CN117271979A - 一种基于深度学习的赤道印度洋表层海流流速预测方法 - Google Patents
一种基于深度学习的赤道印度洋表层海流流速预测方法 Download PDFInfo
- Publication number
- CN117271979A CN117271979A CN202311456605.7A CN202311456605A CN117271979A CN 117271979 A CN117271979 A CN 117271979A CN 202311456605 A CN202311456605 A CN 202311456605A CN 117271979 A CN117271979 A CN 117271979A
- Authority
- CN
- China
- Prior art keywords
- data
- ocean
- ocean current
- equatorial
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 8
- 238000001914 filtration Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 239000004484 Briquette Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001869 rapid Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- 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
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及海流流速预测技术领域，尤其涉及一种基于深度学习的赤道印度洋表层海流流速预测方法，首先导入海流数据，构建数据集；然后数据预处理，针对每个数据项进行特征构建，最后考虑到赤道印度洋表层海流流速预测是基于时序的回归预测，选择非线性自回归神经网络或卷积神经网络模型进行分析、训练和推理。本发明从软件和算法的角度，减少了短时间内对洋流流速硬件设备的强依赖，提升了整个流速检测解决方案针对故障的鲁棒性和可靠性。
Description
技术领域
本发明涉及海流流速预测技术领域，尤其涉及一种基于深度学习的赤道印度洋表层海流流速预测方法。
背景技术
以Wyrtki急流为代表的赤道印度洋表层海流能够产生的热、盐和水团纬向再分配过程对维持赤道东、西印度洋以及全球海洋热、盐循环和平衡具有重要作用，对其变化特征进行更加细致的分析对于揭示热带海洋环流系统的复杂变化机制具有重要的科学意义。此外，海流对于船舶航行影响重大，构建更加准确、高效的海流计算模型对于推动海洋科学研究、航运安全、渔业持续发展具有重要作用和实际应用价值。
海表面流场数据的获取一直以来都是海洋学研究中的一个难题，目前常用的表层海流资料一般有两种来源，一是由海洋漂流浮标直接观测所得，另一种是基于卫星遥感数据(海表面高度和海表面风场数据等)计算获取。然而，以Wyrtki急流为代表的赤道印度洋表层海流观测数据稀缺，并且在传统物理海洋学中，因为地转平衡关系在赤道附近海域研究中并不适用，基于地转平衡关系使用卫星遥感数据进行海流计算的方法，对亚中尺度海洋现象以及高频波/潮汐等评估困难，且误差较大。
当前已有海流流速检测或预测的背景技术相对较少，且均聚焦于硬件设备设计领域。专利CN202533450U提出了一种海流流速检测器设备，包括悬浮体、连接杆、压力传感器、压块、无线发射模块、吊耳、控制芯片和外壳；专利CN210514355U公开了一种底层海流测速装置，包括测量船、线缆、固定锚和海流流速检测器，可以根据实际需要灵活的调整检测器的深度，以便不同深度的海流流速进行测量，同时海流流速检测器至少设置有三组，三组海流流速检测器所测得的结果取平均数作为测量数据。以上两种方法均无法解决设备故障场景下的流速检测问题。除此之外，专利CN114002666A和专利CN114353791A从对海遥感和组合导航角度对海流流速进行监测，但仍未考虑设备天线或导航设备故障问题。以上海流流速检测设备故障可能带来检测数据缺失。
发明内容
本发明提供了一种基于深度学习的赤道印度洋表层海流流速预测方法，从软件和算法的角度，减少了短时间内对洋流流速硬件设备的强依赖，提升了整个流速检测解决方案针对故障的鲁棒性和可靠性。
为了实现本发明的目的，所采用的技术方案是：一种基于深度学习的赤道印度洋表层海流流速预测方法，该方法包括如下步骤：
S1、导入海流数据，构建数据集，将数据集分为测试集和训练集；
S2、数据预处理，对数据进行噪点去除和平滑处理，同时进行归一化处理；
S3、特征选择：针对每个数据项进行特征构建，分别求取海表面温度、海表面高度、海表面经向风和海表面纬向风的一阶微分和二阶微分作为模型训练输入特征；
