JP2022191176A - Marine environmental element prediction method based on steof-lstm - Google Patents
Marine environmental element prediction method based on steof-lstm Download PDFInfo
- Publication number
- JP2022191176A JP2022191176A JP2022092764A JP2022092764A JP2022191176A JP 2022191176 A JP2022191176 A JP 2022191176A JP 2022092764 A JP2022092764 A JP 2022092764A JP 2022092764 A JP2022092764 A JP 2022092764A JP 2022191176 A JP2022191176 A JP 2022191176A
- Authority
- JP
- Japan
- Prior art keywords
- temporal
- spatio
- prediction
- marine
- scale
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
Abstract
Description
本発明は、海洋動力環境要素予測の技術分野に属し、具体的には、ＳＴＥＯＦ－ＬＳＴＭに基づく海洋環境要素予測方法に関する。 The present invention belongs to the technical field of marine dynamic environmental element prediction, and specifically relates to a marine environmental element prediction method based on STEOF-LSTM.
海洋予報には、主に数値予報及び統計予報という２つの手法が含まれる。数値予報は、現段階の海洋環境予報の主要な手法であるが、演算量が多く、初期条件に敏感であり、時間的制限を受けるなどの欠点がある。したがって、海洋動力環境要素の迅速かつ正確な予報を実現するために、数値予報よりも演算量が少なく時間的制限を受けない予報手法が強く求められている。 Marine forecasting mainly includes two methods: numerical forecasting and statistical forecasting. Numerical forecasting, which is currently the main method for marine environment forecasting, has drawbacks such as a large amount of computation, sensitivity to initial conditions, and time limitations. Therefore, there is a strong need for a forecasting method that requires less computation and is less time-constrained than numerical forecasting in order to achieve rapid and accurate forecasting of marine dynamic environmental factors.
統計予報手法は、海洋予報における重要な手法の１つとして、サンプルデータが十分に大きい場合には、研究対象の物理法則を考慮せずにデータ駆動の予報モデルを構築することができる。そのため、統計予報手法には、数値予報手法のような物理的な限界があるなどの問題は存在しない。現在、世界の大手機関による数値予報に関する研究が成熟しているが、延長予報や中長期予報に関しては、従来の数値予報手法では達成できず、統計予報手法を用いて実現する必要がある。したがって、海洋の統計解析による予報手法に関する研究が非常に必要であり、海洋環境の正確な予報や海洋情報のタイムリーな把握にも極めて重要な役割を果たしている。 Statistical forecasting techniques, as one of the important techniques in ocean forecasting, can construct data-driven forecasting models without considering the physical laws of the object of study if the sample data is large enough. Therefore, the statistical forecasting method does not have the physical limitations of the numerical forecasting method. Currently, research on numerical forecasting by the world's major organizations is mature, but regarding extended forecasts and medium- to long-term forecasts, conventional numerical forecasting methods cannot be achieved, and it is necessary to use statistical forecasting methods. Therefore, research on forecasting methods based on statistical analysis of the ocean is extremely necessary, and it plays an extremely important role in accurate forecasting of the marine environment and timely understanding of marine information.
従来の海洋環境解析予報では、手動による分類識別、海洋モデルシミュレーション及び従来の統計解析などの手法を採用することが多い。手動による分類識別は、主観的要素の影響を受けてデータに隠された情報を確実に反映することができず、海洋モデルシミュレーションは、演算量が多く、初期条件が精確ではなく、時間的な制限を受けるなどの欠点があり、従来の統計解析は、複雑な海洋プロセスに対して複雑な公式及び煩雑な演算によって優れた結果を得ることができない。そして、海洋の時空間データは、多くが非構造化又は半構造化データであり、データ間の関係が複雑又は無相関であるため、従来の統計解析及び海洋モデルシミュレーションに課題をもたらす。また、深層学習は、データ駆動であり、多層学習を通じてデータから有用な情報を抽出し、データ間の可能な関係を客観的にマイニングし、データの処理効率及び精度を高めることができ、海洋のビッグデータのスマート解析やマイニングに新たな契機を与える。したがって、深層学習を海洋の時空間系列データの予測研究に使用することにより、新技術と海洋現象の予測とを組み合わせ、従来の海洋モデルによる予測技術のボトルネック及び認知的制約を解消し、人工知能などのキー技術を海洋に使用する重要な手法を拡げ、中国の海洋環境の正確な予報や海洋情報のタイムリーな把握にも極めて重要な役割を果たしている。 Conventional marine environmental analysis and forecasting often employs techniques such as manual classification identification, ocean model simulation and conventional statistical analysis. Manual taxonomic identification cannot reliably reflect information hidden in the data due to subjective factors, and ocean model simulations are computationally intensive, have imprecise initial conditions, and are time sensitive. With drawbacks such as limitations, traditional statistical analyzes cannot yield good results for complex oceanic processes with complex formulas and tedious computations. And the spatio-temporal data of the ocean are mostly unstructured or semi-structured data, and the relationships between the data are complex or uncorrelated, which poses challenges to conventional statistical analysis and ocean model simulation. In addition, deep learning is data-driven and can extract useful information from data through multi-layer learning, objectively mine possible relationships between data, improve data processing efficiency and accuracy, Give new opportunities to smart analysis and mining of big data. Therefore, by using deep learning for prediction studies of ocean spatio-temporal series data, we combine new technologies with the prediction of ocean phenomena, overcome the bottlenecks and cognitive limitations of forecasting techniques by traditional ocean models, and create artificial It has expanded important methods of applying intelligence and other key technologies to the ocean, and has also played an extremely important role in accurate forecasting of China's marine environment and timely understanding of marine information.
