CN115600682A - 一种基于数据驱动的海浪波高场预报方法及装置 - Google Patents

一种基于数据驱动的海浪波高场预报方法及装置 Download PDF

Info

Publication number
CN115600682A
CN115600682A CN202210105804.2A CN202210105804A CN115600682A CN 115600682 A CN115600682 A CN 115600682A CN 202210105804 A CN202210105804 A CN 202210105804A CN 115600682 A CN115600682 A CN 115600682A
Authority
CN
China
Prior art keywords
sea
wave
data
historical
field
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
Application number
CN202210105804.2A
Other languages
English (en)
Inventor
王久珂
于福江
李本霞
高志一
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.)
NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
Original Assignee
NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
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 NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER filed Critical NATIONAL MARINE ENVIRONMENTAL FORECASTING CENTER
Priority to CN202210105804.2A priority Critical patent/CN115600682A/zh
Publication of CN115600682A publication Critical patent/CN115600682A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请提供一种基于数据驱动的海浪波高场预报方法及装置，该方法包括：获取海面风场历史数据集和海浪有效波高场历史数据集；根据海面风场历史数据集和海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型；获取海面风场预报数据；海面风场预报数据至少包括海面风速场预报数据；将海面风场预报数据输入至数据驱动海浪预报模型，以使数据驱动海浪预报模型输出与海面风速场预报数据相对应的海浪有效波高场预报数据。可见，实施这种实施方式，能够以极快的速度获取到准确的海浪有效波高场数据，从而使得其能够满足灾害性海浪预警、预报业务的时效性。

