CN117633712B - 一种基于多源数据的海表高度数据融合方法、装置及设备 - Google Patents
一种基于多源数据的海表高度数据融合方法、装置及设备 Download PDFInfo
- Publication number
- CN117633712B CN117633712B CN202410097904.4A CN202410097904A CN117633712B CN 117633712 B CN117633712 B CN 117633712B CN 202410097904 A CN202410097904 A CN 202410097904A CN 117633712 B CN117633712 B CN 117633712B
- Authority
- CN
- China
- Prior art keywords
- data
- sea level
- memory network
- convolution long
- initial
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 18
- 230000015654 memory Effects 0.000 claims abstract description 129
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 54
- 238000012795 verification Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000003908 quality control method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多源数据的海表高度数据融合方法、装置及设备，涉及遥感监测技术领域，以解决海表高度数据融合的误差较大的问题。方法包括：获得待处理数据；利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征；将所述空间表征输入至搭建完成第一级卷积长短时记忆网络中，获得目标空间表征；将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。本发明提高了海表高度数据融合的准确性。
Description
技术领域
本发明涉及遥感监测技术领域，尤其涉及一种基于多源数据的海表高度数据融合方法、装置及设备。
背景技术
随着当前海洋观测手段日益丰富，可获得的海洋数据量迅速增长，多源海洋数据的融合对计算能力、数值方法以及同化技术提出了巨大的挑战。同时，以深度学习为核心的人工智能技术为海洋科学研究提供了新的思路与方法，以机器学习为核心的AI技术将成为发挥观测资料价值、提高海洋环境保障水平的新途径。
目前常用的深度学习方法进行海表高度数据融合时，是基于原始的卫星数据分布的基础上进行的，并且多用数据最优插值法直接得到高度融合数据，导致海表高度数据融合的误差较大。
发明内容
本发明的目的在于提供一种基于多源数据的海表高度数据融合方法、装置及设备，用于提高海表高度数据融合的准确性。
为了实现上述目的，本发明提供如下技术方案：
第一方面，本发明提供一种基于多源数据的海表高度数据融合方法，包括：
获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据；
利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征；
将所述空间表征输入至搭建完成第一级卷积长短时记忆网络中，获得目标空间表征；所述目标空间表征包含网格化的海表高度数据；
将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。
与现有技术相比，本发明提供的一种基于多源数据的海表高度数据融合方法，首先获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据，由于海表温度数据、海表风场数据是海面高度变化主要的驱动源，本发明将与海面高度相关的海温、海面风场数据与沿轨海面数据相结合，可以提高最终获得的网格化的海表高度融合数据的精确性；利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征，不仅保留了输入数据中重要的特征，并在更紧凑的空间中表示数据；将所述空间表征输入至搭建完成第一级卷积长短时记忆网络中，获得目标空间表征，所述目标空间表征包含网格化的海表高度数据，通过第一级卷积长短时记忆网络对沿轨的海表高度数据进行网格化处理，避免了沿轨雷达高度计数据观测幅度较窄的缺陷；将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据，获得高准确性的海面高度产品。本发明在原有沿轨的海表高度数据的基础上，增加了与海表高度相关的海表温度数据与海表风场数据，将数据输入至第一级卷积长短时记忆网络中，对沿轨的海表高度数据进行网格化处理，避免了沿轨雷达高度计数据观测幅度较窄的缺陷，并将网格化处理后的网格化的海表高度融合数据输入至第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，从而获得网格化的、高精度的海表高度融合数据，提高了海表高度数据融合的准确性。
第二方面，本发明还提供一种基于多源数据的海表高度数据融合装置，包括：
待处理数据获得模块，用于获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据；