深層学習は、海洋予報、特に海洋の複雑な時空間系列の予報分野において優れた効果及び高い将来性を有し、非静力学海洋モデルによる予報及び従来の統計予測手法と比べて、深層学習は、データ駆動モデルとして、複雑な時空間データ間の潜在的な関係を客観的にマイニングすることができ、海洋のビッグデータのスマート解析やマイニングに新たな契機を与える。したがって、深層学習を海洋の時空間系列データの予測研究に使用することにより、新技術と海洋現象の予測とを組み合わせ、従来の海洋モデルによる予測技術のボトルネック及び認知的制約を解消し、海洋環境の正確な予報や海洋情報のタイムリーな把握に極めて重要な役割を果たしている。 Deep learning has an excellent effect and high potential in the field of ocean forecasting, especially in the field of forecasting complex spatio-temporal sequences of the ocean. , as a data-driven model, can objectively mine potential relationships between complex spatio-temporal data, giving new impetus to smart analysis and mining of marine big data. Therefore, by using deep learning for prediction studies of ocean spatio-temporal series data, we combine new technology with forecasting of ocean phenomena, overcome the bottlenecks and cognitive limitations of forecasting techniques by conventional ocean models, It plays an extremely important role in accurate environmental forecasts and timely understanding of marine information.
本発明の目的は、ＳＴＥＯＦ－ＬＳＴＭに基づく海洋環境要素予測方法を提供することにある。 An object of the present invention is to provide a marine environment element prediction method based on STEOF-LSTM.
本発明の目的は、以下の技術的手段によって達成される。 The object of the present invention is achieved by the following technical means.
解析予測すべき海域の再解析データに基づいて、ランダム応答解析法及び経験的直交関数法により、海洋動力環境要素の数十年、年次、月、日のようなマルチスケールの時空間変動特性及び規則性を解析研究し、
海洋動力環境要素に対応する時系列をトレンド、周期、ランダムに分解して近似動的解析を行うステップ１と、
ランダム応答解析法で得られた月、日の小スケール時間情報に対して、時間スケールに対応するＳＴＥＯＦモデルを用いて中長期時空間解析予測を行い、小スケール予測結果を得るステップ２であって、
ある海洋動力環境要素に対して、対応する数年間の毎日の海洋動力環境要素の時空間サンプル行列
任意の時空間サンプル行列
時空間サンプル行列
行列変換により
固有ベクトル
任意の固有ベクトル
時空間パターンを行列
時空間観測及び時空間基底を用いて時空間系列を予測し、 時空間観測値
時空間基底
最小二乗推定法を用いて、時空間観測値のフィッティング係数及びフィッティング時空間基底を求め、フィッティング係数は、時空間観測の各時空間基底への射影であり、観測と時空間基底との類似性：
フィッティング係数及び予測時空間基底を再構成することにより時空間系列の未来値を予測し、時空間経験的直交関数解析法と最小二乗法とを組み合わせた時空間経験的直交関数予測モデルを用いて時空間系列を予測し、予測モデルは、下記式：
ＬＳＴＭモデルを用いて、ランダム応答解析法で得られた数十年、年次の大スケール時間情報を解析予測して、大スケール予測結果を得、
前記ＬＳＴＭモデルは、入力ゲート、出力ゲート、忘却ゲート及び記憶セルを含み、ＬＳＴＭモデルの訓練は、ＢＰＴＴアルゴリズムを用い、ＬＳＴＭセルの出力値を計算するステップと、時間及びネットワークレベルの２つの逆伝搬方向を含めて各ＬＳＴＭセルの誤差項を逆算するステップと、対応する誤差項に基づいて各重みの勾配を計算するステップと、勾配に基づく最適化アルゴリズムを使用して重みを更新するステップとを含み、
忘却ゲートは、前の状態
時空間経験的直交関数モデルの小スケール予報結果と長短期記憶ニューラルネットワークの大スケール予測結果とを再構成し、解析予測すべき海域の海洋動力環境要素の予測結果を得るステップ４とを含む。
Multi-scale spatio-temporal variation characteristics such as decades, years, months, and days of ocean dynamics environmental factors by random response analysis method and empirical orthogonal function method based on reanalysis data of the ocean area to be analyzed and predicted. and analyze and study the regularity,
step 1 of performing approximate dynamic analysis by decomposing the time series corresponding to the marine power environmental element into trends, cycles, and random;
Step 2 for obtaining small-scale prediction results by performing medium- to long-term spatio-temporal analysis prediction using the STEOF model corresponding to the time scale for the small-scale time information of month and day obtained by the random response analysis method, ,
For a given ocean dynamics environmental factor, a spatio-temporal sample matrix of daily ocean dynamics environmental factors for the corresponding years
arbitrary spatiotemporal sample matrix
spatio-temporal sample matrix
by matrix transformation
Eigenvector
any eigenvector
Matrix the spatiotemporal pattern
Predict spatio-temporal series using spatio-temporal observations and spatio-temporal bases, spatio-temporal observations
spatio-temporal basis
Using the least-squares estimation method, the fitting coefficients and fitting spatiotemporal bases of the spatiotemporal observations are obtained. :
Predict future values of spatio-temporal series by reconstructing fitting coefficients and prediction spatio-temporal bases, and use a spatio-temporal empirical orthogonal function prediction model that combines spatio-temporal empirical orthogonal function analysis and least squares method Forecast the spatio-temporal series, the forecast model is the following formula:
Using the LSTM model, analyze and predict decades of annual large-scale time information obtained by the random response analysis method to obtain large-scale prediction results,
The LSTM model includes input gates, output gates, forget gates and memory cells, and the training of the LSTM model uses the BPTT algorithm to calculate the output values of the LSTM cells and two back propagations at the time and network level. back-calculating the error terms for each LSTM cell, including the direction; calculating the gradient for each weight based on the corresponding error term; and updating the weights using a gradient-based optimization algorithm. including
The forget gate is the previous state
a step 4 of reconstructing the small-scale forecast results of the spatiotemporal empirical orthogonal function model and the large-scale forecast results of the long-short-term memory neural network to obtain the forecast results of the marine dynamics environmental elements in the sea area to be analytically predicted;
ランダム応答解析法を用いて指定海域の海洋動力環境要素の時空間系列データのマルチスケール解析及び変換を実現し、海洋動力環境要素の時空間系列データの大スケール成分及び小スケール成分を得、ＳＴＥＯＦに基づいて小スケール時間情報の予報を実現し、大スケール時間情報を用いてＬＳＴＭモデルを構築して大スケール時間情報の予報を実現し、ＳＴＥＯＦの高頻度予報結果とＬＳＴＭニューラルネットワークの低頻度予報結果とを重畳して、大スケール情報と小スケール情報との再構成を実現し、最終的な海洋動力環境要素の予報結果を得る。 Realize multi-scale analysis and transformation of spatio-temporal series data of marine dynamic environmental factors in a designated sea area using random response analysis method, obtain large scale components and small scale components of spatio-temporal series data of marine dynamic environmental factors, STEOF Realize the prediction of small-scale time information based on , use the large-scale time information to build an LSTM model to realize the prediction of large-scale time information, and combine the high-frequency forecast result of STEOF and the low-frequency forecast of LSTM neural network. The results are superimposed to realize the reconstruction of the large-scale information and the small-scale information, and obtain the final prediction results of the marine dynamics environmental factors.