S4、考虑到赤道印度洋表层海流流速预测是基于时序的回归预测，选择非线性自回归神经网络或卷积神经网络模型进行分析、训练和推理；
S5、以MSE作为评价指标进行模型训练，若模型海流流速预测值与海流流速金标值的MSE大于0.01，则继续重复模型训练过程，否则进行五折交叉验证，取5个模型的输出均值作为最终输出。
作为本发明的优化方案，在步骤S1中，数据集以天为单位，至少包括数据项index、数据项记录时间、海表面温度、海表面高度、海表面经向风、海表面纬向风和上100m平均纬向流流速。
作为本发明的优化方案，在步骤S2中，归一化处理时，每个数据项中的每个值按照下式处理：
其中：x’是归一化处理后的数据，x是原始数据，min(x)是每个数据项中的最小值，max(x)是每个数据项中的最大值。
作为本发明的优化方案，在步骤S3中，一阶微分指数据列中每个数据与上一个数据作差所得，二阶微分指一阶微分项列中每个数据与上一个数据作差所得。
作为本发明的优化方案，在步骤S4中，搭建非线性自回归神经网络模型架构，设置非线性自回归神经网络模型训练参数，包括网络层数和神经元个数，网络层数包含输入层、隐含层和输出层，输入层节点数根据输入值个数设定，输出层节点数根据预测值个数设定，通过设置隐含层层数和节点数，构建非线性自回归神经网络。
作为本发明的优化方案，在步骤S5中，五折交叉验证指的是将原数据集划分为5份，任选其中4份作为训练集，其中1份作为测试集，分别进行训练，以此获得5个训练模型。
本发明具有积极的效果：1)本发明从软件和算法的角度，减少了短时间内对洋流流速硬件设备的强依赖，提升了整个流速检测解决方案短时间内针对设备故障的鲁棒性和可靠性；
2)本发明降低了整个解决方案或系统的硬件设备成本或人力维修成本；
3)本发明在呈现基本海洋数据基础上，还可给出渔业指数、航运安全推荐指数或常用气候变化参考指数如印度洋偶极子(IOD)指数、Nino3.4指数等，便于对赤道印度洋及其周边海域的渔业、航运和科研应用进行指导。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明总体框架图；
图2是本发明流程示意图；
图3是本发明模型推理和使用示意图；
图4是本发明交互方案应用示意图。
具体实施方式
如图1所示，本发明公开了一种基于深度学习的赤道印度洋表层海流流速预测方法，该方法包括如下步骤：
S1、导入海流数据，构建数据集，将数据集分为测试集和训练集；
表层的深度范围是上100m，构建数据集如表1所示，数据集中包含但不限于index、时间、上100m平均纬向流流速、海表面纬向风(uwnd90use)、海表面经向风(vwnd90use)、海表面高度(sla90use)和海表面温度(sst90use)等。进一步地，将数据集进行测试集和验证集的划分，测试集用来验证模型效果的数据，验证集是用来估计模型的训练水平。
表1数据集
S2、数据预处理，对数据进行噪点去除和平滑处理，同时进行归一化处理；
由于海平面动力学复杂，且流速等信号采集传感器设备易受多种外部干扰影响，数据集中的数据极易出现异常值，因此在数据预处理阶段需引入噪点去除和数据平滑处理。同时，因为数据量纲及大小差异较大，为了使各指标处于同一数量级，适合进行综合对比评价，可对数据进行归一化处理。
S3、特征选择：针对每个数据项进行特征构建，分别求取海表面温度、海表面高度、海表面经向风和海表面纬向风的一阶微分和二阶微分作为模型训练输入特征；
由于原始数据输入有限，需在已有sst、sla、vwnd和uwnd的基础上挖掘更多高价值特征。考虑到此研究技术路径整体方案架构，以及数据时序变化特征，选择以上4个输入的一阶变化和二阶变化作为高阶输入特征。此处一阶变化指的是对原始输入信号按照时间求导，二阶变化指的是对原始输入信号的一阶变化进行求导。
S4、考虑到赤道印度洋表层海流流速预测是基于时序的回归预测，选择非线性自回归神经网络或卷积神经网络模型进行分析、训练和推理；
考虑到赤道印度洋海流流速预测是基于时序的回归预测问题，可选择非线性自回归神经网络(NARX)或卷积神经网络(CNN)模型进行分析、训练和推理。在这里，NARX神经网络结构包含输入层、隐含层和输出层。输入层节点数根据输入值个数设定，输出层节点数根据预测值个数设定。通过合理设定隐含层层数和节点数，构建NARX神经网络。NARX神经网络与反向传播神经网络的训练方法类似。NARX神经网络加入了延时和反馈机制，因此增强了对历史数据的记忆能力，是一种动态神经网络。NARX适用于时间序列预测，可很好地解决非线性序列预测问题。
S5、以MSE作为评价指标进行模型训练，若模型海流流速预测值与海流流速金标值的MSE大于0.01，则继续重复模型训练过程，否则进行五折交叉验证，取5个模型的输出均值作为最终输出。
