CN116822381B - 一种基于人工智能的海洋温盐结构反演方法 - Google Patents
一种基于人工智能的海洋温盐结构反演方法 Download PDFInfo
- Publication number
- CN116822381B CN116822381B CN202311099240.7A CN202311099240A CN116822381B CN 116822381 B CN116822381 B CN 116822381B CN 202311099240 A CN202311099240 A CN 202311099240A CN 116822381 B CN116822381 B CN 116822381B
- Authority
- CN
- China
- Prior art keywords
- temperature
- salt
- salinity
- data
- inversion
- 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
- 150000003839 salts Chemical group 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 60
- 230000010354 integration Effects 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000003908 quality control method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000003064 k means clustering Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010238 partial least squares regression Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于人工智能的海洋温盐结构反演方法，属于电数字处理技术领域，用于进行海洋温盐结构反演，包括获取试验区的浮标观测剖面，引入质量控制条件进行筛选，将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组，将分组后的温盐数据集用三个元模型训练，反演海洋温盐结构；将三个元模型输出的温盐信息重新作为输入，对温度和盐度进行集成矫正，得到最终温盐结构反演结果。本发明结合聚类算法和三种模型的优势，运用集成策略融合结果，反演得到的温盐结构具有较高的时空分辨率和鲁棒性。
Description
技术领域
本发明公开一种基于人工智能的海洋温盐结构反演方法，属于电数字处理技术领域。
背景技术
海洋温度和盐度是海水最重要的变量之一，在海洋水团、动力过程、防灾减灾和气候变化的研究中发挥着十分重要的作用。海洋温度和盐度在多尺度海洋-大气动力耦合过程中都具有重要的调制作用。例如，温度较高(>26℃)的上层海洋是热带气旋生成和发展的能量来源。台风的增强取决于上层海洋的温度结构，即上层海洋热含量，热含量较大的海域更容易使台风增强。海洋盐度是大洋环流形成的重要因素，调控海洋中水循环与海洋物质运输。海洋温度和盐度在研究海洋热浪、温跃层等演变过程中也具有重要作用。因此，准确描述海洋温盐结构的状况，对加深海洋中各尺度动力过程的理解具有重要的指导意义。尽管海洋的温盐观测存在多种方式，但目前主要依赖于卫星和现场观测。卫星遥感能进行大面积、高频次地进行海洋表面观测，实现数据天覆盖率，但只能得到海表的温盐信息。现场观测的准确性高，并且可观测全水深的温盐剖面信息，但成本较高且难以达到较高的时空覆盖率。例如来自全球海洋观测网计划提供的浮标剖面，10天完成一次下潜与上浮的观测周期，但全球空间分辨率低。受观测数据资料和反演模型固有缺陷的限制，海洋温盐结构反演目前仍存在一些问题。例如，海洋反演的模型结构较为简单，已有模型输入参量较为单一，反演模型的精度有待提高等，而且目前主流反演模型仅能提供月平均的温盐结构，不足以捕捉海洋的中小尺度变化，难以分辨中尺度涡的影响。
发明内容
本发明的目的在于提供一种基于人工智能的海洋温盐结构反演方法，以解决现有技术中，主流温盐反演模型结构简单，且反演精度不足的问题。
一种基于人工智能的海洋温盐结构反演方法，包括：
S1.获取试验区的浮标观测剖面，引入质量控制条件进行筛选；
S2.将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；
S3.运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组；
S4.将分组后的温盐数据集用于光梯度提升机算法、随机森林、极端梯度提升算法三个元模型中训练，通过网格搜索找到最优参数，反演海洋温盐结构；
S5.将三个元模型输出的温盐信息重新作为输入，分别运用偏最小二乘回归算法和多层感知机神经网络的集成策略对温度和盐度进行集成矫正，得到最终温盐结构反演结果。
S1中的筛选的具体条件为：
浮标观测剖面数据的盐度、温度、压力的质量控制标记为1或2；