Description

一种基于数据驱动的海浪波高场预报方法及装置
技术领域
本申请涉及海洋预报领域，具体而言，涉及一种基于数据驱动的海浪波高场预报方法及装置。
背景技术
海浪是海洋表面最为常见与重要的自然现象，是影响海上船舶航行、海洋工程等相关海上活动安全的最为重要的因素之一。因此，对海浪有效波高进行准确的预测将对于参与海上活动的人员生命安全及海洋经济发展均具有非常重要的意义。
目前，人们基于海浪能量方程以及一系列的参数化方法，建立起了海浪数值预报模式，并在数十年的发展中将其预报精度逐步提高。然而该种海浪数值模式往往需要涉及大量的数值计算，从而导致其需要较长的时间来进行计算，以得出预报结果。
台风是导致我国灾害性海浪最为重要的灾害性天气之一。针对于台风而言，台风路径预报的不确定性使得台风登陆之前的路径、强度的预报往往需要快速的更新迭代。这就使得目前的业务化海浪数值预报模式无法在短时间内完成响应，从而导致海洋预报的实时性降低。
由此可见，目前的海浪数值预报尚且不能很好的满足灾害性海浪预警、预报业务的时效性。
发明内容
本申请实施例的目的在于提供一种基于数据驱动的海浪波高场预报方法及装置，能够以极快的速度获取到准确的海浪有效波高场数据，从而使得其能够满足灾害性海浪预警、预报业务的时效性。
本申请实施例第一方面提供了一种基于数据驱动的海浪波高场预报方法，包括：
获取海面风场历史数据集和海浪有效波高场历史数据集；
根据所述海面风场历史数据集和所述海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型；
获取海面风场预报数据；所述海面风场预报数据至少包括海面风速场预报数据；
将所述海面风场预报数据输入至所述数据驱动海浪预报模型，以使所述数据驱动海浪预报模型输出与所述海面风速场预报数据相对应的海浪有效波高场预报数据。
在上述实现过程中，该方法能够以经观测订正的海浪有效波高场历史数据集为真值，对预设的海面风场-海浪有效波高场深度学习海浪预报模型进行训练，得到数据驱动海浪预报模型。此后，再将海面风场预报数据输入至数据驱动海浪预报模型，以使数据驱动海浪预报模型输出海浪有效波高场预报数据的预报结果，从而完成对有效波高场的预报过程。可见，实施这种实施方式，能够以呈数量级较低的运算时间代价获得理想的海浪有效波高预报精度，同时能够大大降低了海浪波高场预报对于软硬件条件的限制。
进一步地，所述获取海面风场历史数据集和海浪有效波高场历史数据集的步骤包括：
通过预设数值预报模式，获取海面风场历史模式数据集和海浪有效波高场历史模式数据集；
获取基于海面浮标探测的第一海浪有效波高场历史探测数据集，和基于遥感卫星探测的第二海浪有效波高场历史探测数据集；
根据所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集，对所述海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集。
在上述实现过程中，该方法能够基于浮标探测数据和遥感卫星探测数据获取到更准确的海浪有效波高场历史数据集，从而使得数据驱动的海浪预报模型能够得到正确有效的训练。
进一步地，所述根据所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集，对所述海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集的步骤包括：
在所述海浪有效波高场历史模式数据集、所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集中，获取多个数据对；其中，每个所述数据对都包括一对在时间与空间上相匹配的海浪有效波高场历史模式数据、第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据；
在每个所述数据对中，通过最优插值法将所述第一海浪有效波高场历史探测数据和所述第二海浪有效波高场历史探测数据插值至对应的所述海浪有效波高场历史模式数据中，得到多个海浪有效波高场历史插值数据；
对所述多个海浪有效波高场历史插值数据进行融合订正，得到海浪有效波高场历史数据集。
进一步地，所述根据所述海面风场历史数据集和所述海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型的步骤包括：
将所述海面风场历史数据集作为训练输入数据，将所述海浪有效波高场历史数据集作为真值，并采用预设的损失函数对预先建立的深度学习模型进行训练，得到数据驱动海浪预报模型。
在上述实现过程中，通过深度学习方法可以对预先建立的深度学习海浪预报模型进行训练，并将海面风场历史数据集作为训练输入数据，将订正后的海浪有效波高场历史数据集作为真值，可以提高数据驱动的海浪预报模型的准确性。
本申请实施例第二方面提供了一种基于数据驱动的海浪波高场预报装置，所述基于数据驱动的海浪波高场预报装置包括：。
第一获取模块，用于获取海面风场历史数据集和海浪有效波高场历史数据集；
训练模块，用于根据所述海面风场历史数据集和所述海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型；
第二获取模块，用于获取海面风场预报数据；所述海面风场预报数据至少包括海面风速场预报数据；
预报模块，用于将所述海面风场预报数据输入至所述数据驱动海浪预报模型，以使所述数据驱动海浪预报模型输出与所述海面风速场预报数据相对应的海浪有效波高场预报数据。