编码模块，用于利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征；
目标空间表征获模块，用于将所述空间表征输入至搭建完成第一级卷积长短时记忆网络中，获得目标空间表征；所述目标空间表征包含网格化的海表高度数据；
网格化的海表高度融合数据确定模块，用于将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。
第三方面，本发明还提供一种基于多源数据的海表高度数据融合设备，包括：
处理器以及与处理器耦合的通信接口；所述处理器用于运行计算机程序或指令，以实现上述一种基于多源数据的海表高度数据融合方法。
第四方面，本发明提供一种计算机可读存储介质，用于存储指令，所述指令在被处理器执行时使处理器执行上述一种基于多源数据的海表高度数据融合方法。
第二方面提供的装置类方案、第三方面提供的设备类方案以及第四方面提供的介质类方案所实现的技术效果与第一方面提供的方法类方案相同，此处不再赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明提供的一种基于多源数据的海表高度数据融合方法流程图；
图2为本发明实施例中的海表高度数据融合方法示意图；
图3为本发明提供的一种基于多源数据的海表高度数据融合装置示意图；
图4为本发明提供的一种基于多源数据的海表高度数据融合设备示意图。
具体实施方式
为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项（个）”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a，b或c中的至少一项（个），可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。
SSH(Sea Surface Height))在卫星海洋学中表示海表面高度，是通过测高卫星使用椭球面作为参考面来计算的。迄今为止，唯一的全球SSH观测来自卫星携带的最低点雷达高度仪，它沿卫星轨道下方的一维轨道测量SSH，从二维转三维的过程中主要的使用插值来补空，虽然该方法得出的二维SSH产品被广泛应用，但是最优插值方法目前已经被诸多的研究验证，由于其引起了较多的空缺以及误差，导致获得的海表面高度数据具有明显的缺陷。
同时，沿轨的雷达高度计监测到的数据也不具有宽的观测幅度，多颗卫星的联合观测仍然有观测不足的区域。当前进行卫星高度计数据的融合一般采用数据最优插值法或者多维变分法，该类方法的数据均是基于原始的卫星数据分布的基础上进行的，误差值较大。
基于上述，本发明提供一种能够提高海表高度融合数据准确性的基于多源数据的海表高度数据融合方法、装置及设备，接下来结合附图对本发明的技术方案进行说明：
图1为本发明提供的一种基于多源数据的海表高度数据融合方法流程图，该方法包括以下步骤：
步骤101：获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据。
其中，输入的海面高度数据是沿轨高度，输入的风场以及温度数据是网格化的。海表温度是海洋与大气相互作用过程中物质和能量交换的重要参数；海表风场是全球大洋环流的主要驱动力，调控着海洋的质量、动量和能量再分布；海表温度数据和海表风场数据均是海面高度变化主要的驱动源。
步骤102：利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征。
其中，卷积神经网络（Convolutional Neural Networks，CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，CNN具有良好的容错能力、并行处理能力和自学习能力，可处理环境信息复杂、背景知识不清楚甚至推理规则不明确情况下的问题，允许输入的样品数据有较大的缺损或畸变，CNN运行速度快，自适应性能好，具有较高的分辨率。
利用卷积神经网络（Convolutional Neural Networks，CNN）中的编码器（encoder）对输入的待处理数据进行编码，编码器（encoder）将待处理数据压缩到一个潜在表示空间里面，潜在表示空间的性质由网络的结构和目标任务决定，根据潜在表示空间，将待处理数据进行重构得到最后的输出数据，即获得待处理数据对应的空间表征，此空间表征为具有待处理数据的潜在空间表征。
潜在空间表征（Latent Space Representation）是指在机器学习和深度学习中，将高维输入数据映射到低维、抽象的表示空间的过程。这个低维空间即为潜在空间，该过程即为编码，潜在空间表征能够保留输入数据中最重要的特征，并在更紧凑的空间中表示数据，从而降低了数据的维度、去除了数据的冗余信息、提取了数据的有用特征、增强了数据生成。
步骤103：将所述空间表征输入至搭建完成的第一级卷积长短时记忆网络中，获得目标空间表征；所述目标空间表征包含网格化的海表高度数据。
其中，卷积长短时记忆网络（Convolutional Long Short Term MemoryNetworks，ConvLSTM）是长短期记忆网络（LSTM，Long Short-Term Memory）的变体，包含LSTM单元内的卷积操作，ConvLSTM不仅继承了LSTM处理序列数据时的优秀性能，同时具有CNN的空间局部感知能力，将潜在空间表征分别输入到搭建完成的第一级卷积长短时记忆网络中进行训练，输出目标空间表征，从而得到了网格化的海表高度数据。
步骤104：将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。