剖面中相邻采样点盐度跃值小于0.5psu，温度跃值小于1℃，深度跃值小于300m；
每个浮标观测剖面采样点总数大于10个；
浮标观测剖面第一个采样点深度小于等于10m，最深采样点大于50m。
S2包括：
S2.1.将浮标观测剖面深度为10m-1150m的数据划分为46层；
S2.2.将浮标观测剖面温盐数据与气候态温盐数据作差，计算出不同深度层次温盐的异常；
S2.3.根据浮标观测剖面的时空信息匹配对应的海表温度、海面高度异常、海表风速的东向和北向分量；
S2.4.由匹配的信息经度、纬度、海表风速的东向和北向分量、海表温度、海面高度异常、月份作为输入，温度和盐度的异常作为模型标签，来分别构建温度和盐度数据集。
S3包括：对于温度结构的反演运用高斯聚类算法进行分组，对于盐度结构的反演运用K均值聚类算法进行分组，将数据集分为2簇。
S4包括：三个元模型均按以下步骤执行：
数据集切分为训练集和验证集，将S2.4中的输入作为温度数据集的七个变量，将七个变量作为元模型输入，温度或盐度异常作为标签；
运用网格搜索策略，选择三折交叉验证，找出元模型各个参数的最优值；
运用最优参数模型反演海洋的温盐结构，以均方根误差作为模型评估指标。
S5包括：对于偏最小二乘回归算法，输入项为3个变量，使用偏最小二乘回归算法的集成策略对温度和盐度进行集成矫正，主成分个数K=1。
S5包括：对于多层感知机，输入层为3，输出层为1，选取单隐藏层，神经元个数以5为步长从5-30个进行遍历，选择均方根误差最小的神经元个数；
多层感知机的集成策略对温度和盐度进行集成矫正，神经元个数为10个。
相对比现有技术，本发明具有以下有益效果：本发明结合聚类算法和三种模型的优势，运用集成策略融合结果，反演得到的温盐结构具有较高的时空分辨率和鲁棒性，对于研究海域的多种动力过程具有参考价值，能在海洋生态系统、海洋防灾减灾和海洋气候变化的研究中发挥重要的作用。
附图说明
图1是本发明的技术流程图；
图2为三个元模型与多层感知机集成策略的垂向盐度结构性能对比图；
图3为不同阶段反演的温度结构均方根误差的平均值折线图；
图4为不同阶段反演的温度结构百分比误差的平均值折线图；
图5为不同阶段反演的温度结构相关性系数；
图6为三个元模型与偏最小二乘回归集成模型的垂向温度结构性能对比图；
图7为不同阶段反演的盐度结构均方根误差的平均值折线图；
图8为不同阶段反演的盐度结构百分比误差的平均值折线图；
图9为不同阶段反演的盐度结构相关性系数。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种基于人工智能的海洋温盐结构反演方法，包括：
S1.获取试验区的浮标观测剖面，引入质量控制条件进行筛选；
S2.将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；
S3.运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组；
S4.将分组后的温盐数据集用于光梯度提升机算法、随机森林、极端梯度提升算法三个元模型中训练，通过网格搜索找到最优参数，反演海洋温盐结构；
S5.将三个元模型输出的温盐信息重新作为输入，分别运用偏最小二乘回归算法和多层感知机神经网络的集成策略对温度和盐度进行集成矫正，得到最终温盐结构反演结果。
S1中的筛选的具体条件为：
浮标观测剖面数据的盐度、温度、压力的质量控制标记为1或2；
剖面中相邻采样点盐度跃值小于0.5psu，温度跃值小于1℃，深度跃值小于300m；
每个浮标观测剖面采样点总数大于10个；
浮标观测剖面第一个采样点深度小于等于10m，最深采样点大于50m。
S2包括：
S2.1.将浮标观测剖面深度为10m-1150m的数据划分为46层；
S2.2.将浮标观测剖面温盐数据与气候态温盐数据作差，计算出不同深度层次温盐的异常；
S2.3.根据浮标观测剖面的时空信息匹配对应的海表温度、海面高度异常、海表风速的东向和北向分量；
S2.4.由匹配的信息经度、纬度、海表风速的东向和北向分量、海表温度、海面高度异常、月份作为输入，温度和盐度的异常作为模型标签，来分别构建温度和盐度数据集。
S3包括：对于温度结构的反演运用高斯聚类算法进行分组，对于盐度结构的反演运用K均值聚类算法进行分组，将数据集分为2簇。
S4包括：三个元模型均按以下步骤执行：
数据集切分为训练集和验证集，将S2.4中的输入作为温度数据集的七个变量，将七个变量作为元模型输入，温度或盐度异常作为标签；
运用网格搜索策略，选择三折交叉验证，找出元模型各个参数的最优值；
运用最优参数模型反演海洋的温盐结构，以均方根误差作为模型评估指标。
S5包括：对于偏最小二乘回归算法，输入项为3个变量，使用偏最小二乘回归算法的集成策略对温度和盐度进行集成矫正，主成分个数K=1。
S5包括：对于多层感知机，输入层为3，输出层为1，选取单隐藏层，神经元个数以5为步长从5-30个进行遍历，选择均方根误差最小的神经元个数；
多层感知机的集成策略对温度和盐度进行集成矫正，神经元个数为10个。
