CN117875194A - 基于少量实海观测数据的区域海浪场智能构建方法及系统 - Google Patents
基于少量实海观测数据的区域海浪场智能构建方法及系统 Download PDFInfo
- Publication number
- CN117875194A CN117875194A CN202410282605.8A CN202410282605A CN117875194A CN 117875194 A CN117875194 A CN 117875194A CN 202410282605 A CN202410282605 A CN 202410282605A CN 117875194 A CN117875194 A CN 117875194A
- Authority
- CN
- China
- Prior art keywords
- data
- sea
- wave
- buoy
- wave 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 79
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 13
- 238000013135 deep learning Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000002360 preparation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 22
- 238000004088 simulation Methods 0.000 description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明属于海洋环境数据计算技术领域，公开了基于少量实海观测数据的区域海浪场智能构建方法及系统。该方法通过全连接结构FCNN提取向量类型数据特征和卷积结构CNN提取矩阵类型数据特征，针对输入及输出数据分别进行特征提取及处理，解决数据之间维度不对应的问题；应用于采用零散浮标数据作输入，实现对区域网格化海浪场数据的输出，通过实海观测数据对区域海浪场进行重构。本发明针对输入及输出数据分别进行特征提取及处理，解决数据之间维度不对应的问题；应用于采用零散浮标数据作输入，实现对区域网格化海浪场数据的输出，通过实海观测数据对区域海浪场进行重构。
Description
技术领域
本发明属于海洋环境数据计算技术领域，尤其涉及基于少量实海观测数据的区域海浪场智能构建方法及系统。
背景技术
海浪作为最基本的海洋环境参数之一，对海洋生态系统、远洋航运等研究具有重要意义。海浪受到大气、海洋等多种因素的耦合作用，同时海气之间的相互作用对全球气候系统的平衡和稳定起到调节作用。此外，海浪是影响船舶航行安全的重要因素之一。恶劣海况直接影响船舶稳定性甚至直接威胁人员生命安全。因此，获取实海域海浪数据具有重要的理论意义和实际价值。
实海域海浪数据可以通过实海观测及数值模拟两种方式得到。随着海洋观测手段的日益完善与发展，海量实海风浪信息可以为海洋环境等研究提供一定信息支撑。浮标观测数据精度较高，是海浪观测数据的主要组成部分。浮标观测能够提供高分辨率、长时间序列的海浪数据，通常被认为是较为精确和可靠的海浪数据来源之一。
全球网格化数据可以更全面地提供海域内海浪的整体情况。其海浪数据对海洋生态分析、船舶航行安全及气象导航等研究更为重要。现有网格化环境数据主要基于海洋动力学方程，通过数值模拟方法计算得到。以SWAN、WAVEWATCH-III为代表的第三代海浪模式目前被广泛应用与海浪的数值模拟。模式基于能量平衡方程，利用动谱方程中不同的源、汇项来表示海浪传播过程中复杂的物理过程，可以全面描述波浪能量的输入、传播和耗散以及能量在不同简谐波间转移的过程。同时为了提高数据精度，学者们通常采用数据同化等方式利用观测数据对数值模拟结果进行优化，构建形成环境再分析数据集。
通过上述分析，现有技术存在的问题及缺陷为：浮标观测是当前公认精度最高的海浪数据获取方式。但受到浮标部署等限制，浮标实测数据分布零散，其空间覆盖范围相对有限，不能提供全球性的连续观测数据。
基于海洋动力学方程的传统海浪数值求解方法，其计算精度受到模式计算设置的限制。如边界场的设置影响外部海域波浪传输；风场、流场等驱动场影响海域内海浪的生成；水深等地形信息的设置影响海浪的耗散及消亡。此外，海浪数值模式计算过程包含风能输入、白浪耗散等众多物理过程，其中每个物理过程包含多种计算方案，不同计算方案又包含大量可调参数。因此，数值计算的具体精度依赖于计算过程的准确设置。此外，传统海浪数值计算方法计算时需要较高的计算资源并消耗大量的计算时间。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供了基于少量实海观测数据的区域海浪场智能构建方法及系统。本发明通过海域内少量浮标实测信息为输入，实现对区域海浪场的智能快速计算。同时，本发明对方法的海域适应性进行分析，拟提出一种适用于全球海域，基于少量实测信息的区域海浪场快速计算方法。本发明为实海域海浪计算提供了一种新颖有效的方法和策略。
本发明是这样实现的，基于少量实海观测数据的区域海浪场智能构建方法，通过全连接结构FCNN提取向量类型数据特征和卷积结构CNN提取矩阵类型数据特征，针对输入及输出数据分别进行特征提取及处理，解决数据之间维度不对应的问题；应用于采用零散浮标数据作输入，实现对区域网格化海浪场数据的输出，通过实海观测数据对区域海浪场进行重构；具体包括：