其中，如图2所示，本发明获得待处理数据，对待处理数据编码后进行多级学习：第一级学习对输入数据的潜在空间表征进行训练，得到输入数据的空间表征，此空间表征包括网格化的海表高度、海表温度、海表风场；第二级学习将三个网格化的数据进行结合，建立高度-温度、高度-风场关系，获得网格化的、高精度的海表高度数据。具体的，将编码后的待处理数据输入至第一级卷积长短时记忆网络中，再将各个目标空间表征分别输入搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，从而通过第一映射关系和第二映射关系获得网格化的、高精度的海面高度数据。
作为一种可选的实施方式，所述获得待处理数据之前，还包括：
获得初始海表温度数据、初始海表风场数据和初始海表高度数据；
对所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据进行数据质量控制处理，筛选得到所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据中的有效数据集；
将所述有效数据集中各个数据映射到同一坐标系，获得目标数据集。
其中，本发明利用海表温度融合产品和海表风场融合产品，获得与海面高度具有明显物理相关的海表温度数据和海表风场数据，同时基于沿轨观测的海面高度数据作为构建海面高度融合产品的三个初始输入数据，在对初始输入数据计算之前，对初始输入数据进行预处理，包括投影统一、数据质量控制、基准统一，验证数据集的划分等。
具体的，对所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据进行数据质量控制处理，即对多源海洋数据进行异常值和缺失值的查询、剔除、修正与填充，筛选或处理得到所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据中的有效数据集。
对所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据进行投影统一处理和基准统一处理，即对多源海洋数据进行归一化处理，将几个数据统一到同一种地球投影方式、基准进而统一量纲，统一量纲包括所在年份、月份、经度以及纬度。
对所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据进行验证数据集的划分，即将初始数据集划分训练集和验证集，训练集用于训练初始状态下的所需模型，再由验证集对初始状态下的所需模型进行训练，以获得所需模型。
作为一种可选的实施方式，所述目标数据集包括训练集和验证集，所述将所述空间表征输入至搭建完成第一级卷积长短时记忆网络中之前，还包括：
基于所述训练集，利用卷积长短时记忆网络训练得到初始卷积长短时记忆网络模型；所述初始卷积长短时记忆网络模型包括初始第一级卷积长短时记忆网络和初始第二级卷积长短时记忆网络；
基于所述验证集，修正所述初始卷积长短时记忆网络模型，获得卷积长短时记忆网络模型；所述卷积长短时记忆网络模型包括所述第一级卷积长短时记忆网络和所述第二级卷积长短时记忆网络。
其中，对所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据进行验证数据集的划分，获得训练集和验证集后，验证数据集是从原始的数据中提取出来的，其中一般采取3-7分随机采样，同时要保证训练集和验证集在时间上具有代表性：包含了四季，例如一个整年。基于训练集，利用卷积长短时记忆网络训练得到初始卷积长短时记忆网络模型，基于验证集，修正所述初始卷积长短时记忆网络模型，获得卷积长短时记忆网络模型，使最终的卷积长短时记忆网络模型精度更高。
作为一种可选的实施方式，所述基于所述验证集，修正所述初始卷积长短时记忆网络模型，获得卷积长短时记忆网络模型，包括：
将所述验证集输入至所述初始卷积长短时记忆网络模型中，输出所述验证集对应的预测值；
建立损失函数，基于所述验证集对应的实测值和所述预测值，利用所述损失函数对所述初始卷积长短时记忆网络模型进行修正，获得所述卷积长短时记忆网络模型。
其中，基于验证集对初始卷积长短时记忆网络模型进行修正时，采用了损失函数。损失函数（loss function）是定义在单个样本上的，是指一个样本的误差，用来估量模型的预测值与真实值的不一致程度，是用于度量模型预测与实际目标之间差异的函数。训练模型的目标是通过调整模型参数，使损失函数的值最小化，从而提高模型的性能，损失函数测量了模型在给定输入数据上的预测与实际目标之间的差异，差异越小，损失函数的值越低，表示模型的性能越好。
本发明获取验证集对应的网格化的高度融合数据的实际测量值，同时将所述验证集输入至所述初始卷积长短时记忆网络模型中，获得验证集对应的预测值，基于验证集对应的实测值和所述预测值，利用所述损失函数估量模型的预测值与真实值的不一致程度，当不一致程度超出安全范围时，需要对所述初始卷积长短时记忆网络模型进行修正，直至损失函数估量的预测值与真实值的不一致程度满足安全范围，以获得最终的卷积长短时记忆网络模型，提高卷积长短时记忆网络模型的计算性能。
作为一种可选的实施方式，所述建立损失函数，包括：
获取所述沿轨的海表高度数据，利用线性插值法计算所述沿轨的海表高度数据对应的所述网格化的海表高度数据；
基于所述沿轨的海表高度数据与所述网格化的海表高度数据之间的均方根误差，建立所述损失函数。