本发明实施例中，技术流程如图1所示。本发明从中国浮标观测实时资料中心下载浮标剖面数据，虽然下载的浮标观测数据已经通过了相关质量控制标准，但为了确保数据的高质量，仍采取进一步的质量控制来筛选。46层温盐数据集中，按照深度（单位m）为：10、20、30、40、50 60、70、80、90、100、110、120、130、140、150、160、170、180、200、220、240、260、280、300、320、340、360、380、400、420、440、460、500、550、600、650、700、750、800、850、900、950、1000、1050、1100、1150。气候态温盐数据是来自世界海洋图集数据，根据世界海洋数据库等项目更新后的数据集。水平空间分辨率为0.25°×0.25°，0-100m垂向空间分辨率为5m，随着深度加深逐渐增加到50m；海表温度数据来自遥感系统网站，通过最优插值得到海表温度数据产品，时间分辨率为一天，空间分辨率为0.25°×0.25°。海面高度异常数据是哥白尼海洋中心提供的全球海洋网格化海面高度数据集，该产品是相对于1992-2012年海面高度平均值计算的结果，由多颗卫星的海面高度异常数据通过最优插值整合而成。该数据集时间分辨率为一天，空间分辨率为0.25°×0.25°。海表风速的东向和北向分量则是来自欧洲中期天气预报中心的第五代大气再分析数据集，时间分辨率为一小时，空间分辨率为0.25°×0.25°。
聚类算法可采用任意的能够实现聚类分簇功能的算法。聚类算法又叫做“无监督分类”,其目的是将数据划分成有意义或有用的组或簇。高斯聚类算法是假设数据由多个高斯分布生成，根据数据分布情况来划分簇，k均值是聚类算法的典型代表，是根据样本间的距离来划分簇。运用聚类算法，通过输入信息来对数据集进行分组，能提高模型性能。
本发明中的元模型可采用任意的能够实现上述预测功能的模型。作为本发明实施例的一种较佳实现方式，上述三个元模型优选采用光梯度提升机算法、随机森林、极端梯度提升算法。光梯度提升机算法是一种实现梯度提升决策树的算法框架，采用了机器学习中集成学习和梯度下降的思想，通过直方图加速算法、基于梯度的单边采样算法、互斥特征捆绑算法等相关优化算法，解决传统的梯度提升决策树算法训练海量数据时内存占用高的问题，具有计算效率高、内存占用低、精度结果准确、扩展性高等优点。随机森林是基于多个基本决策树集成的模型，它将重抽样方法和决策树算法相结合，在决策树的训练过程中引入随机属性选择。随机森林算法简单、易于实现、计算开销小，在很多现实任务中展现出强大的性能。极端梯度提升算法是在梯度提升决策树基础上所设计并优化的一种代表性算法，通过损失函数和正则项，实现了树模型精确性与复杂性之间的平衡。在保证模型性能的同时，提升了模型的运行效率。
集成策略理论上可采用任意的能够实现上述集成预测功能的算法。偏最小二乘回归算法是主成分分析和多元线性回归的结合，在处理线性回归问题上能有较好的预测结果,选择简单稳定的偏最小二乘回归模集成能够有效地提高预测精度避免过拟合风险。多层感知机神经网络是一种前馈式监督学习的神经网络，包括输入层、输出层和隐藏层，层与层之间可增加激活函数实现非线性，上层的任意神经元与下层的所有神经元都有连接，神经元之间的连接赋予相关的权重，训练学习算法在迭代过程中不断调整这些权重，从而使得预测误差最小化。
通过以下公式对模型的性能进行验证和评估。首先是均方根误差，表示模型结果与观测值之间的偏差，均方根误差越小表示模型性能越好，公式如下：
；
误差指均方根误差占观测平均值中的百分比，误差公式如下：
；
相关性系数表示模型结果与观测值的相关性，相关性系数公式如下：
；
其中为模型结果，/>为观测数据，/>为模型结果的平均值，/>为观测数据的平均值，/>为参与验证的数据量。
按照本发明的方法进行实验数据处理，对实验结果分析如下：
如图3、图4和图5，可知对于温度结构反演,运用高斯聚类算法的光梯度提升机算法、随机森林、极端梯度提升算法，再用偏最小二乘回归进行集成来反演46层水深的温度剖面，是最优温度反演模型。相比与单一结构的模型，显著提升了温度的反演效果，平均均方根误差仅0.64℃，平均误差为4.4%，平均相关性系数高达0.92。三个元模型与偏最小二乘回归集成模型的垂向温度结构性能对比如图6所示，在10米的浅次表层至1150米的较深海都有较好的反演效果, 主要提升了模型在110-650m间温度反演的性能，偏最小二乘回归集成模型反演的温度结构均方根误差最小为0.14℃，相关性系数最大为0.997，本发明可以高精度地反演海洋不同深度层次的温度场，具有良好的应用前景。
如图7、图8和图9，可知对于盐度结构反演：运用K均值聚类算法的光梯度提升机算法、随机森林、极端梯度提升算法，再用多层感知机进行集成来反演46层水深的盐度剖面，是最优盐度反演模型，相比与单一结构的模型，显著提升盐度结构的反演效果，平均均方根误差仅0.087psu，平均误差为0.25%，平均相关性系数达0.83。
三个元模型与多层感知机集成策略的垂向盐度结构性能对比如图2所示，在10米的浅次表层至1150米都能得到较好的盐度信息，主要提升了模型在60-160m间反演盐度的性能多层感知机集成反演的盐度结构均方根误差最小为0.011psu,相关性系数最大为0.95, 本发明可以高精度地反演海洋不同深度层次的盐度场，具有良好的应用前景。