在上述实现过程中，该装置能够以经观测订正的海浪有效波高场历史数据集为真值，对预设的海面风场-海浪有效波高场深度学习海浪预报模型进行训练，得到数据驱动海浪预报模型。此后，再将海面风场预报数据输入至数据驱动海浪预报模型，以使数据驱动海浪预报模型输出海浪有效波高场预报数据的预报结果，从而完成对有效波高场的预报过程。可见，实施这种实施方式，能够以呈数量级较低的运算时间代价获得理想的海浪有效波高预报精度，同时能够大大降低了海浪波高场预报对于软硬件条件的限制。
进一步地，所述第一获取模块包括：
获取子模块，用于通过预设数值预报模式，获取海面风场历史模式数据集和海浪有效波高场历史模式数据集；
所述获取子模块，用于获取基于海面浮标探测的第一海浪有效波高场历史探测数据集，和基于遥感卫星探测的第二海浪有效波高场历史探测数据集；
融合订正子模块，用于根据所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集，对所述海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集。
在上述实现过程中，该装置能够基于浮标探测数据和遥感卫星探测数据获取到更准确的海浪有效波高历史数据集，从而使得数据驱动的海浪预报模型能够得到正确有效的训练。
进一步地，所述融合订正子模块包括：
获取单元，用于在所述海浪有效波高场历史模式数据集、所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集中，获取多个数据对；其中，每个所述数据对都包括一对在时间与空间上相匹配的海浪有效波高场历史模式数据、第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据；
插值单元，用于在每个所述数据对中，通过最优插值法将所述第一海浪有效波高场历史探测数据和所述第二海浪有效波高场历史探测数据插值至对应的所述海浪有效波高场历史模式数据中，得到多个海浪有效波高场历史插值数据；
融合订正单元，用于对所述多个海浪有效波高场历史插值数据进行融合订正，得到海浪有效波高场历史数据集。
进一步地，所述训练模块具体用于将所述海面风场历史数据集作为训练输入数据，将所述海浪有效波高场历史数据集作为真值，并采用预设的损失函数对预先建立的深度学习模型进行训练，得到数据驱动海浪预报模型。
在上述实现过程中，该装置能够通过深度学习方法可以对预先建立的深度学习海浪预报模型进行训练，并将海面风场历史数据集作为训练输入数据，将订正后的海浪有效波高场历史数据集作为真值，可以提高数据驱动的海浪预报模型的准确性。
本申请实施例第三方面提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例第一方面中任一项所述的基于数据驱动的海浪波高场预报方法。
本申请实施例第四方面提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例第一方面中任一项所述的基于数据驱动的海浪波高场预报方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种基于数据驱动的海浪波高场预报方法的流程示意图；
图2为本申请实施例提供的一种基于数据驱动的海浪波高场预报装置的结构示意图；
图3为本申请实施例提供的一种数据驱动海浪预报模型的结构示意图；
图4为本申请实施例提供的在独立检验数据上得到的订正前后的具体的精度评估结果示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
请参看图1，图1为本实施例提供了一种基于数据驱动的海浪波高场预报方法的流程示意图。其中，该基于数据驱动的海浪波高场预报方法包括：
S101、获取海面风场历史数据集和海浪有效波高场历史数据集。
作为一种可选的实施方式，获取海浪有效波高场历史数据集的步骤包括：
通过预设数值预报模式，获取海面风场历史模式数据集和海浪有效波高场历史模式数据集；
获取基于海面浮标探测的第一海浪有效波高场历史探测数据集，和基于遥感卫星探测的第二海浪有效波高场历史探测数据集；
根据第一海浪有效波高场历史探测数据集和第二海浪有效波高场历史探测数据集，对海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集。
作为一种可选的实施方式，根据第一海浪有效波高场历史探测数据集和第二海浪有效波高场历史探测数据集，对海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集的步骤包括：
在海浪有效波高场历史模式数据集、第一海浪有效波高场历史探测数据集和第二海浪有效波高场历史探测数据集中，获取多个数据对；其中，每个数据对都包括一对在时间与空间上相匹配的海浪有效波高场历史模式数据、第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据；
在每个数据对中，通过最优插值法将第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据插值至对应的海浪有效波高场历史模式数据中，得到多个海浪有效波高场历史插值数据；
对多个海浪有效波高场历史插值数据进行融合订正，得到海浪有效波高场历史数据集。
本实施例中，海面风场历史数据集是基于大气数值预报模式获取到的。具体的，海面风场历史数据集可以包括基于大气数值预报模式获取的多个海面风场历史数据。
