2022-02-21 | 2022-02-21 | 基于卷积长短记忆网络的海浪宏观特征量预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580509B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540869A (zh) * | 2023-11-24 | 2024-02-09 | 国家海洋环境预报中心 | 一种轻量化船载海洋环境预报方法、系统和船载终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097224A (zh) * | 2019-05-05 | 2019-08-06 | 中国科学院海洋研究所 | 一种可视化风暴潮-海浪耦合预报方法 |
CN113051817A (zh) * | 2021-03-19 | 2021-06-29 | 上海海洋大学 | 一种基于深度学习的海浪高度预测方法及其应用 |
CN113722980A (zh) * | 2021-08-06 | 2021-11-30 | 中国海洋大学 | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 |
CN114004152A (zh) * | 2021-10-29 | 2022-02-01 | 河海大学 | 基于图卷积和循环神经网络的多风场风速时空预测方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886217B (zh) * | 2019-02-26 | 2022-10-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
CN110806692A (zh) * | 2019-10-21 | 2020-02-18 | 上海海事大学 | 一种基于cnn-latm组合模型的波浪补偿预测方法 |
CN111855942A (zh) * | 2020-07-25 | 2020-10-30 | 山东交通学院 | 一种基于3s技术的船舶与海洋溢油污染的监测系统 |
CN112711915B (zh) * | 2021-01-08 | 2022-02-25 | 自然资源部第一海洋研究所 | 一种海浪有效波高预测方法 |
CN113156439B (zh) * | 2021-05-08 | 2022-08-30 | 中国石油大学(华东) | 一种基于数据驱动的sar风场海浪联合反演方法及系统 |
CN113283588B (zh) * | 2021-06-03 | 2022-04-19 | 青岛励图高科信息技术有限公司 | 一种基于深度学习的近岸单点海浪浪高预报方法 |
-
2022
- 2022-02-21 CN CN202210157970.7A patent/CN114580509B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097224A (zh) * | 2019-05-05 | 2019-08-06 | 中国科学院海洋研究所 | 一种可视化风暴潮-海浪耦合预报方法 |
CN113051817A (zh) * | 2021-03-19 | 2021-06-29 | 上海海洋大学 | 一种基于深度学习的海浪高度预测方法及其应用 |
CN113722980A (zh) * | 2021-08-06 | 2021-11-30 | 中国海洋大学 | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 |
CN114004152A (zh) * | 2021-10-29 | 2022-02-01 | 河海大学 | 基于图卷积和循环神经网络的多风场风速时空预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114580509A (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Naik et al. | A multi-objective wind speed and wind power prediction interval forecasting using variational modes decomposition based Multi-kernel robust ridge regression | |
Gensler et al. | Deep Learning for solar power forecasting—An approach using AutoEncoder and LSTM Neural Networks | |
Zheng et al. | An overview: the development of prediction technology of wind and photovoltaic power generation | |
Cornejo-Bueno et al. | Bayesian optimization of a hybrid system for robust ocean wave features prediction | |
Wu et al. | Probabilistic forecast of wind power generation with data processing and numerical weather predictions | |
CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
Gao et al. | A forecasting model for wave heights based on a long short-term memory neural network | |
CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN111242344A (zh) | 一种基于循环神经网络和卷积神经网络的智能水位预测方法 | |
CN114580509B (zh) | 基于卷积长短记忆网络的海浪宏观特征量预测系统 | |
Wu et al. | Stratification-based wind power forecasting in a high-penetration wind power system using a hybrid model | |
Li et al. | Deep learning with long short-term memory networks for air temperature predictions | |
Aly et al. | A proposed ANN and FLSM hybrid model for tidal current magnitude and direction forecasting | |
Zhang et al. | Photovoltaic power prediction based on hybrid modeling of neural network and stochastic differential equation | |
CN116894384B (zh) | 一种多风机风速时空预测方法及系统 | |
Jiang et al. | Time series analysis and forecasting for wind speeds using support vector regression coupled with artificial intelligent algorithms | |
Xia et al. | Short-term PV power forecasting based on time series expansion and high-order fuzzy cognitive maps | |
Shi et al. | Short-term motion prediction of floating offshore wind turbine based on muti-input LSTM neural network | |
Kun et al. | Attention-based long short-term memory network temperature prediction model | |
Ma et al. | A hybrid deep learning model based on feature capture of water level influencing factors and prediction error correction for water level prediction of cascade hydropower stations under multiple time scales | |
Kisi et al. | Wind speed prediction by using different wavelet conjunction models | |
Islam et al. | Location agnostic adaptive rain precipitation prediction using deep learning | |
Rizianiza et al. | Prediction of significant wave height in the java sea using artificial neural network | |
Pu et al. | A hybrid prediction model for photovoltaic power generation based on information entropy |
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 |