CN116796178A - 一种基于卫星遥感的渤海海气耦合人工智能预报方法 - Google Patents
一种基于卫星遥感的渤海海气耦合人工智能预报方法 Download PDFInfo
- Publication number
- CN116796178A CN116796178A CN202310663446.1A CN202310663446A CN116796178A CN 116796178 A CN116796178 A CN 116796178A CN 202310663446 A CN202310663446 A CN 202310663446A CN 116796178 A CN116796178 A CN 116796178A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- satellite remote
- sea
- orthogonal
- sea surface
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 24
- 238000010168 coupling process Methods 0.000 title claims abstract description 24
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 24
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 230000005856 abnormality Effects 0.000 claims abstract description 6
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000000034 method Methods 0.000 claims description 22
- 230000000875 corresponding effect Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 230000002123 temporal effect Effects 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 11
- 230000006870 function Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 8
- 230000003993 interaction Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于卫星遥感的渤海海气耦合人工智能预报方法：获取卫星遥感数据，划分训练集和测试集；采用多元经验正交函数分析，训练集分解为正交空间模态和相应主成分；对训练集的正交空间模态进行显著性检验，保留优势正交空间模态，选取出相应的主成分；将测试集投影到获得的优势正交空间模态，获得测试集的主成分；利用选取出的训练集的主成分训练Conv1D‑LSTM神经网络，采用训练后的Conv1D‑LSTM神经网络模型对测试集的主成分预测得到主成分；将预测得到的主成分与显著性检验选取出的主成分相组合，重构获得海表面温度、海面高度异常及海表面风速的预测值。本发明不仅能在正常天气情况下实现大气海洋预测，还能在台风等高影响天气下实现大气海洋耦合预测。
Description
技术领域
本发明属于海洋要素预报技术领域，更具体的说，是涉及一种基于卫星遥感的渤海海气耦合人工智能预报方法。
背景技术
当前，基于时间序列的预报方式是大气海洋预报领域的研究热点，即将大气海洋要素看作时间序列，利用时间序列神经网络对要素点的变化规律进行学习。
目前对海洋或大气的要素预报方法，主要分为两大类，一类是基于数据驱动的预报方法，这种方法脱离于复杂的物理模型，从数据本身出发，通过挖掘历史资料中的有用信息来完成对海洋环境要素的预测。如果海洋要素的变化过程是完全随机的，便无法通过基于数据驱动的方法由过去的海洋状态预测未来的状态；但幸运的是，海洋自身存在动力演化过程，且具有一定的演化规律。因此，我们可以通过对历史状态的分析找到演化规律，从而实现海洋要素未来状态的预测。
第二类是数值模式，但通常情况下，数值模式结构复杂、计算量巨大、耗时极长。此外，其动力内核、数值方法、耦合器和物理参数化方案会引起许多不确定的需要人为经验给定的参数，不可避免地存在偏差，增加了数值模式预报或预测结果的不确定性，从而制约了基于数值模式的数值预报的精度提高。
而目前基于人工智能的大气海洋预测研究都是基于单一系统进行模型的构建，没有考虑大气与海洋之间的耦合作用，所以它们仅适用于正常天气情况下的大气海洋预报。其次，目前的相关研究中多在单要素、单尺度下进行，将大气或海洋要素视为独立的个体，没有考虑不同要素之间的相互作用，存在明显的物理缺陷。综上所述，目前在大气海洋预报领域中基于深度学习的研究较多，但提出的考虑海洋过程中动力热力协调关系，及海气相互作用的时空多尺度、海-气多要素耦合智能预测技术研究寥寥无几。
发明内容
本发明的目的是为了克服现有技术中的不足，提出了一种基于卫星遥感的渤海海气耦合人工智能预报方法。本发明基于渤海海气耦合卫星遥感大气海洋观测资料，开展基于人工智能的渤海海-气耦合多要素、时空多尺度预测方法研究和模型研发，不仅能在正常天气情况下实现大气海洋预测，还能在台风等高影响天气下实现大气海洋耦合预测。