本实施例中，海浪有效波高场历史数据集可以包括多个基于海浪数值模式获取到的二维海浪有效波高数据。
在本实施例中，海面风场历史数据集可以是来自于欧洲中期天气预报中心(European Centrefor Medium-Range Weather Forecasts,ECMWF)业务化海浪预报2016-2021年格点化海平面风场数据，该数据时间分辨率为6小时，空间分辨率0.125°；海浪有效波高场历史数据集可以是同样来自于ECMWF的格点化海浪有效波高数据，该数据时间分辨率同样为6小时，空间分辨率0.25°。
在本实施例中，该方法可以选取海域为西北太平洋海域(0-45°N，90-160°E)的数据集；浮标和遥感卫星海浪两者获取到的有效波高场探测数据集是通过中国自然资源部业务海洋观测浮标获取到的，以及通过国家卫星海洋应用中心HY2B/C卫星、中法海洋卫星和欧洲航天局(European Space Agency，ESA)哥白尼观测计划(Copernicus Programme)的Jason3雷达高度计进行观测的。当然，本申请对于海面风场历史数据集和海浪有效波高场历史数据集的获取来源不作任何限定。例如，海面风场历史数据与海浪有效波高场历史数据集可以来源于其他任何大气/海浪数值预报模式，同时浮标与卫星获取到的海浪有效波高场观测数据也可以来自于其他的海浪观测/遥感手段。
本实施例中，该方法可以将浮标与卫星海浪有效波高场观测数据插值融合进基于数值预报模式获取到的海浪有效波高场历史数据，从而能够为深度学习海浪预报模型提供更加准确的真值场，使得其预报精度能够超越原传统海浪数值预报模型。
举例来说，该方法在进行后续的数据插值融合的步骤之前，首先要使得浮标与遥感卫星探测到的海浪有效波高场探测数据和基于数值预报模式获取到的海浪有效波高场数据在时间和空间上一一匹配。该过程即为数据在时间与空间上的匹配能够，具体可以如下：
获取每个浮标与遥感卫星探测到的海浪有效波高场数据所对应的第一观测时间和第一经纬度；由于数值预报模式给出的是全球覆盖的网格化数据，因此将第一观测时间和第一经纬度必然能够找到距离最近的数值模式有效波高格点。考虑到本实施例中采用的海浪数值模式空间分辨率为0.25°，因此限定与第一经纬度的空间匹配距离小于0.25°；在时间匹配方面，匹配阈值为第一观测时间前后1小时。但是需要注意，该时空匹配规则与本方法选取的数值预报模式与卫星遥感数据的空间分辨率直接相关，若在其他实施过程中采用了不同的数值模式分辨率或选取其他来源的卫星遥感数据，则应当对时空匹配原则进行相应的修改以得到合理的时空匹配数据。
进一步举例来说来说，在完成时空匹配后，即可使用最优插值进行有效波高数据融合，具体步骤如下：
由于浮标或遥感卫星能够获取到海浪有效波高场探测数据，因此该方法认为浮标或遥感卫星获取到的海浪有效波高场探测数据为真值。基于此，该方法首先使用浮标或遥感卫星为海浪有效波高场数据替换为与之时空匹配的海浪数值模式格点的有效波高场数据；同时根据海浪本身在时间上的相关性，将浮标或遥感卫星探测与数值预测模式之间的差异拓展到观测点附近的数值模式格点上。根据相关研究，该方法可以选取相关半径为300km，即对于每一个海浪观测位置上，其海浪有效波高观测与数值模式之间的差异将影响该位置周围300km以内的海域。在该区域内海浪观测与模式之间差异的影响权重从该观测点向外，以距离反比权重进行衰减。根据上述插值融合方法，将2016-2021年浮标及卫星海浪有效波高观测融合进入相对应时间段内的海浪数值有效波高场数据中，从而获得经过浮标及探测卫星获取到的海浪有效波高场数据融合订正得到的二维的海浪有效波高场历史数据集。
S102、将海面风场历史数据集作为训练输入数据，将海浪有效波高场历史数据集作为真值，并采用预设的损失函数对预先建立的深度学习模型进行训练，得到数据驱动海浪预报模型。
本实施例中，该方法可以预先基于时空自注意力机制预先建立深度学习模型。
在本实施例中，该方法可以采用Vision Transformer以及卷积神经网络(Convolutional Neural Networks,CNN)组合的方式构建数据驱动海浪预报模型，其结构图如图3所示。
其中，该模型输入为多个基于数值预报模式获取到的海面风速场历史数据(将风矢量均分解为U，V分量，将其数值大小作为输入)，将前述实施例中获取到的有效波高场历史数据集作为该全连接深度学习海浪预报模型的模型输出；采用平均绝对误差(MeanAbsolute Error，MAE)作为该全连接深度学习模型的损失函数，对该深度学习海浪预报模型进行训练，即可得到训练后的全连接深度学习海浪预报模型。该全连接深度学习海浪预报模型即为数据驱动海浪预报模型。
本实施例中，该方法可以将自适应矩估计(Adam)作为上述的模型优化方法。
S103、获取海面风场预报数据；海面风场预报数据至少包括海面风速场预报数据。
S104、将海面风场预报数据输入至数据驱动海浪预报模型，以使数据驱动海浪预报模型输出与海面风速场预报数据相对应的海浪有效波高场预报数据。
举例来说，该方法可以结合实验数据对该实施例的有益效果作进一步解释。其中，该方法可以使用2016年-2020年(含)数值模式海平面风场与对应的经观测融合订正的历史数值模式二维海浪有效波高数据进行训练(即训练集)；另外2021年(1-11月)的对应数据作为验证数据集，从而能够独立与全面的验证海浪预报精度。下面给出的涉及精度评估与改善的结论，均是基于验证数据集的独立检验数据得到的。