発明の効果
本発明は、広範囲、長期間の海洋再解析データに基づいて、時間領域マルチスケール解析手法及び深層学習手法によって海洋動力環境要素の規則をマイニングし、海洋動力環境要素のための統計予測モデルを構築することで、海洋動力環境要素の中長期の時空間統計予報を実現する。本発明は、従来の海洋数値モデル予報手法の時間的制限という問題を克服し、従来の数値予報手法では気候駆動の時間的制限により海洋動力環境要素の予報時効が短いという欠陥を効果的に抑制することができ、計算資源の使用量が少ない。海洋動力環境要素の中長期予測能力を大幅に向上させ、海洋の数値予報製品の失効後の広範囲、長期間の海洋動力環境要素の予報や予測という技術的課題を解決するために技術サポートを提供する。そして、高い科学的意義及び応用価値を有する。
Effect of the Invention The present invention mines rules of marine dynamics environmental factors by time-domain multi-scale analysis method and deep learning method based on wide-range and long-term ocean reanalysis data, and makes statistical predictions for marine dynamics environmental factors. By constructing a model, medium- and long-term spatio-temporal statistical forecasts of marine dynamics environmental factors are realized. The present invention overcomes the time limitation problem of conventional numerical ocean model forecasting methods, effectively suppressing the shortcomings of short forecast aging of ocean-powered environmental factors in conventional numerical prediction methods due to climate-driven time limitations. and uses less computational resources. Provide technical support to solve the technical challenges of forecasting and predicting long-range and long-range marine dynamic environmental factors after the expiry of marine numerical forecasting products do. And it has high scientific significance and application value.
以下、図面を参照しながら本発明を詳細に説明する。 The present invention will be described in detail below with reference to the drawings.
本発明は、海洋動力環境要素の予測技術に関し、特に、ＳＴＥＯＦ－ＬＳＴＭ混合モデルと呼ばれる時空間経験的直交関数（Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｅｍｐｉｒｉｃａｌ Ｏｒｔｈｏｇｏｎａｌ Ｆｕｎｃｔｉｏｎ，ＳＴＥＯＦ）及び長短期記憶ネットワーク（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）の組み合わせに基づく海洋動力環境要素の中長期統計予測方法に関する。本発明は、主に艦船、水中／水面無人潜水機、海上工事などのプラットフォームの出航期間の海洋動力環境要素の解析予報作業に使用され、海面高度、海面水温、塩分及び密度などの要素に対して３ヶ月の中長期解析予報を行う。 The present invention relates to the prediction technology of marine dynamic environmental factors, in particular, the spatiotemporal empirical orthogonal function (STEOF) and long short-term memory network (Long Short-Term Memory, LSTM) called STEOF-LSTM mixed model. It relates to a medium- to long-term statistical forecasting method for marine dynamics environmental factors based on the combination of The present invention is mainly used in the analysis and forecasting of marine dynamic environmental factors during the departure period of platforms such as ships, underwater/surface unmanned submersibles, and offshore construction. medium- to long-term analysis forecast for three months.
本発明の目的は、艦船、水中／水面無人潜水機、海上工事などのプラットフォームの海洋環境の保障要件に対して、海洋のマルチソース、異種、マルチモーダルのデータ特性に適する時空間ビッグデータマイニング解析及び予測予報手法を研究することによって、人工知能に基づく海洋動力環境要素の中長期解析予報方法を提出することにある。この方法は、従来の数値予報手法では気候駆動の時間的制限により海洋動力環境要素の予報時効が短いという欠陥を効果的に抑制することができる。本発明の海洋動力環境要素の解析予報方法によれば、海洋動力環境要素に対して３ヶ月にわたる統計解析予報を行うことができ、海洋の数値予報製品の失効後の広範囲、長期間の海洋動力環境要素の予報や予測という技術的課題を解決するために技術サポートを提供して、高い科学的意義及び応用価値を有する。 The purpose of the present invention is to apply spatio-temporal big data mining analysis suitable for multi-source, heterogeneous and multi-modal data characteristics of the ocean to the marine environment security requirements of platforms such as ships, underwater/surface unmanned submersibles, and offshore construction. And by researching prediction and forecasting methods, it is to propose a medium- and long-term analysis and forecasting method for marine dynamics environmental factors based on artificial intelligence. This method can effectively suppress shortcomings of short forecast aging of ocean-powered environmental factors due to climate-driven temporal limitations in conventional numerical forecasting methods. According to the analysis and forecast method of the marine dynamics environmental factors of the present invention, it is possible to perform statistical analysis forecasts for the marine dynamics environmental factors over a three-month period. It provides technical support for solving the technical problems of forecasting and predicting environmental factors, and has high scientific significance and application value.