S1，实测数据标准化处理；
S2，任务海域海浪场数据获取及处理；结合浮标实测位置，设定任务海域范围，进一步获取开源海浪数据，并利用实海观测数据对多源数据进行对比及验证，最终筛选形成任务海域高精度海浪场数据；
S3，数据准备；基于浮标观测数据，对开源海浪场数据进行预处理，构建与浮标实测一一对应的海浪场数据集；构建形成标准浮标观测信息集及海浪场信息集；其中，浮标观测数据维度为浮标数量×时刻数；海浪场数据维度为海域内纬度网格数×经度网格数×时刻数；
S4，海浪重构模型构建：通过深度学习方法，构建海浪重构模型，利用海域内浮标观测得到的海浪信息，对区域海浪场进行计算，最终得到任务海域网格化海浪数据；
S5，模型精度验证；
S6，模式适应性评估：基于构建的海浪重构模型，对海浪重构模型的海域适应性进行分析，筛选浮标实测海浪数据，并结合开源数据集获取任务海域波浪场数据，最终构建形成适用于全球海域的海浪重构模型。
在步骤S1中，所述实测数据标准化处理包括：
对实海域浮标观测信息进行提取，包含数据采集时间、采集位置及海浪记录数据；对单浮标观测海浪数据进行初步分析，对时间缺测、数据不准情况进行补全及修正；对海域内多浮标数据进行统一及标准化处理；结合多浮标实采信息，提取包含共同时刻下的观测海浪数据，最终，构建形成标准实海域浮标观测数据。
在步骤S4中，所述海浪重构模型构建包括：
S401，通过全连接结构FCNN及卷积结构CNN，建立浮标观测数据与海域波浪场之间的映射关系；
S402，设置输入为与海域内浮标数量相等的向量；
S403，通过全连接结构FCNN，将输入向量映射到与待重构海浪场网格数相等的一列向量上；
S404，通过reshape操作，将该列向量重组成与海浪重构目标海域大小相同的矩阵；
S405，通过卷积结构CNN来提取数据的空间特征，并采用Relu激活函数对网络进行非线性处理；
S406，输出区域海浪浪高，实现对任务海域海浪场的重构。
在步骤S401中，所述建立浮标观测数据与海域波浪场之间的映射关系包括：将输入向量扩充至与待重构海浪场网格数相等的一列向量上，全连接层的每个神经元都与前一层神经元相连接，形成全连接结构FCNN。
步骤S405中，采用卷积结构CNN对经全连接结构FCNN及reshape构建的矩阵数据进行处理及特征提取，通过卷积核在输入张量上进行滑动计算，有效捕捉数据的空间关系，进而实现对数据特征的提取。
进一步，所述卷积结构CNN采用四层卷积，分别通过64，128，256，1个卷积核不断提取其空间特征，将数据转换为64×纬度网格数×经度网格数，128纬度网格数×经度网格数，256纬度网格数×经度网格数，1×纬度网格数×经度网格数的大小，最终构建形成与任务海域纬度数×经度数相对应的张量，实现对区域海浪浪高的重构。
在步骤S5中，所述模型精度验证包括：将海浪重构模型输出结果与开源数据及实测数据进行对比，实现对海浪重构模型的均方根误差，平均相对误差，相关系数的验证。
本发明的另一目的在于提供一种基于少量实海观测数据的区域海浪场智能构建系统，该系统实施所述基于少量实海观测数据的区域海浪场智能构建方法，该系统包括：
实测数据标准化处理模块，用于对实海域浮标观测信息进行提取，对单浮标观测海浪数据进行初步分析，对时间缺测、数据不准情况进行补全及修正，对海域内多浮标数据进行统一及标准化处理，提取包含共同时刻下的观测海浪数据，以及构建形成标准实海域浮标观测数据；
任务海域海浪场数据获取及处理模块，用于结合浮标实测位置，设定任务海域范围，进一步获取开源海浪数据，并利用实海观测数据对多源数据进行对比及验证，最终筛选形成任务海域高精度海浪场数据；
数据准备模块，用于基于浮标观测数据，对开源海浪场数据进行预处理，构建与浮标实测一一对应的海浪场数据集，最终构建形成标准浮标观测信息集及海浪场信息集；
海浪重构模型构建模块，用于通过深度学习方法，构建海浪重构模型，利用海域内浮标观测得到的海浪信息，对区域海浪场进行计算，最终得到任务海域网格化海浪数据；
模型精度验证模块，用于将海浪重构模型输出结果与开源数据及实测数据进行对比，实现对海浪重构模型的验证；
模式适应性评估模块，用于在当前已构建海浪重构模型的基础上，进一步针对全球海域，对海浪重构模型的海域适应性进行分析，筛选浮标实测海浪数据，并结合开源数据集获取任务海域波浪场数据，最终构建形成适用于全球海域的海浪重构模型。
进一步，该系统搭载在计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于少量实海观测数据的区域海浪场智能构建系统的功能。
进一步，该系统搭载在计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述基于少量实海观测数据的区域海浪场智能构建系统的功能。
结合上述的所有技术方案，本发明所具备的有益效果为：本发明浮标数据准确，但分布不均，使用较为不便；传统海浪数值计算方法可以对全球任意海域海浪情况进行计算，但其准确性依赖于高精度的方案设置及较高的计算成本。
本发明提出一种基于少量实海观测数据的区域海浪场智能构建方法。结合浮标实测数据高精度及传统数值计算数据空间覆盖范围广、使用便利的优点。本发明用少量浮标观测数据为输入，重构出区域海浪场，实现对实海域海浪数据的计算。其结果可以为海洋生态系统、远洋航运等研究提供基础，为快速、低成本的获取区域有义波高提供了一种新的方法和思路。