具体的，在独立检验数据上得到的订正前后的具体的精度评估如图4所示。从整体上可以看到，根据基于中国业务海浪观测浮标观测的检验，该数据驱动海浪预报模型有效波高预报(图例标注为AI)的平均绝对误差(MAE)、均方根误差(Root Mean Square Error，RMSE)、系统偏差(bias)均小于同时效的ECMWF业务化海浪有效波高预报(图例标注为EC)。因此根据该独立检验结果表明基于深度学习的海浪智能预报模型能够在极大地缩短海浪预报运算时间的前提下获得了超越传统海浪数值预报模式的预报精度，从而为台风等需要快速响应、轻量化部署的我国海浪预警报业务提供有效的支撑。
本实施例中，该方法的执行主体可以为计算机、服务器等计算装置，对此本实施例中不作任何限定。
可见，实施本实施例所描述的基于数据驱动的海浪波高场预报方法，能够以订正的海浪有效波高场历史数据集为真值，以经过时空匹配的海面风场历史数据集对基于时空注意力机制的深度学习海浪预报模型进行训练，得到数据驱动海浪预报模型。并在完成模型训练后，将海面风场预报数据输入至数据驱动海浪预报模型，以获得海浪有效波高场预报数据，从而完成二维海浪预报过程。实施这种实施方式，能够融合浮标探测的历史数据和遥感卫星探测的历史数据，从而使得数据驱动海浪预报模型能够获取到更高的精度，并实现更快的预报速度。
实施例2
请参看图2，图2为本实施例提供的一种基于数据驱动的海浪波高场预报装置的结构示意图。如图2所示，该基于数据驱动的海浪波高场预报装置包括：
第一获取模块210，用于获取海面风场历史数据集和海浪有效波高场历史数据集；
训练模块220，用于根据海面风场历史数据集和海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型；
第二获取模块230，用于获取海面风场预报数据；海面风场预报数据至少包括海面风速场预报数据；
预报模块240，用于将海面风场预报数据输入至数据驱动海浪预报模型，以使数据驱动海浪预报模型输出与海面风速场预报数据相对应的海浪有效波高场预报数据。
作为一种可选的实施方式，第一获取模块210包括：
获取子模块211，用于通过预设数值预报模式，获取海面风场历史模式数据集和海浪有效波高场历史模式数据集；
获取子模块211，用于获取基于海面浮标探测的第一海浪有效波高场历史探测数据集，和基于遥感卫星探测的第二海浪有效波高场历史探测数据集；
融合订正子模块212，用于根据第一海浪有效波高场历史探测数据集和第二海浪有效波高场历史探测数据集，对海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集。
作为一种可选的实施方式，融合订正子模块212包括：
获取单元，用于在海浪有效波高场历史模式数据集、第一海浪有效波高场历史探测数据集和第二海浪有效波高场历史探测数据集中，获取多个数据对；其中，每个数据对都包括一对在时间与空间上相匹配的海浪有效波高场历史模式数据、第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据；
插值单元，用于在每个数据对中，通过最优插值法将第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据插值至对应的海浪有效波高场历史模式数据中，得到多个海浪有效波高场历史插值数据；
融合订正单元，用于对多个海浪有效波高场历史插值数据进行融合订正，得到海浪有效波高场历史数据集。
作为一种可选的实施方式，训练模块220具体用于将海面风场历史数据集作为训练输入数据，将海浪有效波高场历史数据集作为真值，并采用预设的损失函数对预先建立的深度学习模型进行训练，得到数据驱动海浪预报模型。
本申请实施例中，对于基于数据驱动的海浪波高场预报装置的解释说明可以参照实施例1中的描述，对此本实施例中不再多加赘述。
可见，实施本实施例所描述的基于数据驱动的海浪波高场预报装置，能够以订正的海浪有效波高场历史数据集为真值，以经过时空匹配的海面风场历史数据集对基于时空注意力机制的深度学习海浪预报模型进行训练，得到数据驱动海浪预报模型。并在完成模型训练后，将海面风场预报数据输入至数据驱动海浪预报模型，以获得海浪有效波高场预报数据，从而完成二维海浪预报过程。实施这种实施方式，能够融合浮标探测的历史数据和遥感卫星探测的历史数据，从而使得数据驱动海浪预报模型能够获取到更高的精度，并实现更快的预报速度。
本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行本申请实施例1中的基于数据驱动的海浪波高场预报方法。
本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行本申请实施例1中的基于数据驱动的海浪波高场预报方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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存储介质中。基于这样的理解，本申请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)执行本申请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。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