本発明は、広範囲、長期間の海洋再解析データに基づいて、マルチスケールの時空間特性を研究して、関連関係への影響を総合的に考慮した上で、ランダム応答解析法及び経験的直交関数法により、海洋動力環境要素の時空間系列に対して時空間特性の抽出を行い、長短期記憶ネットワーク及び時空間経験的直交関数に基づいて、海洋動力環境要素の時空間特性に対してマルチスケールの解析予測を行うことで、海洋動力環境要素の長期間、広範囲の時空間予測を実現する。本発明は、従来の海洋数値モデル予報手法の時間的制限という問題を克服し、海洋動力環境要素の中長期予測能力を大幅に向上させ、海洋の数値予報製品の失効後の広範囲、長期間の海洋動力環境要素の予報や予測という技術的課題を解決するために技術サポートを提供する。 Based on extensive and long-term ocean reanalysis data, the present invention studies multi-scale spatio-temporal characteristics, comprehensively considers their impact on association relationships, and employs random response analysis methods and empirical orthogonal We extract the spatiotemporal characteristics of the spatiotemporal series of marine dynamic environmental elements by the function method, and based on the long-short-term memory network and the spatiotemporal empirical orthogonal function, we multiply the spatial and temporal characteristics of the marine dynamic environmental elements. Long-term and wide-range spatio-temporal predictions of marine dynamics environmental factors are realized by performing analytical predictions of scales. The present invention overcomes the time limitation problem of conventional ocean numerical model forecasting methods, greatly improves the medium- and long-term forecasting ability of ocean dynamics environmental factors, and provides wide-range and long-term forecasting after the expiry of ocean numerical forecasting products. Provide technical support to solve the technical challenges of forecasting and predicting marine dynamic environmental factors.
ＳＴＥＯＦ－ＬＳＴＭに基づく海洋環境要素予測方法は、次のステップ１～ステップ４を含む。 The marine environment factor prediction method based on STEOF-LSTM includes the following steps 1 to 4.
ステップ１：解析予測すべき海域の再解析データに基づいて、ランダム応答解析法及び経験的直交関数法により、海洋動力環境要素の数十年、年次、月、日のようなマルチスケールの時空間変動特性及び規則性を解析研究する。
マルチスケール解析法は、長期時系列の再解析データにより、グローバル海域及び中国周辺海域の海面水温、海面塩分、海面高度及び海面流速場を含めた様々な海洋動力環境要素のマルチスケールの時空間変動特性及び規則性を解析研究し、グローバル海域及び中国周辺海域の海洋動力環境要素の数十年、年次、月、日のような異なる時間スケールの変動規則及び空間分布特性を把握する。
Step 1: Based on the re-analysis data of the ocean area to be analyzed and predicted, multi-scale time such as decades, years, months, and days of ocean dynamics environmental factors by random response analysis method and empirical orthogonal function method Analytical research on spatial variation characteristics and regularity.
The multi-scale analysis method uses long-term time-series reanalysis data to identify multi-scale spatio-temporal variations of various marine dynamics environmental factors, including sea surface temperature, sea surface salinity, sea surface altitude, and sea surface current field in the global sea area and the sea area around China. Analyze and study the characteristics and regularities, and grasp the variation rules and spatial distribution characteristics of different time scales such as decades, years, months and days of marine dynamics environmental factors in global seas and waters around China.
グローバル海域の海洋動力環境要素を長期に動的変動する系列と見なし、主にその年、月、日の変動及びトレンド、周期特性をランダム応答解析法により解析する。
ランダム応答解析法：気候、人為的、他の外乱要素の影響を受けて、海洋動力環境要素が所定のトレンド性、周期性及びランダム性を示し、このような時系列が安定性ランダム時系列と呼ばれる。このような時系列の解析は、主にトレンド（Ｔｒｅｎｄ）、季節（ｓｅａｓｏｎａｌ）、周期（Ｃｙｃｌｅ）、ランダム（Ｒａｎｄ）に分解して近似動的解析を行う。海洋動力環境要素の時系列を分解して、
Random response analysis method: Under the influence of climate, human, and other disturbance factors, ocean dynamics environmental factors exhibit a certain trend, periodicity, and randomness, and such time series are called stability random time series. Called. Such a time-series analysis is mainly broken down into trends, seasons, cycles, and randoms, and approximate dynamic analysis is performed. Decomposing the time series of marine dynamics environmental factors,
ステップ２：ランダム応答解析法で得られた月、日の小スケール時間情報に対して、時間スケールに対応する時空間経験的直交関数モデルを用いて中長期時空間解析予測を行い、小スケール予測結果を得る。本発明は、時空間経験的直交関数（Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｅｍｐｉｒｉｃａｌ Ｏｒｔｈｏｇｏｎａｌ Ｆｕｎｃｔｉｏｎ，ＳＴＥＯＦ）を用いて、年次信号以内の時系列情報を空間的配列のベクトルに埋め込み、時空間経験的直交関数法は、ある海洋動力環境要素に対して、対応する解析すべき空間の数年間の毎日の海洋動力環境要素の時空間サンプル行列
を示す）であり、
任意の時空間サンプル行列
arbitrary spatiotemporal sample matrix
時空間サンプル行列
固有ベクトル
Eigenvector
任意の固有ベクトル
式中、各列の固有ベクトル値は、１対１に対応する非零固有値を有し、この操作が時空間経験的直交関数解析と呼ばれる。時空間経験的直交関数解析で得られた固有ベクトルは、空間情報及び時間情報を含む空間パターンの時系列であり、時空間基底と呼ばれる。各時空間基底は、空間パターンの時間的変動過程を示す。したがって、時空間経験的直交関数解析法は、履歴データに基づいて空間パターンの時間的変動の主な特性を抽出する。
any eigenvector
where the eigenvector values in each column have a one-to-one correspondence of nonzero eigenvalues, and this operation is called spatio-temporal empirical orthogonal function analysis. The eigenvectors obtained by spatio-temporal empirical orthogonal function analysis are time series of spatial patterns containing spatial and temporal information and are called spatio-temporal basis. Each spatiotemporal basis represents the temporal variation process of the spatial pattern. Thus, the spatio-temporal empirical orthogonal function analysis method extracts key features of the temporal variation of spatial patterns based on historical data.