其中，本发明在没有网格化SSH数据的情况下制定一个损失函数，首先将除高度计沿轨数据以外的数据设置为空值，保留沿轨雷达高度计，再从保留的部分沿轨雷达高度计中获得海面高度数据，利用线性插值获得重建的二维网络，用以计算重建的二维网络产品与观测值之间的均方根误差，以建立损失函数修正卷积长短时记忆网络模型，提高卷积长短时记忆网络模型计算网格化的海表高度融合数据的精度。
作为一种可选的实施方式，所述建立损失函数，基于所述验证集对应的实测值和所述预测值，利用所述损失函数对所述初始卷积长短时记忆网络模型进行修正，获得所述卷积长短时记忆网络模型，包括：
建立所述损失函数：
（1）
其中，表示标准差；/>表示一阶导的均方根误差；/>表示二阶导的均方根误差；表示x阶导的均方根误差；/>和/>表示正则化参数；N表示预测值的个数；/>表示第i次预测值；/>表示第i次实测值；
将所述预测值和所述实测值输入至所述损失函数，计算所述预测值和所述实测值之间的损失值；
基于所述损失值，调节所述初始卷积长短时记忆网络模型的模型参数，获得所述卷积长短时记忆网络模型。
其中，对于本发明提出的损失函数，包含正则化项，即公式（1）中的后两项，通过损失函数控制卷积长短时记忆网络模型的复杂性，防止卷积长短时记忆网络模型过拟合，正则化可以包括L1正则化和L2正则化等，通过添加模型参数的惩罚项来实现。
对于公式（1）中的正则化参数（正则化权重：和/>为正则化参数），本发明利用迭代循环的方式进行比较，采用交叉验证的方法来获取，步骤如下：
第一步，划分数据集，将数据集划分为训练集和验证集，其中，常见的做法是使用k折交叉验证，将数据分为k个子集，每次选择其中一个子集作为验证集，其余作为训练集。
第二步，定义正则化权重的候选值：选择一系列可能的正则化权重值，通常采用对数尺度，例如0.001、0.01、0.05、0.1、1和10。
第三步，对每个正则化权重进行训练：对于每个正则化权重，使用k折交叉验证训练模型k次，每次使用不同的验证集，其余的作为训练集。
第四步，评估性能：对于每个正则化权重，计算模型在验证集上的性能指标，例如均方误差、准确率等。
第五步，选择最佳正则化权重：根据性能指标的平均值或其他选择标准，选择最佳的正则化权重。
同时，对于公式（1）中标准差的选择，参照沿轨雷达高度计的数据参数进行设置，一般不高于沿轨雷达高度计所获得数据的标准差。
本发明利用损失函数修正模型时，由于在任何时候通常都有几个卫星高度计在同时运行，对于每个训练示例随机选择一个可用的卫星，从输入中保留其观测值，并将其用作损失函数计算中的地面真值。例如：对于每个示例，随机选择多达五个卫星高度计(取决于任务的可用性)作为输入SSH观测值。在计算损失函数时，保留剩余的卫星(或在少于六个任务的情况下保留一颗卫星)作为地面真值。同时，本发明在损失函数中加入了额外的正则化项，这些项与SSH的第一和第二次沿轨道导数的均方误差成正比，减少了重建过程中的过度平滑和高频伪影的出现。本发明针对沿轨海面高度数据、网格化海表温度数据和网格化海表风场数据进行数据融合，增加了海面风场的数据进行带入，专门针对这种类型的数据组合设计了专用的损失函数，本发明提出的损失函数添加了两个损失函数正则项，能够消除过度平滑以及高频伪影，具体的，高频伪影指的是信号或图像中突然而强烈的、短时的、高频的波动或变化。
对于本发明提出的公式（1）一阶导数的作用如下：边缘检测，一阶导数（梯度）可以用于检测图像中的边缘，边缘通常是图像中灰度值变化较大的地方，而梯度在这些位置达到峰值；去除平滑，对于平滑信号，梯度值较小，而对于具有明显变化的信号（如边缘），梯度值较大，通过设置适当的梯度阈值，可以保留边缘信息并抑制过度平滑。同时，对于本发明提出的公式（1）二阶导数的作用如下：提供曲率信息，二阶导数描述了梯度的变化率，可以提供有关信号曲线的曲率信息，对于图像而言，曲率较大的区域可能包含更多的高频细节；去除高频伪影，在图像中，高频伪影通常表现为局部的亮暗变化，本发明通过使用二阶导数，可以检测到这些局部变化并进一步去除或抑制。通过本发明提出的损失函数，可以改善网格化SSH的产品的准确性以及分辨率，提高了海表高度数据融合的准确性。
基于同样的思路，本发明提供一种基于多源数据的海表高度数据融合装置，如图3所示，该装置包括：
待处理数据获得模块301，用于获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据；
编码模块302，用于利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征；
目标空间表征获模块303，用于将所述空间表征输入至搭建完成第一级卷积长短时记忆网络中，获得目标空间表征；所述目标空间表征包含网格化的海表高度数据；
网格化的海表高度融合数据确定模块304，用于将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。
可选的，图3中的装置还包括：
初始卷积长短时记忆网络模型构建模块，用于构建所述初始卷积长短时记忆网络模型，所述初始卷积长短时记忆网络模型包括初始第一级卷积长短时记忆网络和初始第二级卷积长短时记忆网络；
卷积长短时记忆网络模型构建模块，用于建立损失函数，基于所述损失函数对所述初始卷积长短时记忆网络模型进行修正，获得所述卷积长短时记忆网络模型，所述卷积长短时记忆网络模型包括所述第一级卷积长短时记忆网络和所述第二级卷积长短时记忆网络。
可选的，图3的装置还包括数据预处理模块：
初始数据获得单元，用于获得初始海表温度数据、初始海表风场数据和初始海表高度数据；
有效数据集筛选单元，用于对所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据进行数据质量控制处理，筛选得到所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据中的有效数据集；