本发明所提出模型可以快速实现对区域海浪场的高精度重构。相比于现有传统数值方法对海域波浪的计算，其效率更高，可以大大节省计算资源，并节省计算时间，因此具有一定的应用前景。现有网格化环境数据主要基于海洋动力学方程，通过数值模拟方法计算得到。同时为了提高数据精度，学者们通常采用数据同化等方式利用观测数据对数值模拟结果进行优化，构建形成环境再分析数据集。以SWAN、WAVEWATCH-III为代表的第三代海浪模式目前被广泛应用与海浪的数值模拟。模式基于能量平衡方程，利用动谱方程中不同的源、汇项来表示海浪传播过程中复杂的物理过程，可以全面描述波浪能量的输入、传播和耗散以及能量在不同简谐波间转移的过程。如当前应用较为广泛的ERA5、CFSR、MERRA、JRA-55等环境数值产品是经实测修正的网格化再分析数据集。然而，基于海洋动力学方程的海浪数值求解过程依赖较高的计算资源并消耗大量的计算时间。
现有方法对计算资源的依赖是困扰当前学者们的主要问题。本发明所构建的海浪重构模型可以对区域海浪数据进行快速计算，大大节省计算资源及时间。本发明基于深度学习方法，利用海域内少量浮标实测数据，对整个海域的海浪场进行计算。而且当前计算精度高，效率快。进一步展示出深度学习方法在处理大量数据中的优势。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理；
图1是本发明实施例提供的基于少量实海观测数据的区域海浪场智能构建方法流程图；
图2是本发明实施例提供的海浪重构模型原理图；
图3是本发明实施例提供的海浪重构模型结构图；
图4是本发明实施例提供的基于少量实海观测数据的区域海浪场智能构建系统示意图；
图5是本发明实施例提供的模型重构结果1对比中海域内浮标观测浪高图；
图6是本发明实施例提供的模型重构结果1对比中模型重构海浪场图；
图7是本发明实施例提供的模型重构结果1对比中海域内浮标观测浪高图；
图8是本发明实施例提供的模型重构结果1对比中模型重构海浪场图；
图9是本发明实施例提供的海域浪高重构MAPE示意图；
图10是本发明实施例提供的海域浪高重构R 2 示意图；
图11是本发明实施例提供的浮标位置处海浪重构浪高结果对比图；
图12是本发明实施例提供的某2海域模型重构结果1对比中海域内浮标观测浪高图；
图13是本发明实施例提供的某2海域模型重构结果1对比中模型重构海浪场图；
图14是本发明实施例提供的某2海域模型重构结果2对比中海域内浮标观测浪高图；
图15是本发明实施例提供的某2海域模型重构结果2对比中模型重构海浪场图；
图16是本发明实施例提供的海域浪高重构MAPE示意图；
图17是本发明实施例提供的海域浪高重构示意图；
图18是本发明实施例提供的浮标位置处海浪重构浪高结果对比图；
图中：1、实测数据标准化处理模块；2、任务海域海浪场数据获取及处理模块；3、数据准备模块；4、海浪重构模型构建模块；5、模型精度验证模块；6、模式适应性评估模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
本发明实施例提供的基于少量实海观测数据的区域海浪场智能构建方法及系统创新点在于：本发明通过CNN提取的矩阵类型数据特征和FCNN提取向量类型数据特征，解决输入与输出之间数据维度不对应问题，同时应用于采用零散浮标数据作输入，实现对区域网格化海浪场数据带输出，这个应用场景在现有技术中均没有提出。该方法通过全连接结构FCNN提取向量类型数据特征和卷积结构CNN提取矩阵类型数据特征，针对输入及输出数据分别进行特征提取及处理，解决数据之间维度不对应的问题；应用于采用零散浮标数据作输入，实现对区域网格化海浪场数据的输出，通过实海观测数据对区域海浪场进行重构。
本发明采用FCNN结构对输入数据进行处理，将零散位置下浮标数据看成多个独立神经元的形式，针对输入数据特点来提取其具体特征，主要解决零散数据的处理问题。再通过reshape操作对向量进行重组，形成与任务海域大小相对应（纬度网格数×经度网格数）的矩阵；CNN通常用于处理图像或具有空间结构的数据，针对矩阵结构数据提取其空间特征。
示例性的，本发明提出了一种基于深度学习方法的区域有义波高重构模型。本发明模型可以结合现有海浪数据中浮标实测数据高精度，及数值模式数据规整网格化更便于工程使用的特点。采用少量实测数据做输入，快速重构出区域海浪场信息。解决实海观测数据分布不均，数值模式数据计算过程对计算资源消耗高且计算精度受模式设置等问题。本发明利用深度学习方法，构建零散数据点与区域网格化数据之间的对应关系，创新性的提出了区域海浪重构模型。模型在具备高效率计算的同时，还具备高精度。同时，本发明提出的模型经测试发现，具备良好的海域适应性，即可以对具有浮标实测信息的全球任一海域进行海浪场重构。
实施例1，如图1所示，本发明实施例提供的基于少量实海观测数据的区域海浪场智能构建方法包括：
S1，实测数据标准化处理；
示例性的，首先，对实海域浮标观测信息进行提取，包含数据采集时间、采集位置及海浪记录数据。其次，对单浮标观测海浪数据进行初步分析，对时间缺测、数据不准等情况进行补全及修正。然后，对海域内多浮标数据进行统一及标准化处理。结合多浮标实采信息，提取其包含共同时刻下的观测海浪数据。最终，构建形成标准实海域浮标观测数据。
S2，任务海域海浪场数据获取及处理；结合浮标实测位置，设定任务海域范围，进一步获取开源海浪数据，并利用实海观测数据对多源数据进行对比及验证，最终筛选形成任务海域高精度海浪场数据；
示例性的，结合浮标实测位置，设定任务海域范围。进一步获取开源海浪数据，并利用实海观测数据对多源数据进行对比及验证，最终筛选形成任务海域高精度海浪场数据。
S3，数据准备；基于浮标观测数据，对开源海浪场数据进行预处理，构建与浮标实测一一对应的海浪场数据集；构建形成标准浮标观测信息集及海浪场信息集；其中，浮标观测数据维度为浮标数量×时刻数；海浪场数据维度为海域内纬度网格数×经度网格数×时刻数；