回归算法的评价指标一般有均方误差MSE，均方根误差RMSE，平均绝对误差MAE等。MAE指标对异常值较为敏感，而算法流程中已经通过数据预处理对异常值进行筛除，因此异常值对后续计算指标影响不大；相较之下，本发明拟在设计算法使得流速估计误差尽可能小，对整体误差大小比较敏感，因此在这里可首先选择MSE作为性能指标函数。
本发明提供一种海流预测应用交互方案。
首先，基于该交互方案，用户可实现海流数据导入，导入数据包括但不限于赤道印度洋表层海流流速、海表面纬向风、海表面经向风、海表面高度和海表面温度等；
同时，用户可进行中间数据处理与海流流速结果计算等操作；
进一步地，用户可对技术方案中间参数和结果进行可视化，可视化界面包括但不限于赤道印度洋表层海流流速、海表面纬向风、海表面经向风、海表面高度和海表面温度等参数的单点长短时程变化示意图；
最后，该方案能够结合所预测或补齐的赤道印度洋表层海流流速长短时程变化趋势示意图，给出目的区域的海表面温度分布图、风速分布图等，进而综合给出未来24-72小时的渔业指数、航运安全推荐指数或常用气候变化参考指数如印度洋偶极子(IOD)指数、Nino3.4指数等，以便于对赤道印度洋及其周边海域的渔业、航运和科研给出指导。
实施例1
见图2和3，实施例1的使用方法，包括以下步骤：
模型训练步骤：
(1)获取过去N年的数据并构建数据集，数据集以天为单位，包括但不限于index、时间、上100m平均纬向流流速、sst、sla、vwnd和uwnd等数据项；
(2)将获取数据划分为训练集与测试集；
(3)将训练集和测试集分别采用平滑处理和归一化处理。其中平滑处理是指，将包括但不限于上100m平均纬向流流速、sst、sla、vwnd和uwnd等数据项进行平滑处理，可以取窗口为20的均值滤波，即第21个值为前20个值的平均值；归一化处理指的是，每个数据项中的每个值按照公式进行处理，其中min(x)和max(x)分别指每个数据项中的最小值和最大值；
(4)针对每个数据项进行特征构建，分别求取sst、sla、vwnd和uwnd的一阶微分和二阶微分作为模型训练输入特征；其中一阶微分指数据列中每个数据与上一个数据作差所得，二阶微分指一阶微分项列中每个数据与上一个数据作差所得；
(5)搭建NARX模型架构，设置模型训练参数，包括但不限于网络层数、神经元个数等；
(6)以MSE作为评价指标进行模型训练，若模型海流流速预测值与海流流速金标值的MSE大于0.01，则继续重复模型训练过程，否则进行五折交叉验证，五折交叉验证指的是将原数据集划分为5份，任选其中4份作为训练集，其中1份作为测试集，分别进行训练，以此获得5个训练模型，取5个模型的输出均值作为最终输出。
(7)完成模型训练。
模型推理使用步骤：
1)获取所需推理数据并构建数据集，数据集以天为单位，至少包括index、时间、sst、sla、vwnd和uwnd等数据项；上100m平均纬向流流速可能由于设备故障在某些天数缺失，需要采用本发明方案模型进行推理、预测或补齐；
2)将推理数据集分别采用平滑处理和归一化处理。其中平滑处理是指，将包括但不限于上100m平均纬向流流速、sst、sla、vwnd和uwnd等数据项进行平滑处理，可以取窗口为20的均值滤波，即第21个值为前20个值的平均值；归一化处理指的是，每个数据项中的每个值按照公式进行处理，其中min(x)和max(x)分别指每个数据项中的最小值和最大值；
3)针对推理数据集中每个数据项进行特征构建，分别求取sst、sla、vwnd和uwnd的一阶微分和二阶微分作为模型训练输入特征；其中一阶微分指数据列中每个数据与上一个数据作差所得，二阶微分指一阶微分项列中每个数据与上一个数据作差所得；
4)将处理好的特征输入模型，获取推理输出，即赤道印度洋表层海流流速预测值；
5)完成模型推理，即完成流速预测与补齐。
实施例2
见图4，实施例2的使用方法，包括以下步骤：
一、点击数据导入，导入数据集以天为单位，至少包括ndex、时间、sst、sla、vwnd和uwnd等数据项；上100m平均纬向流流速可能由于设备故障存在某些天数数据缺失；
二、点击数据分析，界面展示sst、sla、vwnd和uwnd的36月长时程滤波变化趋势图，36月长时程滤波变化趋势图表示每项指标36个月的数据经过窗口为20的均值滤波后的数据趋势图；
三、点击流速预测，界面展示表层海流流速预测曲线和24小时表层海流预测图，其中表层海流流速预测曲线包含了对未来24小时流速的预测值或对过去某段时间流速缺失值的补齐，24小时表层海流预测图表示未来24小时表层海流流速矢量分布预测图。
可通过对sst、sla、vwnd和uwnd的长程趋势变化分析以及对未来表层海流流速的预测，可对渔业、航运进行应用指导。点击应用分析，界面展示基于sst、sla、vwnd、uwnd和预测表层海流流速数据的sst水平分布图、叶绿素水平分布图等，可作为赤道东印度洋沿岸渔业部门及渔民评估鱼类繁衍环境的指标，界面展示的24/48/72小时表层海流预报图等，可用于评估赤道印度洋表层流场分布，可以为赤道印度洋航行船舶提供航行参考指标，帮助航运部门或单位等做出适当的航向及航速调整，保障航行安全且最大可能节能减排。同时，还可计算出高阶气候变化参考指数如印度洋偶极子(IOD)指数、Nino3.4指数，便于研究机构进行科研探索。