時空間パターンを行列
提案された時空間経験的直交関数解析法により、解析すべき海域の海洋動力環境要素の予測を時間外挿から、履歴時系列変動から類似過程を探るものに変える。複数の時空間系列の解析結果により時空間基底群を構成して、時空間観測及び時空間基底により時空間系列を予測する。 The proposed spatio-temporal empirical orthogonal function analysis method transforms the prediction of marine dynamics environmental factors in the ocean area to be analyzed from time extrapolation to searching for similar processes from historical time-series variations. A spatio-temporal basis group is constructed from the analysis results of a plurality of spatio-temporal series, and the spatio-temporal series is predicted from spatio-temporal observations and spatio-temporal basis.
時空間観測値
時空間基底
時空間行列の固有ベクトルは互いに直交し、即ち時空間基底は線形独立なものである。線形独立な基底関数に対しては、最小二乗推定法（ＬＳＥ）が最適なフィッティング方法である。最小二乗推定法を用いて、時空間観測値のフィッティング係数及びフィッティング時空間基底を求める。フィッティング係数は、時空間観測の各時空間基底への射影であり、観測と時空間基底との類似性：
各時空間基底は、１つの時空間系列の変動規則の記述とみなされることができる。したがって、フィッティング段階の時空間系列の規則が時空間基底で記述できる場合に、予測段階の時空間系列の変動も同じ規則に合致することになる。これにより、フィッティング係数及び予測時空間基底を再構成することにより時空間系列の未来値を予測する。従って、時空間経験的直交関数解析法と最小二乗法とを組み合わせた時空間経験的直交関数予測モデルを用いて時空間系列を予測し、予測モデルは、下記式：
ステップ３：長短期記憶ニューラルネットワーク法を用いて、ランダム応答解析法で得られた数十年、年次の大スケール時間情報を解析予測して、大スケール予測結果を得る。長短期記憶ネットワーク（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ ｎｅｔｗｏｒｋｓ，ＬＳＴＭｓ）は、長期依存性の問題を解決するために設計された、動的なゲーティングメカニズムを含む特別なＲＮＮネットワークであり、入力ゲート、出力ゲート、忘却ゲート、記憶セルから構成され、具体的な構成が図２に示される。 Step 3: Using the long-short-term memory neural network method, large-scale prediction results are obtained by analyzing and predicting the large-scale time information of several decades and years obtained by the random response analysis method. Long Short Term Memory networks (LSTMs) are special RNN networks designed to solve the problem of long-term dependencies, containing dynamic gating mechanisms, consisting of input gates, output gates, It is composed of forget gates and memory cells, and a specific configuration is shown in FIG.
ＬＳＴＭ内部のデータストリームに対して、忘却ゲートは、前の状態
ステップ４：時空間経験的直交関数モデルの小スケール予報結果と長短期記憶ニューラルネットワークの大スケール予測結果とを再構成し、解析予測すべき海域の海洋動力環境要素の予測結果を得る。本発明の再構成方法は、本発明に係るランダム応答解析、時空間経験的直交関数（Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｅｍｐｉｒｉｃａｌ Ｏｒｔｈｏｇｏｎａｌ Ｆｕｎｃｔｉｏｎ，ＳＴＥＯＦ）及び長短期記憶ネットワーク（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）に基づく海洋動力環境要素予報モデルは、ＳＴＥＯＦ－ＬＳＴＭモデルと呼ばれ、ランダム応答解析法を用いて指定海域の海洋動力環境要素の時空間系列データのマルチスケール解析及び変換を実現し、海洋動力環境要素の時空間系列データの大スケール成分及び小スケール成分を得、ＳＴＥＯＦに基づいて小スケール時間情報の予報を実現し、大スケール時間情報を用いてＬＳＴＭニューラルネットワークを構築して大スケール時間情報の予報を実現し、ＳＴＥＯＦの高頻度予報結果とＬＳＴＭニューラルネットワークの低頻度予報結果とを重畳して、大スケール情報と小スケール情報との再構成を実現し、最終的な海洋動力環境要素の予報結果を得る。 Step 4: Reconfigure the small-scale forecast results of the spatio-temporal empirical orthogonal function model and the large-scale forecast results of the long-short-term memory neural network to obtain the forecast results of the marine dynamics environmental factors in the sea area to be analyzed and predicted. The reconstruction method of the present invention is based on the random response analysis of the present invention, the spatiotemporal empirical orthogonal function (STEOF) and the long short-term memory network (Long Short-Term Memory, LSTM). The forecast model is called the STEOF-LSTM model, which uses the random response analysis method to realize multi-scale analysis and transformation of the spatio-temporal series data of the marine dynamics environmental factors in the designated sea area. Obtain the large-scale component and the small-scale component of the STEOF, realize the prediction of small-scale time information based on STEOF, use the large-scale time information to construct an LSTM neural network to realize the prediction of large-scale time information, and obtain the STEOF superimpose the high-frequency forecast results of and the low-frequency forecast results of the LSTM neural network to realize the reconstruction of the large-scale information and the small-scale information, and obtain the final forecast results of the marine dynamics environmental factors.