S4，海浪重构模型构建：通过深度学习方法，构建海浪重构模型，利用海域内浮标观测得到的海浪信息，对区域海浪场进行计算，最终得到任务海域网格化海浪数据；
示例性的，该海浪重构模型通过全连接(FCNN)及卷积(CNN)，建立浮标观测数据与海域波浪场之间的映射关系。设置海浪重构模型输入为与海域内浮标数量相等的向量。
最终，海浪重构模型输出区域海浪浪高，实现对任务海域海浪场的智能重构。
又一可能实施方式，具体的，本发明构建了基于少量标观测数据的海域波浪场重构模型。通过深度学习方法，利用海域内浮标观测得到的海浪信息，对区域海浪场进行快速重构，最终得到任务海域网格化海浪数据，如图2海浪重构模型原理所示。浮标记录特定位置处环境要素随时间的变化情况，单浮标观测浪高可以看成一维向量。海域波浪场是包含纬度、经度、时间的三维网格数据。
通过全连接结构，将输入向量映射到与待重构海浪场网格数相等的一列向量上。然后通过reshape操作，将该列向量重组成与海浪重构目标海域大小相同的矩阵。接着通过卷积结构来提取数据的空间特征，并采用Relu激活函数对网络进行非线性处理。
S401，通过全连接结构FCNN及卷积结构CNN，建立浮标观测数据与海域波浪场之间的映射关系；具体海浪重构模型结构如图3所示；
S402，设置输入为与海域内浮标数量相等的向量；
S403，通过全连接结构FCNN，将输入向量映射到与待重构海浪场网格数相等的一列向量上；
S404，通过reshape操作，将该列向量重组成与海浪重构目标海域大小相同的矩阵；
在一实施例中，通过全连接结构FCNN将海域内浮标位置下维度为5的向量的观测值转换为与待重构海域尺寸相对应的向量616；接着，通过reshape操作对向量进行重组，形成与任务海域大小相对应22×28的矩阵；
S405，通过卷积结构CNN来提取数据的空间特征，并采用Relu激活函数对网络进行非线性处理；
S406，输出区域海浪浪高，实现对任务海域海浪场的重构。
示例性的，FCNN作为海浪重构模型中的重要组成部分，主要将输入向量扩充至与待重构海浪场网格数相等的一列向量上。全连接层的每个神经元都与前一层神经元相连接，形成完全连接结构。通过权重和偏置项实现对输入数据的线性变化。并引入激活函数，使网络能够提取数据中的非线性结构特点。当信号传递过程中，各神经元的输出为：
；
式中，代表当前神经元的输出，/>代表上层的各神经元，/>代表权值，/>代表偏置。本海浪重构模型中，输入数据为海域内浮标位置处的观测有义波高。本发明首先采用全连接网络对数据进行扩充。以某海域为例，本发明通过FCNN将海域内5处浮标位置下的观测值（即维度为5的向量）转换为与待重构海域尺寸相对应的向量（即616）。
在本海浪重构模型中CNN对经FCNN及reshape构建的矩阵数据进行处理及特征提取。通过卷积核在输入张量上进行滑动计算，有效捕捉数据的空间关系，进而实现对数据特征的提取。CNN的具体计算方法如下：
；
式中，代表输入，/>代表卷积核，/>和/>分别为卷积核的尺寸。本海浪重构模型中，本发明采用四层卷积，分别通过64，128，256，1个卷积核不断提取其空间特征，将数据转换为64×22×28，128×22×28，256×22×28，1×22×28大小。最终构建形成与任务海域大小相对应（22*28）的张量，实现对区域海浪浪高的重构。
具体的，本发明创新的提出，首先采用reshape操作将FCNN处理后的一列数据转化为矩阵类型数据，进一步采用CNN结构对网格数据进行处理，主要提取矩阵类型数据的空间特征，通过多层结构不断对信息进行强化整合，针对输出网格数据的格式对现有结果进行处理，最终为了实现对区域海浪场信息的输出。
本发明重点针对输入数据与输出数据尺寸不对应的特点，设计如图3的海浪重构模型结构，分别利用FCNN处理与输入对应的向量数据，及CNN处理与输出对应的矩阵格式。分别针对输入及输出对现有数据进行处理。最终实现利用少量浮标观测信息，对区域海浪场的快速、准确重构。
S5，模型精度验证；
将海浪重构模型输出结果与开源数据及实测数据进行对比，实现对海浪重构模型的精度验证。其中涉及的误差评价标准为：均方根误差，平均相对误差，相关系数。
示例性的，本发明利用浮标观测数据及开源海浪场结果对本发明提出方法的计算精度进行验证。其中涉及的误差评价标准为：均方根误差，平均相对误差，相关系数。
；
；
；
式中，表示样本数量，/>及/>分别表示/>时刻下海浪真实浪高及模型重构浪高。/>表示海浪真实浪高的平均值。
S6，模式适应性评估：基于构建的海浪重构模型，对海浪重构模型的海域适应性进行分析，筛选浮标实测海浪数据，并结合开源数据集获取任务海域波浪场数据，最终构建形成适用于全球海域的海浪重构模型。
取任务海域波浪场数据，最终构建形成适用于全球海域的海浪重构模型。
实施例2，如图4所示，本发明实施例提供的基于少量实海观测数据的区域海浪场智能构建系统包括：
实测数据标准化处理模块1，用于对实海域浮标观测信息进行提取，对单浮标观测海浪数据进行初步分析，对时间缺测、数据不准情况进行补全及修正，对海域内多浮标数据进行统一及标准化处理，提取包含共同时刻下的观测海浪数据，以及构建形成标准实海域浮标观测数据；
任务海域海浪场数据获取及处理模块2，用于结合浮标实测位置，设定任务海域范围，进一步获取开源海浪数据，并利用实海观测数据对多源数据进行对比及验证，最终筛选形成任务海域高精度海浪场数据；
数据准备模块3，用于基于浮标观测数据，对开源海浪场数据进行预处理，构建与浮标实测一一对应的海浪场数据集，最终构建形成标准浮标观测信息集及海浪场信息集；