四、点击数据保存，将本次数据分析和预测结果及相应可视化图像保存至对应文件路径。
本发明针对海流流速检测设备故障，流速数据可能出现长时间缺失的问题，借助赤道印度洋表层海流流速与海表面纬向风、海表面经向风、海表面高度和海表面温度等数据的相关性，对表层海流流速进行分析、预测和补齐。本发明从软件和算法的角度，减少了短时间内对海流流速硬件设备的强依赖，提升了整个流速检测解决方案针对故障的鲁棒性和可靠性，有助于保障未来海流流速等关键海洋参数和指标在学术、渔业、航运等领域的长期稳定应用。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：所述方法包括如下步骤：
S1、导入海流数据，构建数据集，将数据集分为测试集和训练集；
S2、数据预处理，对数据进行噪点去除和平滑处理，同时进行归一化处理；
S3、特征选择：针对每个数据项进行特征构建，分别求取海表面温度、海表面高度、海表面经向风和海表面纬向风的一阶微分和二阶微分作为模型训练输入特征；
S4、赤道印度洋表层海流流速预测是基于时序的回归预测，选择非线性自回归神经网络或卷积神经网络模型进行分析、训练和推理；
S5、以MSE作为评价指标进行模型训练，若模型海流流速预测值与海流流速金标值的MSE大于0.01，则继续重复模型训练过程，否则进行五折交叉验证，取5个模型的输出均值作为最终输出。
2.根据权利要求1所述的一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：在步骤S1中，数据集以天为单位，至少包括数据项index、数据项记录时间、海表面温度、海表面高度、海表面经向风、海表面纬向风和上100m平均纬向流流速。
3.根据权利要求2所述的一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：在步骤S2中，归一化处理时，每个数据项中的每个值按照下式处理：
其中：x’是归一化处理后的数据，x是原始数据，min(x)是每个数据项中的最小值，max(x)是每个数据项中的最大值。
4.根据权利要求3所述的一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：在步骤S3中，一阶微分指数据列中每个数据与上一个数据作差所得，二阶微分指一阶微分项列中每个数据与上一个数据作差所得。
5.根据权利要求4所述的一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：在步骤S4中，搭建非线性自回归神经网络模型架构，设置非线性自回归神经网络模型训练参数，包括网络层数和神经元个数，网络层数包含输入层、隐含层和输出层，输入层节点数根据输入值个数设定，输出层节点数根据预测值个数设定，通过设置隐含层层数和节点数，构建非线性自回归神经网络。
6.根据权利要求5所述的一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：在步骤S5中，五折交叉验证指的是将原数据集划分为5份，任选其中4份作为训练集，其中1份作为测试集，分别进行训练，以此获得5个训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311456605.7A CN117271979A (zh) | 2023-11-03 | 2023-11-03 | 一种基于深度学习的赤道印度洋表层海流流速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311456605.7A CN117271979A (zh) | 2023-11-03 | 2023-11-03 | 一种基于深度学习的赤道印度洋表层海流流速预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117271979A true CN117271979A (zh) | 2023-12-22 |
Family
ID=89219814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311456605.7A Pending CN117271979A (zh) | 2023-11-03 | 2023-11-03 | 一种基于深度学习的赤道印度洋表层海流流速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117271979A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852418A (zh) * | 2024-03-07 | 2024-04-09 | 中国科学院地理科学与资源研究所 | 基于地理集成机器学习的海洋中深层流速数据重构方法 |