従来技術に比べて、本発明の有益な効果は、艦船、水中／水面無人潜水機、海上工事などのプラットフォームの海洋環境の保障要件に対して、広範囲、長期間の海洋再解析データに基づいて、時間領域マルチスケール解析手法及び深層学習手法によって海洋動力環境要素の規則をマイニングし、海洋動力環境要素のための統計予測モデルを構築することで、海洋動力環境要素の中長期の時空間統計予報を実現する方法を提出する。海洋数値モデル予報と比較して、本発明は、従来の海洋数値モデル予報手法の時間的制限という問題を克服し、従来の数値予報手法では気候駆動の時間的制限により海洋動力環境要素の予報時効が短いという欠陥を効果的に抑制することができ、計算資源の使用量が少ない。海洋動力環境要素の中長期予測能力を大幅に向上させ、海洋の数値予報製品の失効後の広範囲、長期間の海洋動力環境要素の予報や予測という技術的課題を解決するために技術サポートを提供する。そして、高い科学的意義及び応用価値を有する。
実施例１
Compared with the prior art, the beneficial effect of the present invention is based on extensive and long-term ocean reanalysis data for the marine environment security requirements of platforms such as ships, underwater/surface unmanned submersibles, and offshore construction. , by mining rules of ocean dynamics environmental factors by time-domain multi-scale analysis method and deep learning method, constructing a statistical prediction model for ocean dynamics environmental factors, medium- and long-term spatio-temporal statistical forecasting of ocean dynamics environmental factors. Submit a method to realize Compared to numerical ocean model forecasting, the present invention overcomes the problem of time limitations of conventional numerical ocean model forecasting methods, and conventional numerical forecasting methods have a higher forecast aging of ocean-powered environmental factors due to climate-driven time limitations. It can effectively suppress the short-term defect and use less computational resources. Provide technical support to solve the technical challenges of forecasting and predicting long-range and long-range marine dynamic environmental factors after the expiry of marine numerical forecasting products do. And it has high scientific significance and application value.
Example 1
本発明は、艦船、水中／水面無人潜水機、海上工事などのプラットフォームの海洋環境の保障要件に対して、小型で高速かつ効果的な海洋動力環境要素の中長期解析予報方法を提出する。本発明の海洋動力環境要素の解析予報方法によれば、海洋動力環境要素に対して３ヶ月にわたる統計解析予報を行うことができ、海洋の数値予報製品の失効後の広範囲、長期間の海洋動力環境要素の予報や予測という技術的課題を解決するために技術サポートを提供して、高い科学的意義及び応用価値を有する。本発明は、以下の技術的手段を採用する。 The present invention provides a small, fast and effective medium- and long-term analysis and forecasting method for marine dynamic environmental factors for ships, underwater/surface unmanned submersibles, offshore construction and other platform marine environment protection requirements. According to the analysis and forecast method of the marine dynamics environmental factors of the present invention, it is possible to perform statistical analysis forecasts for the marine dynamics environmental factors over a three-month period. It provides technical support for solving the technical problems of forecasting and predicting environmental factors, and has high scientific significance and application value. The present invention employs the following technical means.
ステップ１：解析予測すべき海域の再解析データに基づいて、ランダム応答解析法及び経験的直交関数法により、海洋動力環境要素の数十年、年次、月、日のようなマルチスケールの時空間変動特性及び規則性を解析研究する。
マルチスケール解析法は、１９５８年１月１日～２０１６年１２月３１日の長期時系列の再解析データにより、グローバル海域及び中国周辺海域の海面水温、海面塩分、海面高度及び海面流速場を含めた様々な海洋動力環境要素の数十年、年次、月、日のようなマルチスケールの時空間変動特性及び規則性を解析研究し、グローバル海域及び中国周辺海域の海洋動力環境要素の数十年、年次、月、日のような異なる時間スケールの変動規則及び空間分布特性を把握する。
Step 1: Based on the re-analysis data of the ocean area to be analyzed and predicted, multi-scale time such as decades, years, months, and days of ocean dynamics environmental factors by random response analysis method and empirical orthogonal function method Analytical research on spatial variation characteristics and regularity.
The multi-scale analysis method uses long-term time-series reanalysis data from January 1, 1958 to December 31, 2016. Analyze and study multi-scale spatio-temporal variation characteristics and regularities such as decades, annual, monthly, and daily of various marine dynamics environmental factors, Grasping the variation rules and spatial distribution characteristics of different time scales such as yearly, yearly, monthly and daily.
以下、海面水温を例とし、ＳＴＥＯＦ－ＬＳＴＭ混合モデルに基づく海洋環境要素予測方法を紹介するが、他の海洋動力環境要素も同様にこの予測方法に適用する。 A method for predicting marine environmental factors based on the STEOF-LSTM mixed model will be introduced below, taking sea surface temperature as an example, but other marine dynamic environmental factors are similarly applied to this predicting method.