海浪重构模型构建模块4，用于通过深度学习方法，构建海浪重构模型，利用海域内浮标观测得到的海浪信息，对区域海浪场进行计算，最终得到任务海域网格化海浪数据；
模型精度验证模块5，用于将海浪重构模型输出结果与开源数据及实测数据进行对比，实现对海浪重构模型的精度验证；
模式适应性评估模块6，用于在当前已构建海浪重构模型的基础上，进一步针对全球海域，对海浪重构模型的海域适应性进行分析，筛选浮标实测海浪数据，并结合开源数据集获取任务海域波浪场数据，最终构建形成适用于全球海域的海浪重构模型。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
上述装置/单元之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程。
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元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取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random AccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
为进一步说明本发明实施例相关效果，进行如下实验。
实验例1，具体计算结果实验。
本发明针对太平洋中部某1海域对海浪重构模型进行训练及验证，并随机选取两个时刻对模型重构前后的海浪结果进行展示，如图5为模型重构结果1对比中海域内浮标观测浪高图，如图6为模型重构结果1对比中模型重构海浪场图，图7为模型重构结果1对比中海域内浮标观测浪高图，如图8为模型重构结果1对比中模型重构海浪场图。
实验例2，具体计算精度结果实验。
针对某1海域，当前模型对海浪场的重构RMSE为0.18m，MAPE为6.07%，为0.91。图9、图10展示了模型对区域海浪重构的误差情况。具体的，图9为海域浪高重构MAPE示意图，图10为海域浪高重构/>示意图；
可以看出，当前模型可以实现对区域海浪场的较高精度重构。进一步，本发明对模型在某1海域内5处浮标位置处的海浪重构结果进行分析，如图11浮标位置处海浪重构浪高结果对比图所示，当前，经模型重构后，各位置处RMSE均小于0.21m，MAPE小于6.87%，高于0.91。其中，3号浮标位置处经重构后精度最高，RMSE为0.15m，MAPE为5.60%。经海浪重构后的有义波高与浮标真实值如表1所示。
表1浮标位置处海浪重构精度：
。
实验例3。
本发明利用大西洋西部某2附近海域对模型计算结果进行测试及验证。本发明采用海域内4处浮标观测海浪浪高对海域浪场进行智能重构，如图12为某2海域模型重构结果1对比中海域内浮标观测浪高图，如图13为某2海域模型重构结果1对比中模型重构海浪场图，如图14为某2海域模型重构结果2对比中海域内浮标观测浪高图，如图15为某2海域模型重构结果2对比中模型重构海浪场图。
图16、图17展示了海浪重构模型对墨西哥海域内海浪重构的误差情况。其中图16为海域浪高重构MAPE示意图，图17为海域浪高重构示意图；浮标位置处海浪重构精度，图18为浮标位置处海浪重构浪高结果对比图，表2为浮标位置处海浪重构精度。
表2 浮标位置处海浪重构精度：
。
从表2中可看出，针对墨西哥海域，模型对区域海浪重构RMSE为0.11，MAPE为5.27%，为0.90。从区域误差分布形式来看，模型对海域内中部位置重构精度相对较高，MAPE在5%以内。从浮标位置处海浪重构结果来看，当前模型对海域内浮标位置处重构RMSE均小于0.14m，MAPE均低于8.17%，/>高于0.84。由此可以看出，本发明方法适用于墨西哥海域。该模型具备较好的海域适应性。
以上所述，仅为本发明较优的具体的实施方式，但本发明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发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于少量实海观测数据的区域海浪场智能构建方法，其特征在于，该方法通过全连接结构FCNN提取向量类型数据特征和卷积结构CNN提取矩阵类型数据特征，针对输入及输出数据分别进行特征提取及处理，解决数据之间维度不对应的问题；应用于采用零散浮标数据作输入，实现对区域网格化海浪场数据的输出，通过实海观测数据对区域海浪场进行重构；具体包括：
S1，实测数据标准化处理；
S2，任务海域海浪场数据获取及处理；结合浮标实测位置，设定任务海域范围，进一步获取开源海浪数据，并利用实海观测数据对多源数据进行对比及验证，最终筛选形成任务海域高精度海浪场数据；
S3，数据准备；基于浮标观测数据，对开源海浪场数据进行预处理，构建与浮标实测一一对应的海浪场数据集；构建形成标准浮标观测信息集及海浪场信息集；其中，浮标观测数据维度为浮标数量×时刻数；海浪场数据维度为海域内纬度网格数×经度网格数×时刻数；
S4，海浪重构模型构建：通过深度学习方法，构建海浪重构模型，利用海域内浮标观测得到的海浪信息，对区域海浪场进行计算，最终得到任务海域网格化海浪数据；
S5，模型精度验证；
S6，模式适应性评估：基于构建的海浪重构模型，对海浪重构模型的海域适应性进行分析，筛选浮标实测海浪数据，并结合开源数据集获取任务海域波浪场数据，最终构建形成适用于全球海域的海浪重构模型。
2.根据权利要求1所述的基于少量实海观测数据的区域海浪场智能构建方法，其特征在于，在步骤S1中，所述实测数据标准化处理包括：