本发明针对现有的海洋温盐观测方式难以达到较高水平的时空覆盖率，以及现阶段反演海洋内部温盐结构的研究大多模型结构单一的缺点，结合聚类算法和三种元模型的优势，运用集成策略矫正结果，反演得到的温盐结构具有较高的时空分辨率和鲁棒性，在单一的元模型表现较差的深度层次(100-200m)，改进后的模型反演性能显著提升。本发明反演的海洋温盐结构对于研究海域内的多种动力过程具有参考价值，能在海洋生态系统、海洋防灾减灾和海洋气候变化的研究中发挥重要的作用。
以上实施例仅用于说明本发明的技术方案，而非对其限制，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (6)
1.一种基于人工智能的海洋温盐结构反演方法，其特征在于，包括：
S1.获取试验区的浮标观测温盐剖面，引入质量控制条件进行筛选；
S2.将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；
S2包括：
S2.1.将浮标观测剖面深度为10m-1150m的数据划分为46层；
S2.2.将浮标观测剖面温盐数据与气候态温盐数据作差，计算出不同深度层次温盐的异常；
S2.3.根据浮标观测剖面的时空信息匹配对应的海表温度、海面高度异常、海表风速的东向和北向分量；
S2.4.由匹配的信息经度、纬度、海表风速的东向和北向分量、海表温度、海面高度异常、月份作为输入，温度和盐度的异常作为模型标签，来分别构建温度和盐度数据集；
S3.运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组；
S4.将分组后的温盐数据集用于光梯度提升机算法、随机森林、极端梯度提升算法三个元模型中训练，通过网格搜索找到最优参数，反演海洋温盐结构；
S5.将三个元模型输出的温盐信息重新作为输入，分别运用偏最小二乘回归算法和多层感知机神经网络的集成策略对温度和盐度进行集成矫正，得到最终温盐结构反演结果。
2.根据权利要求1所述的一种基于人工智能的海洋温盐结构反演方法，其特征在于，S1中的筛选的具体条件为：
浮标观测剖面数据的盐度、温度、压力的质量控制标记为1或2；
剖面中相邻采样点盐度跃值小于0.5psu，温度跃值小于1℃，深度跃值小于300m；
每个浮标观测剖面采样点总数大于10个；
浮标观测剖面第一个采样点深度小于等于10m，最深采样点大于50m。
3.根据权利要求1所述的一种基于人工智能的海洋温盐结构反演方法，其特征在于，S3包括：对于温度结构的反演运用高斯聚类算法进行分组，对于盐度结构的反演运用K均值聚类算法进行分组，将数据集分为2簇。
4.根据权利要求3所述的一种基于人工智能的海洋温盐结构反演方法，其特征在于，S4包括：三个元模型均按以下步骤执行：
数据集切分为训练集和验证集，将S2.4中的输入作为温度数据集的七个变量，将七个变量作为元模型输入，温度或盐度异常作为标签；
运用网格搜索策略，选择三折交叉验证，找出元模型各个参数的最优值；
运用最优参数模型反演海洋的温盐结构，以均方根误差作为模型评估指标。
5.根据权利要求4所述的一种基于人工智能的海洋温盐结构反演方法，其特征在于，S5包括：对于偏最小二乘回归算法，输入项为3个变量，使用偏最小二乘回归算法的集成策略对温度和盐度进行集成矫正，主成分个数K=1。
6.根据权利要求5所述的一种基于人工智能的海洋温盐结构反演方法，其特征在于，S5包括：对于多层感知机，输入层为3，输出层为1，选取单隐藏层，神经元个数以5为步长从5-30个进行遍历，选择均方根误差最小的神经元个数；
多层感知机的集成策略对温度和盐度进行集成矫正，神经元个数为10个。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099240.7A CN116822381B (zh) | 2023-08-30 | 2023-08-30 | 一种基于人工智能的海洋温盐结构反演方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311099240.7A CN116822381B (zh) | 2023-08-30 | 2023-08-30 | 一种基于人工智能的海洋温盐结构反演方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116822381A CN116822381A (zh) | 2023-09-29 |
| CN116822381B true CN116822381B (zh) | 2023-11-21 |
Family
ID=88139564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311099240.7A Active CN116822381B (zh) | 2023-08-30 | 2023-08-30 | 一种基于人工智能的海洋温盐结构反演方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822381B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117408581B (zh) * | 2023-12-15 | 2024-03-26 | 青岛海洋科技中心 | 潜浮标数据质量控制方法、系统、计算机及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003023366A2 (en) * | 2001-09-12 | 2003-03-20 | The State Of Oregon, Acting By And Through The State Board Of Higher Education On Behalf Of Oregon State University | Method and system for classifying a scenario |