本发明的目的是通过以下技术方案实现的。
本发明基于卫星遥感的渤海海气耦合人工智能预报方法，包括以下过程：
S1：获取卫星遥感数据SSHA、SST、海表面风速，划分为训练集和测试集；
S2：采用多元经验正交函数分析，将训练集分解为正交空间模态和相应的主成分；
S3：对步骤S2中获得的训练集的正交空间模态进行显著性检验，保留优势正交空间模态，进而选取出相应的优势主成分；
S4：将测试集投影到步骤S3中获得的优势正交空间模态，获得测试集的主成分；
S5：利用步骤S3中选取出的训练集的优势主成分训练Conv1D-LSTM神经网络，采用训练后的Conv1D-LSTM神经网络模型对步骤S4中获得的测试集的主成分进行预测，得到主成分预测值；
S6：将步骤S5中预测得到的主成分与步骤S3中选取出的优势主成分相组合，重构获得海表面温度、海面高度异常及海表面风速的预测值。
步骤S1中所述卫星遥感数据的数据区域对应于116°～124°E，36°～42°N；其中，SSHA是逐日1/4°数据；SST是逐日1/4°数据；海表面风速是逐日1/4°数据，包括u和v方向的风速分量，记为UW和VW。
步骤S2中多元经验正交函数分析过程：
基于卫星遥感数据SSHA、SST、海表面风速，构建联合样本矩阵X4N×M：
其中，为第m天的SSHA样本，/>为第m天的SST样本，/>为第m天的UW样本，为第m天的VW样本，N表示每个变量的空间维度，M表示每个变量的时间维度，四个变量的空间维度是统一的，所以联合样本矩阵的维数是4N×M；
对构建的联合样本矩阵去气候态，气候态是变量的历史平均值，去气候态表示为：
其中，X4N×M′表示去完气候态的相关样本矩阵，表示历史平均值，则矩阵X4N×M′的协方差矩阵C4N×4N表示为：
特征值与特征向量表示为：
C4N×4N×V4N×4N＝V4N×4N×E4N×4N
其中，E4N×4N为特征值降序的斜对角矩阵，每个特征值对应一个的特征向量，特征向量矩阵V4N×4N叫做正交空间模态，表示为EOF，将正交空间模态投影到相关样本矩阵上，得到所对应的时间系数，作为主成分PC4N×M，表示为：
步骤S3中所述显著性检验就是从训练集的正交空间模态中选取一定占比的正交空间模态，作为优势正交空间模态。
步骤S5中所述Conv1D-LSTM神经网络的网络结构依次包括输入层、池化层、卷积层、LSTM层、输出层，以起报时刻之前一段时间的主成分为输入，起报时刻之后一段时间的主成分为输出，训练Conv1D-LSTM神经网络。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明脱离了数值耦合模式复杂的物理模型，设计了一种基于多要素经验正交函数(Multi-element Empirical orthogonal function,MEOF)分解的考虑海气耦合的人工智能预报方法，通过统计方法与人工智能方法相结合的方式，对渤海海表面温度、海表面高度异常和海表面风速做出时效为1-7天的预报，不仅能在正常天气情况下实现大气海洋预测，还能在台风等高影响天气下实现大气海洋耦合预测。为新一代大气海洋预报系统的构建以及为北方海区的气象海洋业务能力的进一步提升奠定坚实的理论和技术基础。
附图说明
图1为本发明基于卫星遥感的渤海海气耦合人工智能预报方法流程图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明基于卫星遥感的渤海海气耦合人工智能预报方法，如图1所示，具体包括以下步骤：
S1：获取卫星遥感数据SSHA、SST、海表面风速，划分为训练集和测试集。
中国渤海的长期卫星遥感数据SSHA、SST、海表面风速的数据区域对应于116°～124°E，36°～42°N，用于评估所提出模型的性能。
本发明中的SSHA是逐日1/4°数据。使用的SST数据是逐日1/4°数据。在本发明中使用的海表面风速为是逐日1/4°数据，采用CCMP风场，CCMP风场数据包括u和v方向的风速分量，记为UW和VW。
本发明所使用的数据时间长度为28年，从1993年1月至2020年12月，将1993年至2015年的数据作为训练集，设置2016年至2020年的五年数据作为独立实验样本，即测试集，用来验证模型。
S2：采用多元经验正交函数(MEOF)分析，将训练集分解为正交空间模态(EOF)和相应的主成分(PC)。
在本发明中，将基于卫星遥感SSHA、SST和海表面风速数据，构建联合样本矩阵，并构建其对应的气候态，并用历年逐日海洋卫星遥感资料扣除气候态结果，得到历年逐日海洋卫星遥感资料的距平结果，从而实现信号分离。本发明利用MEOF分解信号分离后的数据矩阵，得到基于海洋卫星遥感产品各个要素的正交模态和对应的时间系数，如此得到的空间模态及主成分不仅有效考虑了同一要素在不同时空点的相关性，还有效考虑了不同要素之间的相关性及海气相互作用。MEOF过程如下：
经验正交函数分析可以用于分析变量，被用来分析变量场的时间和空间分布的特征，并可以分离出可变场的时间和空间特征，而MEOF分解可以同时分解多个变量场，在本发明中，我们使用MEOF方法来分解SSHA、SST、UW和VW，其中海面风数据由在u和v方向的风速构成，则SSHA、SST、UW和VW的联合样本矩阵X4N×M可以表示为：
其中，为第m天的SSHA样本，/>为第m天的SST样本，/>为第m天的UW样本，为第m天的VW样本，N表示每个变量的空间维度，M表示每个变量的时间维度，四个变量的空间维度是统一的，所以联合样本矩阵的维数是4N×M。