对实海域浮标观测信息进行提取，包含数据采集时间、采集位置及海浪记录数据；对单浮标观测海浪数据进行初步分析，对时间缺测、数据不准情况进行补全及修正；对海域内多浮标数据进行统一及标准化处理；结合多浮标实采信息，提取包含共同时刻下的观测海浪数据，最终，构建形成标准实海域浮标观测数据。
3.根据权利要求1所述的基于少量实海观测数据的区域海浪场智能构建方法，其特征在于，在步骤S4中，所述海浪重构模型构建包括：
S401，通过全连接结构FCNN及卷积结构CNN，建立浮标观测数据与海域波浪场之间的映射关系；
S402，设置输入为与海域内浮标数量相等的向量；
S403，通过全连接结构FCNN，将输入向量映射到与待重构海浪场网格数相等的一列向量上；
S404，通过reshape操作，将该列向量重组成与海浪重构目标海域大小相同的矩阵；
S405，通过卷积结构CNN来提取数据的空间特征，并采用Relu激活函数对网络进行非线性处理；
S406，输出区域海浪浪高，实现对任务海域海浪场的重构。
4.根据权利要求3所述的基于少量实海观测数据的区域海浪场智能构建方法，其特征在于，在步骤S401中，所述建立浮标观测数据与海域波浪场之间的映射关系包括：将输入向量扩充至与待重构海浪场网格数相等的一列向量上，全连接层的每个神经元都与前一层神经元相连接，形成全连接结构FCNN。
5.根据权利要求3所述的基于少量实海观测数据的区域海浪场智能构建方法，其特征在于，步骤S405中，采用卷积结构CNN对经全连接结构FCNN及reshape构建的矩阵数据进行处理及特征提取，通过卷积核在输入张量上进行滑动计算，有效捕捉数据的空间关系，进而实现对数据特征的提取。
6.根据权利要求5所述的基于少量实海观测数据的区域海浪场智能构建方法，其特征在于，所述卷积结构CNN采用四层卷积，分别通过64，128，256，1个卷积核不断提取其空间特征，将数据转换为64×纬度网格数×经度网格数，128纬度网格数×经度网格数，256纬度网格数×经度网格数，1×纬度网格数×经度网格数的大小，最终构建形成与任务海域纬度数×经度数相对应的张量，实现对区域海浪浪高的重构。
7.根据权利要求1所述的基于少量实海观测数据的区域海浪场智能构建方法，其特征在于，在步骤S5中，所述模型精度验证包括：将海浪重构模型输出结果与开源数据及实测数据进行对比，实现对海浪重构模型的均方根误差，平均相对误差，相关系数验证。
8.一种基于少量实海观测数据的区域海浪场智能构建系统，其特征在于，该系统实施如权利要求1-7任意一项所述基于少量实海观测数据的区域海浪场智能构建方法，该系统包括：
实测数据标准化处理模块（1），用于对实海域浮标观测信息进行提取，对单浮标观测海浪数据进行初步分析，对时间缺测、数据不准情况进行补全及修正，对海域内多浮标数据进行统一及标准化处理，提取包含共同时刻下的观测海浪数据，以及构建形成标准实海域浮标观测数据；
任务海域海浪场数据获取及处理模块（2），用于结合浮标实测位置，设定任务海域范围，进一步获取开源海浪数据，并利用实海观测数据对多源数据进行对比及验证，最终筛选形成任务海域高精度海浪场数据；
数据准备模块（3），用于基于浮标观测数据，对开源海浪场数据进行预处理，构建与浮标实测一一对应的海浪场数据集，最终构建形成标准浮标观测信息集及海浪场信息集；
海浪重构模型构建模块（4），用于通过深度学习方法，构建海浪重构模型，利用海域内浮标观测得到的海浪信息，对区域海浪场进行计算，最终得到任务海域网格化海浪数据；
模型精度验证模块（5），用于将海浪重构模型输出结果与开源数据及实测数据进行对比，实现对海浪重构模型的验证；
模式适应性评估模块（6），用于在当前已构建海浪重构模型的基础上，进一步针对全球海域，对海浪重构模型的海域适应性进行分析，筛选浮标实测海浪数据，并结合开源数据集获取任务海域波浪场数据，最终构建形成适用于全球海域的海浪重构模型。
9.根据权利要求8所述的基于少量实海观测数据的区域海浪场智能构建系统，其特征在于，该系统搭载在计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于少量实海观测数据的区域海浪场智能构建系统的功能。
10.根据权利要求8所述的基于少量实海观测数据的区域海浪场智能构建系统，其特征在于，该系统搭载在计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述基于少量实海观测数据的区域海浪场智能构建系统的功能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282605.8A CN117875194B (zh) | 2024-03-13 | 2024-03-13 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410282605.8A CN117875194B (zh) | 2024-03-13 | 2024-03-13 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117875194A true CN117875194A (zh) | 2024-04-12 |
| CN117875194B CN117875194B (zh) | 2024-05-28 |
Family