Claims (10)

1.一种基于数据驱动的海浪波高场预报方法，其特征在于，包括：
获取海面风场历史数据集和海浪有效波高场历史数据集；
根据所述海面风场历史数据集和所述海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型；
获取海面风场预报数据；所述海面风场预报数据至少包括海面风速场预报数据；
将所述海面风场预报数据输入至所述数据驱动海浪预报模型，以使所述数据驱动海浪预报模型输出与所述海面风速场预报数据相对应的海浪有效波高场预报数据。
2.根据权利要求1所述的基于数据驱动的海浪波高场预报方法，其特征在于，所述获取海浪有效波高场历史数据集的步骤包括：
通过运行预设的数值预报模式，获取海面风场历史模式数据集和海浪有效波高场历史模式数据集；
获取基于海面浮标探测的第一海浪有效波高场历史探测数据集，和基于遥感卫星探测的第二海浪有效波高场历史探测数据集；
根据所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集，对所述海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集。
3.根据权利要求2所述的基于数据驱动的海浪波高场预报方法，其特征在于，所述根据所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集，对所述海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集的步骤包括：
在所述海浪有效波高场历史模式数据集、所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集中，获取多个数据对；其中，每个所述数据对都包括一对在时间与空间上相匹配的海浪有效波高场历史模式数据、第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据；
在每个所述数据对中，通过最优插值法将所述第一海浪有效波高场历史探测数据和所述第二海浪有效波高场历史探测数据插值至对应的所述海浪有效波高场历史模式数据中，得到多个海浪有效波高场历史插值数据；
对所述多个海浪有效波高场历史插值数据进行融合订正，得到海浪有效波高场历史数据集。
4.根据权利要求1所述的基于数据驱动的海浪波高场预报方法，其特征在于，所述根据所述海面风场历史数据集和所述海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型的步骤包括：
将所述海面风场历史数据集作为训练输入数据，将所述海浪有效波高场历史数据集作为真值，并采用预设的损失函数对预先建立的深度学习模型进行训练，得到数据驱动海浪预报模型。
5.一种基于数据驱动的海浪波高场预报装置，其特征在于，所述基于数据驱动的海浪波高场预报装置包括：
第一获取模块，用于获取海面风场历史数据集和海浪有效波高场历史数据集；
训练模块，用于根据所述海面风场历史数据集和所述海浪有效波高场历史数据集进行深度学习模型训练，得到数据驱动海浪预报模型；
第二获取模块，用于获取海面风场预报数据；所述海面风场预报数据至少包括海面风速场预报数据；
预报模块，用于将所述海面风场预报数据输入至所述数据驱动海浪预报模型，以使所述数据驱动海浪预报模型输出与所述海面风速场预报数据相对应的海浪有效波高场预报数据。
6.根据权利要求5所述的基于数据驱动的海浪波高场预报装置，其特征在于，所述第一获取模块包括：
获取子模块，用于通过预设数值预报模式，获取海面风场历史模式数据集和海浪有效波高场历史模式数据集；
所述获取子模块，用于获取基于海面浮标探测的第一海浪有效波高场历史探测数据集，和基于遥感卫星探测的第二海浪有效波高场历史探测数据集；
融合订正子模块，用于根据所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集，对所述海浪有效波高场历史模式数据集进行融合订正，得到海浪有效波高场历史数据集。
7.根据权利要求6所述的基于数据驱动的海浪波高场预报装置，其特征在于，所述融合订正子模块包括：
获取单元，用于在所述海浪有效波高场历史模式数据集、所述第一海浪有效波高场历史探测数据集和所述第二海浪有效波高场历史探测数据集中，获取多个数据对；其中，每个所述数据对都包括一对在时间与空间上相匹配的海浪有效波高场历史模式数据、第一海浪有效波高场历史探测数据和第二海浪有效波高场历史探测数据；
插值单元，用于在每个所述数据对中，通过最优插值法将所述第一海浪有效波高场历史探测数据和所述第二海浪有效波高场历史探测数据插值至对应的所述海浪有效波高场历史模式数据中，得到多个海浪有效波高场历史插值数据；
融合订正单元，用于对所述多个海浪有效波高场历史插值数据进行融合订正，得到海浪有效波高场历史数据集。
8.根据权利要求5所述的基于数据驱动的海浪波高场预报装置，其特征在于，所述训练模块具体用于将所述海面风场历史数据集作为训练输入数据，将所述海浪有效波高场历史数据集作为真值，并采用预设的损失函数对预先建立的深度学习模型进行训练，得到数据驱动海浪预报模型。
9.一种电子设备，其特征在于，所述电子设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至4中任一项所述的基于数据驱动的海浪波高场预报方法。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有计算机程序指令，所述计算机程序指令被一处理器读取并运行时，执行权利要求1至4任一项所述的基于数据驱动的海浪波高场预报方法。
CN202210105804.2A 2022-01-28 2022-01-28 一种基于数据驱动的海浪波高场预报方法及装置 Pending CN115600682A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210105804.2A CN115600682A (zh) 2022-01-28 2022-01-28 一种基于数据驱动的海浪波高场预报方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210105804.2A CN115600682A (zh) 2022-01-28 2022-01-28 一种基于数据驱动的海浪波高场预报方法及装置