グローバル海域の海面水温を長期に動的変動する系列と見なし、主にその年、月、日の変動及びトレンド、周期特性をランダム応答解析法により解析する。
ランダム応答解析法：気候、人為的、他の外乱要素の影響を受けて、海面水温が所定のトレンド性、周期性及びランダム性を示し、このような時系列が安定性ランダム時系列と呼ばれる。このような時系列の解析は、主にトレンド（Ｔｒｅｎｄ）、季節（ｓｅａｓｏｎａｌ）、周期（Ｃｙｃｌｅ）、ランダム（Ｒａｎｄ）に分解して近似動的解析を行う。海面水温の時系列を分解して、
Random response analysis method: Under the influence of climate, man-made and other disturbance factors, the sea surface temperature shows a certain trend, periodicity and randomness, and such a time series is called a stability random time series. Such a time-series analysis is mainly broken down into trends, seasons, cycles, and randoms, and approximate dynamic analysis is performed. Decomposing the time series of sea surface temperature,
ステップ２：ランダム応答解析法で得られた海面水温の月、日の小スケール時間情報に対して、時間スケールに対応する時空間経験的直交関数モデルを用いて中長期時空間解析予測を行い、小スケール予測結果を得る。本発明は、時間範囲が１９５８年１月１日～２０１６年１２月３１日、空間範囲が９９°Ｅ～１５０°Ｅ、１０°Ｓ～５２°Ｎである海面水温の時空間系列を例とし、海面水温の小スケール情報の時空間予測を行った。時空間経験的直交関数（Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｅｍｐｉｒｉｃａｌ Ｏｒｔｈｏｇｏｎａｌ Ｆｕｎｃｔｉｏｎ，ＳＴＥＯＦ）を用いて、年次信号以内の時系列情報を空間的配列のベクトルに埋め込み、時空間経験的直交関数法は、海面水温のような海洋動力環境要素に対して、対応する解析すべき空間の数年間の毎日の海面水温の時空間サンプル行列
任意の時空間サンプル行列
arbitrary spatiotemporal sample matrix
時空間サンプル行列
固有ベクトル
Eigenvector
任意の固有ベクトル
式中、各列の固有ベクトル値は、１対１に対応する非零固有値を有し、この操作が時空間経験的直交関数解析と呼ばれる。時空間経験的直交関数解析で得られた固有ベクトルは、空間情報及び時間情報を含む空間パターンの時系列であり、時空間基底と呼ばれる。各時空間基底は、空間パターンの時間的変動過程を示す。したがって、時空間経験的直交関数解析法は、履歴データに基づいて空間パターンの時間的変動の主な特性を抽出する。
any eigenvector
where the eigenvector values in each column have a one-to-one correspondence of nonzero eigenvalues, and this operation is called spatio-temporal empirical orthogonal function analysis. The eigenvectors obtained by spatio-temporal empirical orthogonal function analysis are time series of spatial patterns containing spatial and temporal information and are called spatio-temporal basis. Each spatiotemporal basis represents the temporal variation process of the spatial pattern. Thus, the spatio-temporal empirical orthogonal function analysis method extracts key features of the temporal variation of spatial patterns based on historical data.
時空間パターンを行列
提案された時空間経験的直交関数解析法により、解析すべき海域の海洋動力環境要素の予測を時間外挿から、履歴時系列変動から類似過程を探るものに変える。複数の時空間系列の解析結果により時空間基底群を構成して、時空間観測及び時空間基底により時空間系列を予測した。 The proposed spatio-temporal empirical orthogonal function analysis method transforms the prediction of marine dynamics environmental factors in the ocean area to be analyzed from time extrapolation to searching for similar processes from historical time-series variations. A spatio-temporal basis group was constructed from the analysis results of multiple spatio-temporal series, and the spatio-temporal series were predicted from spatio-temporal observations and spatio-temporal basis.
時空間観測値
時空間基底
時空間行列の固有ベクトルは互いに直交し、即ち時空間基底は線形独立なものである。線形独立な基底関数に対しては、最小二乗推定法（ＬＳＥ）が最適なフィッティング方法である。最小二乗推定法を用いて、時空間観測値のフィッティング係数及びフィッティング時空間基底を求めた。フィッティング係数は、時空間観測の各時空間基底への射影であり、観測と時空間基底との類似性：
各時空間基底は、１つの時空間系列の変動規則の記述とみなされることができる。したがって、フィッティング段階の時空間系列の規則が時空間基底で記述できる場合に、予測段階の時空間系列の変動も同じ規則に合致することになる。これにより、フィッティング係数及び予測時空間基底を再構成することにより時空間系列の未来値を予測する。従って、時空間経験的直交関数解析法と最小二乗法とを組み合わせた時空間経験的直交関数予測モデルを用いて時空間系列を予測し、予測モデルは、下記式：
上述した時空間経験的直交関数法により海面水温の時空間系列の小スケール情報の時空間予測を行うことができ、本発明は、時間範囲が１９５８年１月１日～２０１６年１２月３１日、空間範囲が９９°Ｅ～１５０°Ｅ、１０°Ｓ～５２°Ｎである海面水温の時空間系列を例とし、海面水温の小スケール情報の時空間予測を実現した。 The spatio-temporal empirical orthogonal function method described above can perform spatio-temporal prediction of small-scale information of the spatio-temporal series of sea surface temperatures, and the present invention has a time range from January 1, 1958 to December 31, 2016. , the spatio-temporal series of sea surface temperature with spatial ranges of 99°E to 150°E and 10°S to 52°N as an example.
ステップ３：長短期記憶ニューラルネットワーク法を用いて、ランダム応答解析法で得られた数十年、年次の大スケール時間情報を解析予測して、大スケール予測結果を得る。 Step 3: Using the long-short-term memory neural network method, large-scale prediction results are obtained by analyzing and predicting the large-scale time information of several decades and years obtained by the random response analysis method.
長短期記憶ネットワーク（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ ｎｅｔｗｏｒｋｓ，ＬＳＴＭｓ）は、長期依存性の問題を解決するために設計された、動的なゲーティングメカニズムを含む特別なＲＮＮネットワークであり、入力ゲート、出力ゲート、忘却ゲート、記憶セルから構成され、具体的な構成が図２に示される。本発明は、時間範囲が１９５８年１月１日～２０１６年１２月３１日である海面水温の時空間系列を例とし、海面水温の大スケール情報の予測を行った。 Long Short Term Memory networks (LSTMs) are special RNN networks designed to solve the problem of long-term dependencies, containing dynamic gating mechanisms, consisting of input gates, output gates, It is composed of forget gates and memory cells, and a specific configuration is shown in FIG. In the present invention, the spatio-temporal series of sea surface temperature in the time range from January 1, 1958 to December 31, 2016 was used as an example to predict large-scale information on sea surface temperature.
ＬＳＴＭ内部のデータストリームに対して、忘却ゲートは、前の状態
上述した長短期記憶ネットワーク法により海面水温の大スケール情報の予測を行うことができ、本発明は、時間範囲が１９５８年１月１日～２０１６年１２月３１日である海面水温の時空間系列を例とし、海面水温の大スケール情報の予測を実現した。 Large-scale information of sea surface temperature can be predicted by the long-short-term memory network method described above, and the present invention is a spatio-temporal series of sea surface temperature whose time range is from January 1, 1958 to December 31, 2016. As an example, we realized large-scale information prediction of sea surface temperature.