ID=90585018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410282605.8A Active CN117875194B (zh) | 2024-03-13 | 2024-03-13 | 基于少量实海观测数据的区域海浪场智能构建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117875194B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366227A (zh) * | 2013-08-08 | 2013-10-23 | 牟林 | 一种海上搜救目标漂移路径的预测方法 |
| CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
| US20210039758A1 (en) * | 2018-04-16 | 2021-02-11 | John W. Tauriac | Real-time wave monitoring and sensing methods and systems |
| CN113128758A (zh) * | 2021-04-16 | 2021-07-16 | 北京玖天气象科技有限公司 | 基于近海浮标海浪观测数据构建的最大浪高预报系统 |
| CN114445634A (zh) * | 2022-02-28 | 2022-05-06 | 南京信息工程大学 | 一种基于深度学习模型的海浪波高预测方法及系统 |
| KR20220107446A (ko) * | 2021-01-25 | 2022-08-02 | 대우조선해양 주식회사 | 라이다를 이용한 해상이미지의 기계학습을 통한 파랑정보 추정시스템 |
| CN114935759A (zh) * | 2022-05-12 | 2022-08-23 | 中山大学 | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 |
| JP2023031628A (ja) * | 2021-08-25 | 2023-03-09 | 五洋建設株式会社 | 静穏度評価手法、予測モデル生成方法、静穏度評価装置、およびプログラム |
| CN116500611A (zh) * | 2023-03-21 | 2023-07-28 | 大连理工大学 | 一种基于深度学习的雷达波面图像海浪参数反演方法 |
| CN116644608A (zh) * | 2023-06-14 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 |
| 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 |
-
2024
- 2024-03-13 CN CN202410282605.8A patent/CN117875194B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103366227A (zh) * | 2013-08-08 | 2013-10-23 | 牟林 | 一种海上搜救目标漂移路径的预测方法 |
| US20210039758A1 (en) * | 2018-04-16 | 2021-02-11 | John W. Tauriac | Real-time wave monitoring and sensing methods and systems |
| CN109886217A (zh) * | 2019-02-26 | 2019-06-14 | 上海海洋大学 | 一种基于卷积神经网络从近岸海浪视频中检测浪高的方法 |
| KR20220107446A (ko) * | 2021-01-25 | 2022-08-02 | 대우조선해양 주식회사 | 라이다를 이용한 해상이미지의 기계학습을 통한 파랑정보 추정시스템 |
| CN113128758A (zh) * | 2021-04-16 | 2021-07-16 | 北京玖天气象科技有限公司 | 基于近海浮标海浪观测数据构建的最大浪高预报系统 |
| JP2023031628A (ja) * | 2021-08-25 | 2023-03-09 | 五洋建設株式会社 | 静穏度評価手法、予測モデル生成方法、静穏度評価装置、およびプログラム |
| CN114445634A (zh) * | 2022-02-28 | 2022-05-06 | 南京信息工程大学 | 一种基于深度学习模型的海浪波高预测方法及系统 |
| CN114935759A (zh) * | 2022-05-12 | 2022-08-23 | 中山大学 | 基于高频地波雷达观测的波浪场缺失值填补方法及系统 |
| CN116500611A (zh) * | 2023-03-21 | 2023-07-28 | 大连理工大学 | 一种基于深度学习的雷达波面图像海浪参数反演方法 |
| CN116644608A (zh) * | 2023-06-14 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 |
| 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 |
Non-Patent Citations (4)
| Title |
|---|
| 史剑;王璞;钟中;张军;: "两种网格下的SWAN模式对黄渤海海浪模拟比较", 海洋预报, no. 04, 15 August 2011 (2011-08-15) * |