Publications (1)

Publication Number Publication Date
CN115600682A true CN115600682A (zh) 2023-01-13

Family

ID=84841989

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210105804.2A Pending CN115600682A (zh) 2022-01-28 2022-01-28 一种基于数据驱动的海浪波高场预报方法及装置

Country Status (1)

Country Link
CN (1) CN115600682A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611270A (zh) * 2023-07-20 2023-08-18 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 一种台风浪实时集合预报方法、介质及系统
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116611270A (zh) * 2023-07-20 2023-08-18 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 一种台风浪实时集合预报方法、介质及系统
CN116611270B (zh) * 2023-07-20 2023-10-03 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 一种台风浪实时集合预报方法、介质及系统
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

Similar Documents

Publication Publication Date Title
Xiao et al. Maritime traffic probabilistic forecasting based on vessels’ waterway patterns and motion behaviors
US11719831B2 (en) System and method for tracking and forecasting the positions of marine vessels
Dodet et al. Wave climate variability in the North-East Atlantic Ocean over the last six decades
Oke et al. Assessing the impact of observations on ocean forecasts and reanalyses: Part 2, Regional applications
CN115600682A (zh) 一种基于数据驱动的海浪波高场预报方法及装置
Li et al. Decision-making on process risk of Arctic route for LNG carrier via dynamic Bayesian network modeling
Murty et al. Real-time storm surge and inundation forecast for very severe cyclonic storm ‘Hudhud’
Rawson et al. Spatial modeling of maritime risk using machine learning
Tukan et al. An efficient drifters deployment strategy to evaluate water current velocity fields
WO2023215980A1 (en) System and method for enhanced estimated time of arrival for vessels
Pattanayak et al. Simulation of storm surges in the Bay of Bengal using one-way coupling between NMM-WRF and IITD storm surge model
Song et al. Correlation analysis method for ocean monitoring big data in a cloud environment
Khalilabadi An autonomous location prediction model for maritime transport applications: a case study of Persian Gulf
Srivastava et al. Framework for ship trajectory forecasting based on linear stationary models using automatic identification system
Kvanum Developing a deep learning forecasting system for short-term and high-resolution prediction of sea ice concentration
Stanton Overcoming Data Limitation Challenges in Predicting Tropical Storm Surge with Interpretable Machine Learning Methods
Wahle et al. Detecting anomalous sea-level states in North Sea tide gauge data using an autoassociative neural network
Francis et al. HOOFS
Gauci et al. Gap filling of the calypso hf radar sea surface current data through past measurements and satellite wind observations
Tkalich et al. Tsunami propagation modeling and forecasting for early warning system
Tombul et al. Predicting the Trajectories of Drifting Objects in the Eastern Mediterranean Sea
Pradana et al. Development of Real-Time Tsunami Early Warning System Dashboard Based on Tunami-F1 and Machine Learning in Sunda Arc, Indonesia
CN116384284B (zh) 一种赤潮网格化预报方法及系统
Lin et al. An Analysis of Sea Level Spatial Variability by Topological Indicators and $ k $-means Clustering Algorithm
Wu et al. The Offset Position Prediction of Light Buoy Based on Grey Optimization Multiplicative Seasonal Model

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