| CN109543356A (zh) * | 2019-01-07 | 2019-03-29 | 福州大学 | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 |
| CN112307410A (zh) * | 2020-09-18 | 2021-02-02 | 天津大学 | 基于船载ctd测量数据的海水温盐信息时序预测方法 |
| CN113095009A (zh) * | 2021-04-09 | 2021-07-09 | 天津大学 | 基于卫星遥感的三维海流实时快速分析系统的构建方法 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| WO2022194045A1 (zh) * | 2021-03-15 | 2022-09-22 | 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 |
| CN115248992A (zh) * | 2022-07-18 | 2022-10-28 | 上海大学 | 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法 |
| CN115758865A (zh) * | 2022-11-01 | 2023-03-07 | 天津大学 | 一种基于深度学习的水下三维温盐重构方法及系统 |
-
2023
- 2023-08-30 CN CN202311099240.7A patent/CN116822381B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003023366A2 (en) * | 2001-09-12 | 2003-03-20 | The State Of Oregon, Acting By And Through The State Board Of Higher Education On Behalf Of Oregon State University | Method and system for classifying a scenario |
| CN109543356A (zh) * | 2019-01-07 | 2019-03-29 | 福州大学 | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 |
| WO2021218424A1 (zh) * | 2020-04-30 | 2021-11-04 | 江苏科技大学 | 基于rbf神经网络的航海雷达图像反演海面风速方法 |
| CN112307410A (zh) * | 2020-09-18 | 2021-02-02 | 天津大学 | 基于船载ctd测量数据的海水温盐信息时序预测方法 |
| WO2022194045A1 (zh) * | 2021-03-15 | 2022-09-22 | 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 |
| CN113095009A (zh) * | 2021-04-09 | 2021-07-09 | 天津大学 | 基于卫星遥感的三维海流实时快速分析系统的构建方法 |
| CN115248992A (zh) * | 2022-07-18 | 2022-10-28 | 上海大学 | 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法 |
| CN115758865A (zh) * | 2022-11-01 | 2023-03-07 | 天津大学 | 一种基于深度学习的水下三维温盐重构方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| 2016年秋季黄东海温盐特征与水团划分;闫雨;陈斌;李博;;海洋预报(第05期);全文 * |
| 利用卫星观测海面信息反演三维温度场;王喜冬;韩桂军;李威;齐义泉;;热带海洋学报(第06期);全文 * |
| 基于LightGBM的全球海洋次表层温盐遥感预测;张天一;苏华;杨欣;严晓海;;遥感学报(第10期);全文 * |