| 宋巍;周旭;毕凡;郭东琳;高松;贺琪;白志鹏;: "近岸海浪视频浪高自动检测", 中国图象图形学报, no. 03, 16 March 2020 (2020-03-16) * |
| 戈书睿;艾未华;袁凌峰;程玉鑫;马烁;: "基于同步风场的机载SAR海浪参数反演方法", 海洋科学, no. 11, 15 November 2016 (2016-11-15) * |
| 黄礼敏: "海浪有义波高预报方法对比分析研究", 第十六届全国水动力学学术会议暨第三十二届全国水动力学研讨会论文集（下册）, 30 October 2021 (2021-10-30), pages 710 - 716 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117875194B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vanvyve et al. | Wind resource estimates with an analog ensemble approach | |
| Jing et al. | Numerical study of a CNN-based model for regional wave prediction | |
| CN115393540A (zh) | 基于深度学习的三维海洋环境场的智能融合方法及系统 | |
| CN111461423B (zh) | 一种高精度网格化空气质量推断方法、系统、终端设备及存储介质 | |
| CN113063737A (zh) | 结合遥感与浮标数据的海洋热含量遥感反演方法 | |
| Campos et al. | Global assessments of the NCEP Ensemble Forecast System using altimeter data | |
| CN114781576B (zh) | 一种基于随机森林算法的声速剖面估计方法及装置 | |
| Pierson | The Spectral Ocean Wave Model (SOWM), a northern hemisphere computer model for specifying and forecasting ocean wave spectra | |
| CN117875194B (zh) | 基于少量实海观测数据的区域海浪场智能构建方法及系统 | |
| Liao et al. | Numerical investigation of wind waves in the Persian Gulf: bathymetry effects | |
| Puscasu | Integration of artificial neural networks into operational ocean wave prediction models for fast and accurate emulation of exact nonlinear interactions | |
| CN115877345B (zh) | 一种风廓线雷达缺测数据的补齐方法和装置 | |
| CN116338628A (zh) | 一种基于学习架构的激光雷达测深方法、装置及电子设备 | |
| CN111505738A (zh) | 数值天气预报中气象因素的预测方法及设备 | |
| Portilla-Yandún et al. | Modeling multiple wave systems in the eastern equatorial Pacific | |
| CN113702923A (zh) | 一种雷达杂波模拟方法及电子设备 | |
| Wahle et al. | Detecting anomalous sea-level states in North Sea tide gauge data using an autoassociative neural network | |
| CN112861355A (zh) | 海表净辐射估算方法和系统 | |
| CN116090248B (zh) | 海浪谱保存、重构方法、系统及新的海浪嵌套模拟方法 | |
| CN117272182B (zh) | 一种逐日气温的预测方法、装置、介质及设备 | |
| Kim et al. | Reconstructing long-term wind data at an offshore met-mast location using cyclostationary empirical orthogonal functions | |
| Park et al. | Sensitivity analysis of global wind-wave model | |
| Zhao et al. | Weather-type statistical downscaling for ocean wave climate in the Chinese marginal seas | |
| Chen et al. | A variational wave height data assimilation system for NCEP operational wave models | |
| CN117131365B (zh) | 基于海气动力场数据的赤潮预测方法、系统及介质 |
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 |