目标数据集获得单元，用于将所述有效数据集中各个数据映射到同一坐标系，获得目标数据集。
可选的，所述目标数据集包括训练集和验证集，图3的装置还包括卷积长短时记忆网络模型构建模块：
初始卷积长短时记忆网络模型构建单元，用于基于所述训练集，利用卷积长短时记忆网络训练得到初始卷积长短时记忆网络模型；所述初始卷积长短时记忆网络模型包括初始第一级卷积长短时记忆网络和初始第二级卷积长短时记忆网络；
卷积长短时记忆网络模型构建单元，用于基于所述验证集，修正所述初始卷积长短时记忆网络模型，获得卷积长短时记忆网络模型；所述卷积长短时记忆网络模型包括所述第一级卷积长短时记忆网络和所述第二级卷积长短时记忆网络。
可选的，卷积长短时记忆网络模型构建单元，包括：
预测值获得子单元，用于将所述验证集输入至所述初始卷积长短时记忆网络模型中，输出所述验证集对应的预测值；
损失函数建立子单元，用于建立损失函数，基于所述验证集对应的实测值和所述预测值，利用所述损失函数对所述初始卷积长短时记忆网络模型进行修正，获得所述卷积长短时记忆网络模型。
可选的，损失函数建立子单元，具体用于：
获取所述沿轨的海表高度数据，利用线性插值法计算所述沿轨的海表高度数据对应的所述网格化的海表高度数据；
基于所述沿轨的海表高度数据与所述网格化的海表高度数据之间的均方根误差，建立所述损失函数。
可选的，损失函数建立子单元，具体用于：
建立所述损失函数：
；
其中，表示标准差；/>表示一阶导的均方根误差；/>表示二阶导的均方根误差；表示x阶导的均方根误差；/>和/>表示正则化参数；N表示预测值的个数；/>表示第i次预测值；/>表示第i次实测值；
将所述预测值和所述实测值输入至所述损失函数，计算所述预测值和所述实测值之间的损失值；
基于所述损失值，调节所述初始卷积长短时记忆网络模型的模型参数，获得所述卷积长短时记忆网络模型。
基于同样的思路，本发明提供一种基于多源数据的海表高度数据融合设备，如图4所示，该设备包括：
处理器以及与处理器耦合的通信接口；所述处理器用于运行计算机程序或指令，以实现上述一种基于多源数据的海表高度数据融合方法。
如图4所示，上述处理器可以是一个通用中央处理器（central processing unit，CPU），微处理器，专用集成电路（application-specific integrated circuit，ASIC），或一个或多个用于控制本发明方案程序执行的集成电路。上述通信接口可以为一个或多个。通信接口可使用任何收发器一类的装置，用于与其他设备或通信网络通信。
如图4所示，上述终端设备还可以包括通信线路。通信线路可包括一通路，在上述组件之间传送信息。
可选的，如图4所示，该终端设备还可以包括存储器。存储器用于存储执行本发明方案的计算机执行指令，并由处理器来控制执行。处理器用于执行存储器中存储的计算机执行指令，从而实现本发明实施例提供的方法。
在具体实现中，作为一种实施例，如图4所示，处理器可以包括一个或多个CPU，如图4中的CPU0和CPU1。
在具体实现中，作为一种实施例，如图4所示，终端设备可以包括多个处理器，如图4中的处理器。这些处理器中的每一个可以是一个单核处理器，也可以是一个多核处理器。
处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器（digital signal processing，DSP）、ASIC、现成可编程门阵列（field-programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
上述主要从各个模块交互的角度对本发明实施例提供的方案进行了介绍。可以理解的是，为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
基于同样的思路，本发明提供一种计算机可读存储介质，用于存储指令，所述指令在被处理器执行时使处理器执行一种基于多源数据的海表高度数据融合方法：
获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据；
利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征；
将所述空间表征输入至搭建完成的第一级卷积长短时记忆网络中，获得目标空间表征；所述目标空间表征包含网格化的海表高度数据；
将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本发明所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digitalvideodisc，DVD)；还可以是半导体介质，例如，固态硬盘(solidstatedrive，SSD)。
尽管在此结合各实施例对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”（comprising）一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种基于多源数据的海表高度数据融合方法，其特征在于，包括：
获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据；
利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征；
将所述空间表征输入至搭建完成的第一级卷积长短时记忆网络中，获得目标空间表征；所述目标空间表征包含网格化的海表高度数据；