| 海洋表层-次表层反演与重构方法概述;闫恒乾;洪梅;张韧;郭晓明;陈建;王公杰;鲍森亮;;海洋信息(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116822381A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111310889B (zh) | 一种基于深度神经网络的蒸发波导剖面估计方法 | |
| Moradi Kordmahalleh et al. | A sparse recurrent neural network for trajectory prediction of atlantic hurricanes | |
| CN116822381B (zh) | 一种基于人工智能的海洋温盐结构反演方法 | |
| Zhu et al. | Four decades of estuarine wetland changes in the Yellow River delta based on Landsat observations between 1973 and 2013 | |
| Li et al. | GANs-LSTM model for soil temperature estimation from meteorological: A new approach | |
| Kuang et al. | An enhanced extreme learning machine for dissolved oxygen prediction in wireless sensor networks | |
| CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
| CN114417693A (zh) | 一种基于深度学习的海洋三维温度场反演方法 | |
| CN112381133A (zh) | 一种森林地上生物量遥感估测中合理样本数的确定方法 | |
| Nhita et al. | Planting calendar forecasting system using evolving neural network | |
| Zheng et al. | Weather image-based short-term dense wind speed forecast with a ConvLSTM-LSTM deep learning model | |
| Huan et al. | A dissolved oxygen prediction method based on k-means clustering and the elm neural network: a case study of the Changdang Lake, China | |
| 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 | |
| CN117030957A (zh) | 近海营养盐和化学需氧量的遥感反演方法及系统 | |
| Sørensen | Dynamic positioning control systems for ships and underwater vehicles | |
| Liu et al. | Evaluation of the effectiveness of multiple machine learning methods in remote sensing quantitative retrieval of suspended matter concentrations: A case study of Nansi Lake in North China | |
| Jiang et al. | Prediction of sea temperature using temporal convolutional network and LSTM-GRU network | |
| CN116842472A (zh) | 一种基于深度时空编解码网络的陆地蒸散发遥感估算的方法 | |
| CN115619605A (zh) | 一种基于语义信息的传统民居环境质量评估方法 | |
| CN114879281A (zh) | 一种基于深度学习的降水量预测方法 | |
| Sureshkumar et al. | An efficient underground water prediction using optimal deep neural network | |
| Ouyang et al. | Significant Wave Height Forecasting Based on EMD-TimesNet Networks | |
| CN117892096B (zh) | 一种基于迁移学习的小样本海洋声速剖面预报方法 | |
| CN116776152A (zh) | 一种考虑台风影响的海上风电出力场景生成方法 | |
| Liu et al. | A-KNN: An adaptive method for constructing high-resolution ocean models |
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 |