构建完联合样本矩阵后，要对联合样本矩阵去气候态，这是因为人们更加关注SSHA、SST、UW和UV的异常，气候态是变量的历史平均值，去气候态可以表示为：
其中，X4N×M′表示去完气候态的相关样本矩阵，表示历史平均值，则矩阵X4N×M′的协方差矩阵C4N×4N可以表示为：
矩阵C4N×4N考虑了单个变量，而且考虑了不同的海洋变量与大气变量之间的相关性。
特征值与特征向量可以表示为：
C4N×4N×V4N×4N＝V4N×4N×E4N×4N (4)
其中，E4N×4N为特征值降序的斜对角矩阵，每个特征值对应一个的特征向量，特征向量矩阵V4N×4N叫做正交空间模态，表示为EOF，将正交空间模态投影到相关样本矩阵上，得到所对应的时间系数，作为主成分PC4N×M，表示为：
PC4N×M中的每一行对应每一列特征向量。在研究的进行过程中，只需取少数的优势正交空间模态和PC来重构各个要素的空间结构的主要特征。
通过MEOF分析，SSHA、SST、UW和VW的数据集被分解为空间模态和相应的PC。
S3：对步骤S2中获得的训练集的正交空间模态进行显著性检验，保留优势正交空间模态，进而选取出相应的优势主成分。
其中，所述显著性检验就是从训练集的正交空间模态中选取一定占比的正交空间模态，作为优势正交空间模态，比如取前15个正交空间模态，保留的优势正交空间模态总方差为92％，优势正交空间模态在总模态中占据主导权。
S4：将测试集投影到步骤S3中获得的优势正交空间模态，获得测试集的主成分。到目前为止，我们需要进一步考虑的是如何更好地分析和预测这些时间序列。
S5：基于人工智能深度学习的方式构建卷积-LSTM神经网络(Convolutional-LSTMNeural Network，Conv-LSTM)，利用步骤S3中选取出的训练集的优势主成分训练Conv1D-LSTM神经网络，采用训练后的Conv1D-LSTM神经网络模型对步骤S4中获得的测试集的主成分进行预测，预测得到具有一定方差比例的主成分。训练集用于训练网络模型，测试集用于验证网络模型。
其中，以起报时刻之前一段时间的主成分为输入，起报时刻之后一段时间的主成分为输出，训练Conv1D-LSTM神经网络。所述Conv1D-LSTM神经网络的网络结构依次包括输入层、池化层、卷积层、LSTM层、输出层，值得注意的是，在预测过程中本发明加入了卷积层，一方面可以提取多尺度信号，另一方面对时间序列进行了再一次空间特征的提取。之后将特征提取之后的序列重新输入长短时记忆网络(LSTM)中进行训练。如此这般，在对主成分进行学习训练的过程中，既保留了主成分对应的时间信息，同时还对时间序列进行了空间特征的提取。
S6：将步骤S5中预测得到的主成分与步骤S3中选取出的优势主成分相组合，重构获得海表面温度、海面高度异常及海表面风速等多要素的预测值。
本发明拟在基于人工智能的大气海洋预测技术框架下，考虑真实海洋过程中动力热力协调关系及海气相互作用，基于渤海海气耦合卫星遥感大气海洋观测资料，利用传统统计分析与深度学习神经网络相结合的方式，开展基于人工智能的渤海海气耦合多要素、时空多尺度预测方法研究和模型研发，对海表面温度、海表面高度异常和海表面风速做出时效为1-7天的预报，不仅能在正常天气情况下实现大气海洋预测，还能在台风等高影响天气下实现大气海洋耦合预测。为新一代大气海洋预报系统的构建以及为北方海区的气象海洋业务能力的进一步提升奠定坚实的理论和技术基础。
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。
Claims (5)
1.一种基于卫星遥感的渤海海气耦合人工智能预报方法，其特征在于，包括以下过程：
S1：获取卫星遥感数据SSHA、SST、海表面风速，划分为训练集和测试集；
S2：采用多元经验正交函数分析，将训练集分解为正交空间模态和相应的主成分；
S3：对步骤S2中获得的训练集的正交空间模态进行显著性检验，保留优势正交空间模态，进而选取出相应的优势主成分；
S4：将测试集投影到步骤S3中获得的优势正交空间模态，获得测试集的主成分；
S5：利用步骤S3中选取出的训练集的优势主成分训练Conv1D-LSTM神经网络，采用训练后的Conv1D-LSTM神经网络模型对步骤S4中获得的测试集的主成分进行预测，得到主成分预测值；
S6：将步骤S5中预测得到的主成分与步骤S3中选取出的优势主成分相组合，重构获得海表面温度、海面高度异常及海表面风速的预测值。
2.根据权利要求1所述的基于卫星遥感的渤海海气耦合人工智能预报方法，其特征在于，步骤S1中所述卫星遥感数据的数据区域对应于116°～124°E，36°～42°N；其中，SSHA是逐日1/4°数据；SST是逐日1/4°数据；海表面风速是逐日1/4°数据，包括u和v方向的风速分量，记为UW和VW。
3.根据权利要求1所述的基于卫星遥感的渤海海气耦合人工智能预报方法，其特征在于，步骤S2中多元经验正交函数分析过程：
基于卫星遥感数据SSHA、SST、海表面风速，构建联合样本矩阵X4N×M：
其中，为第m天的SSHA样本，/>为第m天的SST样本，/>为第m天的UW样本，/>为第m天的VW样本，N表示每个变量的空间维度，M表示每个变量的时间维度，四个变量的空间维度是统一的，所以联合样本矩阵的维数是4N×M；
对构建的联合样本矩阵去气候态，气候态是变量的历史平均值，去气候态表示为：
其中，X4N×M′表示去完气候态的相关样本矩阵，表示历史平均值，则矩阵X4N×M′的协方差矩阵C4N×4N表示为：
特征值与特征向量表示为：
C4N×4N×V4N×4N＝V4N×4N×E4N×4N