将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。
2.根据权利要求1所述的一种基于多源数据的海表高度数据融合方法，其特征在于，所述获得待处理数据之前，还包括：
获得初始海表温度数据、初始海表风场数据和初始海表高度数据；
对所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据进行数据质量控制处理，筛选得到所述初始海表温度数据、所述初始海表风场数据和所述初始海表高度数据中的有效数据集；
将所述有效数据集中各个数据映射到同一坐标系，获得目标数据集。
3.根据权利要求2所述的一种基于多源数据的海表高度数据融合方法，其特征在于，所述目标数据集包括训练集和验证集，所述将所述空间表征输入至搭建完成的第一级卷积长短时记忆网络中之前，还包括：
基于所述训练集，利用卷积长短时记忆网络训练得到初始卷积长短时记忆网络模型；所述初始卷积长短时记忆网络模型包括初始第一级卷积长短时记忆网络和初始第二级卷积长短时记忆网络；
基于所述验证集，修正所述初始卷积长短时记忆网络模型，获得卷积长短时记忆网络模型；所述卷积长短时记忆网络模型包括所述第一级卷积长短时记忆网络和所述第二级卷积长短时记忆网络。
4.根据权利要求3所述的一种基于多源数据的海表高度数据融合方法，其特征在于，所述基于所述验证集，修正所述初始卷积长短时记忆网络模型，获得卷积长短时记忆网络模型，包括：
将所述验证集输入至所述初始卷积长短时记忆网络模型中，输出所述验证集对应的预测值；
建立损失函数，基于所述验证集对应的实测值和所述预测值，利用所述损失函数对所述初始卷积长短时记忆网络模型进行修正，获得所述卷积长短时记忆网络模型。
5.根据权利要求4所述的一种基于多源数据的海表高度数据融合方法，其特征在于，所述建立损失函数，包括：
获取所述沿轨的海表高度数据，利用线性插值法计算所述沿轨的海表高度数据对应的所述网格化的海表高度数据；
基于所述沿轨的海表高度数据与所述网格化的海表高度数据之间的均方根误差，建立所述损失函数。
6.根据权利要求4所述的一种基于多源数据的海表高度数据融合方法，其特征在于，所述建立损失函数，基于所述验证集对应的实测值和所述预测值，利用所述损失函数对所述初始卷积长短时记忆网络模型进行修正，获得所述卷积长短时记忆网络模型，包括：
建立所述损失函数：
；
其中，表示标准差；/>表示一阶导的均方根误差；/>表示二阶导的均方根误差；/>表示x阶导的均方根误差；/>和/>表示正则化参数；N表示预测值的个数；/>表示第i次预测值；表示第i次实测值；
将所述预测值和所述实测值输入至所述损失函数，计算所述预测值和所述实测值之间的损失值；
基于所述损失值，调节所述初始卷积长短时记忆网络模型的模型参数，获得所述卷积长短时记忆网络模型。
7.一种基于多源数据的海表高度数据融合装置，其特征在于，包括：
待处理数据获得模块，用于获得待处理数据；所述待处理数据包括海表温度数据、海表风场数据和沿轨的海表高度数据；
编码模块，用于利用卷积神经网络对所述待处理数据进行编码，获得所述待处理数据对应的空间表征；
目标空间表征获得模块，用于将所述空间表征输入至搭建完成的第一级卷积长短时记忆网络中，获得目标空间表征；所述目标空间表征包含网格化的海表高度数据；
网格化的海表高度融合数据确定模块，用于将所述目标空间表征输入至搭建完成的第二级卷积长短时记忆网络中，建立海表高度与海表温度之间的第一映射关系，以及海表高度与海表风场之间的第二映射关系，并确定网格化的海表高度融合数据。
8.根据权利要求7所述的一种基于多源数据的海表高度数据融合装置，其特征在于，所述装置还包括：
初始卷积长短时记忆网络模型构建模块，用于构建所述初始卷积长短时记忆网络模型，所述初始卷积长短时记忆网络模型包括初始第一级卷积长短时记忆网络和初始第二级卷积长短时记忆网络；
卷积长短时记忆网络模型构建模块，用于建立损失函数，基于所述损失函数对所述初始卷积长短时记忆网络模型进行修正，获得所述卷积长短时记忆网络模型，所述卷积长短时记忆网络模型包括所述第一级卷积长短时记忆网络和所述第二级卷积长短时记忆网络。
9.一种基于多源数据的海表高度数据融合设备，其特征在于，包括：
处理器以及与处理器耦合的通信接口；所述处理器用于运行计算机程序或指令，以实现如权利要求1-6任一项所述一种基于多源数据的海表高度数据融合方法。
10.一种计算机可读存储介质，其特征在于，用于存储指令，所述指令在被处理器执行时使处理器执行根据权利要求1-6中任一项所述一种基于多源数据的海表高度数据融合方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410097904.4A CN117633712B (zh) | 2024-01-24 | 2024-01-24 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410097904.4A CN117633712B (zh) | 2024-01-24 | 2024-01-24 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117633712A CN117633712A (zh) | 2024-03-01 |
| CN117633712B true CN117633712B (zh) | 2024-04-19 |
Family