-
2023
- 2023-11-03 CN CN202311456605.7A patent/CN117271979A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117852418A (zh) * | 2024-03-07 | 2024-04-09 | 中国科学院地理科学与资源研究所 | 基于地理集成机器学习的海洋中深层流速数据重构方法 |
| CN117852418B (zh) * | 2024-03-07 | 2024-05-14 | 中国科学院地理科学与资源研究所 | 基于地理集成机器学习的海洋中深层流速数据重构方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
| CN113392961B (zh) | 中尺度涡轨迹平稳序列提取与循环神经网络预测方法 | |
| CN110689179A (zh) | 基于时空序列混合模型的水华预测方法 | |
| CN118095972B (zh) | 一种基于人工智能的海洋生态环境预测评估系统 | |
| CN108399248A (zh) | 一种时序数据预测方法、装置及设备 | |
| CN111160268A (zh) | 一种基于多任务学习的多角度sar目标识别方法 | |
| KR102489473B1 (ko) | 인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법 및 시스템 | |
| CN113592144B (zh) | 一种中长期径流概率预报方法及系统 | |
| CN117271979A (zh) | 一种基于深度学习的赤道印度洋表层海流流速预测方法 | |
| Chen et al. | A feature discretization method for classification of high-resolution remote sensing images in coastal areas | |
| Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
| CN118296556B (zh) | 基于多模态数据融合与自注意力的实时声速剖面预测方法 | |
| González‐Abad et al. | Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches | |
| Shang et al. | Spatiotemporal reflectance fusion using a generative adversarial network | |
| Cheng et al. | Efficient deep data assimilation with sparse observations and time-varying sensors | |
| CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
| Wang et al. | A conformal regressor with random forests for tropical cyclone intensity estimation | |
| CN117665824A (zh) | 一种海面风场重构方法及系统 | |
| CN117494573A (zh) | 一种风速预测方法、系统及电子设备 | |
| Sha et al. | Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model | |
| Khan et al. | Forecasting renewable energy for environmental resilience through computational intelligence | |
| CN115359197A (zh) | 一种基于空间自相关神经网络的地质曲面重构方法 | |
| CN115454988A (zh) | 基于随机森林网络的卫星电源系统缺失数据补全方法 | |
| Wong et al. | Confidence bounds of petrophysical predictions from conventional neural networks |
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 |