其中，E4N×4N为特征值降序的斜对角矩阵，每个特征值对应一个的特征向量，特征向量矩阵V4N×4N叫做正交空间模态，表示为EOF，将正交空间模态投影到相关样本矩阵上，得到所对应的时间系数，作为主成分PC4N×M，表示为：
4.根据权利要求1所述的基于卫星遥感的渤海海气耦合人工智能预报方法，其特征在于，步骤S3中所述显著性检验就是从训练集的正交空间模态中选取一定占比的正交空间模态，作为优势正交空间模态。
5.根据权利要求1所述的基于卫星遥感的渤海海气耦合人工智能预报方法，其特征在于，步骤S5中所述Conv1D-LSTM神经网络的网络结构依次包括输入层、池化层、卷积层、LSTM层、输出层，以起报时刻之前一段时间的主成分为输入，起报时刻之后一段时间的主成分为输出，训练Conv1D-LSTM神经网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663446.1A CN116796178A (zh) | 2023-06-06 | 2023-06-06 | 一种基于卫星遥感的渤海海气耦合人工智能预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310663446.1A CN116796178A (zh) | 2023-06-06 | 2023-06-06 | 一种基于卫星遥感的渤海海气耦合人工智能预报方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116796178A true CN116796178A (zh) | 2023-09-22 |
Family
ID=88033722
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310663446.1A Pending CN116796178A (zh) | 2023-06-06 | 2023-06-06 | 一种基于卫星遥感的渤海海气耦合人工智能预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116796178A (zh) |
-
2023
- 2023-06-06 CN CN202310663446.1A patent/CN116796178A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jebli et al. | Prediction of solar energy guided by pearson correlation using machine learning | |
| CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
| CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
| CN114626512B (zh) | 一种基于有向图神经网络的高温灾害预报方法 | |
| CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
| CN113516304B (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
| CN112285376A (zh) | 一种基于cnn-lstm的风速预测方法 | |
| CN115204032A (zh) | 一种基于多通道智能模型的enso预测方法及装置 | |
| CN110046756B (zh) | 基于小波去噪与Catboost的短时天气预报方法 | |
| Hennayake et al. | Machine learning based weather prediction model for short term weather prediction in Sri Lanka | |
| CN115438582A (zh) | 一种联合多要素和图注意力的pm2.5浓度预测方法 | |
| CN115032719A (zh) | 一种基于机器学习LightGBM算法的空气质量预测方法 | |
| CN113609766B (zh) | 一种基于深度概率潜隐模型的软测量方法 | |
| CN117233869A (zh) | 一种基于GRU-BiTCN的站点短期风速预测方法 | |
| CN117198556A (zh) | 基于主成分分析的自储层传染病预测方法及系统 | |
| CN117114168A (zh) | 一种长时间尺度的海面温度智能预报方法 | |
| CN115828758B (zh) | 基于改进烟花算法优化网络的海水三维预测方法及系统 | |
| CN116796178A (zh) | 一种基于卫星遥感的渤海海气耦合人工智能预报方法 | |
| CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN113919533A (zh) | 一种基于人工智能的空气质量溯源预报方法 | |
| CN113486515A (zh) | 次季节-季节-年际尺度一体化气候模式集合预测系统 | |
| CN113344290A (zh) | 基于U-Net网络的次季节降雨气象预报订正方法 | |
| KR20160094246A (ko) | 진로 군집 분류 기반 북대서양 허리케인 진로 예측 방법 |
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 |