ID=90035879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410097904.4A Active CN117633712B (zh) | 2024-01-24 | 2024-01-24 | 一种基于多源数据的海表高度数据融合方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117633712B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118153640B (zh) * | 2024-05-13 | 2024-08-02 | 南京信息工程大学 | 一种基于改进卷积神经网络的多源卫星有效波高融合方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104933235A (zh) * | 2015-06-04 | 2015-09-23 | 南京信息工程大学 | 一种融合近海多颗卫星海表高度异常数据的方法 |
| KR20160073604A (ko) * | 2014-12-17 | 2016-06-27 | 한국해양과학기술원 | 연안국지 순환 분석 방법 및 시스템 |
| CN109668635A (zh) * | 2019-01-16 | 2019-04-23 | 中国人民解放军61741部队 | 海表温度融合方法与系统 |
| CN110503231A (zh) * | 2019-05-29 | 2019-11-26 | 中国石油大学(华东) | 一种基于ConvLSTM的海面高度智能预测方法 |
| CN111680784A (zh) * | 2020-05-27 | 2020-09-18 | 上海大学 | 基于时空多维影响力的海面温度深度学习预测方法 |
| CN112884217A (zh) * | 2021-02-04 | 2021-06-01 | 国家海洋信息中心 | 一种基于多模型集成的海面高预报方法 |
| CN114611608A (zh) * | 2022-03-14 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于深度学习模型的海表面高度数值预报偏差订正方法 |
| CN115393540A (zh) * | 2022-08-30 | 2022-11-25 | 无锡九方科技有限公司 | 基于深度学习的三维海洋环境场的智能融合方法及系统 |
| CN116644379A (zh) * | 2022-03-15 | 2023-08-25 | 中国海洋大学 | 多源海面物理要素的机器学习融合方法、设备及介质 |
| CN117150437A (zh) * | 2023-10-31 | 2023-12-01 | 航天宏图信息技术股份有限公司 | 多源卫星海面风场数据融合方法、装置、设备及介质 |
| CN117172355A (zh) * | 2023-08-08 | 2023-12-05 | 南京工业大学 | 融合时空粒度上下文神经网络的海表温度预测方法 |
| CN117350171A (zh) * | 2023-12-04 | 2024-01-05 | 山东省计算中心（国家超级计算济南中心） | 基于双流模型的中尺度涡三维次表层结构反演方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116883594A (zh) * | 2023-07-14 | 2023-10-13 | 福州大学 | 融合卫星与浮标观测的海洋三维温度遥感超分重建方法 |
-
2024
- 2024-01-24 CN CN202410097904.4A patent/CN117633712B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160073604A (ko) * | 2014-12-17 | 2016-06-27 | 한국해양과학기술원 | 연안국지 순환 분석 방법 및 시스템 |
| CN104933235A (zh) * | 2015-06-04 | 2015-09-23 | 南京信息工程大学 | 一种融合近海多颗卫星海表高度异常数据的方法 |
| CN109668635A (zh) * | 2019-01-16 | 2019-04-23 | 中国人民解放军61741部队 | 海表温度融合方法与系统 |
| CN110503231A (zh) * | 2019-05-29 | 2019-11-26 | 中国石油大学(华东) | 一种基于ConvLSTM的海面高度智能预测方法 |
| CN111680784A (zh) * | 2020-05-27 | 2020-09-18 | 上海大学 | 基于时空多维影响力的海面温度深度学习预测方法 |
| CN112884217A (zh) * | 2021-02-04 | 2021-06-01 | 国家海洋信息中心 | 一种基于多模型集成的海面高预报方法 |
| CN114611608A (zh) * | 2022-03-14 | 2022-06-10 | 中国人民解放军国防科技大学 | 基于深度学习模型的海表面高度数值预报偏差订正方法 |
| CN116644379A (zh) * | 2022-03-15 | 2023-08-25 | 中国海洋大学 | 多源海面物理要素的机器学习融合方法、设备及介质 |
| CN115393540A (zh) * | 2022-08-30 | 2022-11-25 | 无锡九方科技有限公司 | 基于深度学习的三维海洋环境场的智能融合方法及系统 |
| CN117172355A (zh) * | 2023-08-08 | 2023-12-05 | 南京工业大学 | 融合时空粒度上下文神经网络的海表温度预测方法 |
| CN117150437A (zh) * | 2023-10-31 | 2023-12-01 | 航天宏图信息技术股份有限公司 | 多源卫星海面风场数据融合方法、装置、设备及介质 |
| CN117350171A (zh) * | 2023-12-04 | 2024-01-05 | 山东省计算中心（国家超级计算济南中心） | 基于双流模型的中尺度涡三维次表层结构反演方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| Improvement of sea surface height measurements of HY-2A satellite altimeter using Jason-2;Wei Cui 等;《Marine Geodesy》;20181118;第 632-648 页 * |
| Multimodal fusion for sea level anomaly forecasting;Guosong Wang 等;《arXiv:2006.08209》;20200615;第1-25页 * |
| SymmetricNet: A mesoscale eddy detection method based on multivariate fusion data;Zhenlin Fan 等;《arXiv:1909.13411v1[cs.CV]》;20190930;第1-28页 * |
| 基于投影网格算法的海面波浪模拟;彭晶;陆晓;李晖;;武汉工程大学学报;20181015(第05期);第 559-564 页 * |
| 基于支持向量回归的海洋次表层温度异常预测;张驰;孙佳龙;秦江涛;颜永豪;王立泽;;江苏海洋大学学报(自然科学版);20200615(第02期);第 50-57 页 * |
| 基于融合U-Net及ConvLSTM的海面高度异常预报方法研究;周玮辰 等;《海洋通报》;20210831;第40卷(第4期);第410-416页 * |
| 基于遥感数据的三维温度场参数化分析方法研究;邢霄波 等;《海洋学报》;20201231;第42卷(第11期);第39-48页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117633712A (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117633712B (zh) | 一种基于多源数据的海表高度数据融合方法、装置及设备 | |
| US11373087B2 (en) | Method and apparatus for generating fixed-point type neural network | |
| CN112734106A (zh) | 用于预测能源负荷的方法及装置 | |
| CN112967327A (zh) | 基于联合自注意力机制的单目深度方法 | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN115824261A (zh) | 一种控制力矩陀螺仪故障检测方法、装置及相关存储介质 | |
| CN115859116A (zh) | 一种基于径向基函数回归插值法的海洋环境场重建方法 | |
| CN117633441B (zh) | 海表面温度数据的填补与修正方法、装置和电子设备 | |
| CN116879192B (zh) | 基于卫星遥感数据的水华预测方法、装置、设备及介质 | |
| CN115879034B (zh) | 基于机器学习的热带气旋强度监测方法、装置和设备 | |
| CN116628570A (zh) | 风机叶片覆冰失效检测方法、装置、存储介质和设备 | |
| CN114186583B (zh) | 一种储油罐罐壁腐蚀检测异常信号恢复方法及系统 | |
| CN116681159A (zh) | 一种基于鲸鱼优化算法和dresn的短期电力负荷预测方法 | |
| CN116089832A (zh) | 重力卫星地下水储量的降尺度方法、装置和计算机设备 | |
| CN114936664A (zh) | 基于混合深度学习模型的流域非点源污染预测方法 | |
| CN116432145B (zh) | 积雪深度获取方法、装置、存储介质和计算机设备 | |
| CN115205710B (zh) | 一种结合色彩校正的双时相遥感图像变化检测方法 | |
| CN118113994B (zh) | 海洋信息获取方法、装置、设备及介质 | |
| CN118245770B (zh) | 多气象要素分布特征的生成方法、装置、设备及介质 | |
| CN118410327B (zh) | 一种面向平面海域的海浪预报方法、电子设备、介质 | |
| CN117195751B (zh) | 区域新能源的功率组合预测方法和设备 | |
| CN118364283A (zh) | 一种单站点地面大风事件预报方法以及装置 | |
| CN117033352A (zh) | 一种数据修复方法、装置、终端设备及存储介质 | |
| Alilat et al. | Modelling of suspended matter by hybrid RBF-IGNG network | |
| CN114840506A (zh) | 数据降维方法、装置、计算机设备和存储介质 |
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 |