ステップ４：時空間経験的直交関数モデルの小スケール予報結果と長短期記憶ニューラルネットワークの大スケール予測結果とを再構成し、解析予測すべき海域の海洋動力環境要素の予測結果を得る。本発明の再構成方法は、本発明に係るランダム応答解析、時空間経験的直交関数（Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｅｍｐｉｒｉｃａｌ Ｏｒｔｈｏｇｏｎａｌ Ｆｕｎｃｔｉｏｎ，ＳＴＥＯＦ）及び長短期記憶ネットワーク（Ｌｏｎｇ Ｓｈｏｒｔ－Ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）に基づく海洋動力環境要素予報モデルは、図３に示すようなＳＴＥＯＦ－ＬＳＴＭモデルと呼ばれ、ランダム応答解析法を用いて指定海域の海洋動力環境要素の時空間系列データのマルチスケール解析及び変換を実現し、海洋動力環境要素の時空間系列データの大スケール成分及び小スケール成分を得、ＳＴＥＯＦに基づいて小スケール時間情報の予報を実現し、大スケール時間情報を用いてＬＳＴＭニューラルネットワークを構築して大スケール時間情報の予報を実現し、ＳＴＥＯＦの高頻度予報結果とＬＳＴＭニューラルネットワークの低頻度予報結果とを重畳して、大スケール情報と小スケール情報との再構成を実現し、最終的な海洋動力環境要素の予報結果を得る。 Step 4: Reconfigure the small-scale forecast results of the spatio-temporal empirical orthogonal function model and the large-scale forecast results of the long-short-term memory neural network to obtain the forecast results of the marine dynamics environmental factors in the sea area to be analyzed and predicted. The reconstruction method of the present invention is based on the random response analysis of the present invention, the spatiotemporal empirical orthogonal function (STEOF) and the long short-term memory network (Long Short-Term Memory, LSTM). The forecast model is called the STEOF-LSTM model as shown in Fig. 3, and uses the random response analysis method to realize multi-scale analysis and conversion of the spatio-temporal series data of the marine dynamics environment elements in the designated sea area. Obtain the large-scale and small-scale components of the spatio-temporal series data of the elements, realize the prediction of small-scale temporal information based on STEOF, and use the large-scale temporal information to construct an LSTM neural network to Superimpose the high-frequency forecast results of STEOF and the low-frequency forecast results of the LSTM neural network to realize the reconstruction of large-scale information and small-scale information, and finally forecast the marine dynamics environmental elements. Get results.
本実施例は、時間範囲が１９５８年１月１日～２０１６年１２月３１日、空間範囲が９９°Ｅ～１５０°Ｅ、１０°Ｓ～５２°Ｎである海面水温の時空間系列を例とし、図４ａ～図４ｃは、深さ０ｍの層のモデル別の予報結果と実測値とを比較した図であり、図４ａは９０日間の実測値であり、図４ｂはＳＴＥＯＦ－ＬＳＴＭ法による９０日間の予報結果であり、図４ｃはＳＴＥＯＦ法による９０日間の予報結果である。 This example illustrates a spatio-temporal series of sea surface temperatures with a time range of January 1, 1958 to December 31, 2016, and a spatial range of 99°E to 150°E, 10°S to 52°N. 4a to 4c are diagrams comparing forecast results and actual measurements for each model of a layer at a depth of 0m. These are the forecast results for 90 days, and FIG. 4c is the forecast result for 90 days by the STEOF method.
以上の説明は、本発明の好ましい実施例に過ぎず、本発明を限定するためのものではない。当業者であれば、本発明に様々な変更や変化を加えることができる。本発明の精神及び原則内で行われたあらゆる修正、同等置換、改良などは、いずれも本発明の保護範囲に含まれるべきである。 The above descriptions are only preferred embodiments of the present invention and are not intended to limit the present invention. Various modifications and changes can be made to the present invention by those skilled in the art. Any modification, equivalent replacement, improvement, etc. made within the spirit and principle of the present invention shall all fall within the protection scope of the present invention.
Claims (1)
海洋動力環境要素に対応する時系列をトレンド、周期、ランダムに分解して近似動的解析を行うステップ１と、
ランダム応答解析法で得られた月、日の小スケール時間情報に対して、時間スケールに対応するＳＴＥＯＦモデルを用いて中長期時空間解析予測を行い、小スケール予測結果を得るステップ２であって、
ある海洋動力環境要素に対して、対応する数年間の毎日の海洋動力環境要素の時空間サンプル行列
任意の時空間サンプル行列
時空間サンプル行列
行列変換により
固有ベクトル
任意の固有ベクトル
時空間パターンを行列
時空間観測及び時空間基底を用いて時空間系列を予測し、
時空間観測値
時空間基底
最小二乗推定法を用いて、時空間観測値のフィッティング係数及びフィッティング時空間基底を求め、フィッティング係数は、時空間観測の各時空間基底への射影であり、観測と時空間基底との類似性：
フィッティング係数及び予測時空間基底を再構成することにより時空間系列の未来値を予測し、時空間経験的直交関数解析法と最小二乗法とを組み合わせた時空間経験的直交関数予測モデルを用いて時空間系列を予測し、予測モデルは、下記式：
ＬＳＴＭモデルを用いて、ランダム応答解析法で得られた数十年、年次の大スケール時間情報を解析予測して、大スケール予測結果を得、
前記ＬＳＴＭモデルは、入力ゲート、出力ゲート、忘却ゲート及び記憶セルを含み、ＬＳＴＭモデルの訓練は、ＢＰＴＴアルゴリズムを用い、ＬＳＴＭセルの出力値を計算するステップと、時間及びネットワークレベルの２つの逆伝搬方向を含めて各ＬＳＴＭセルの誤差項を逆算するステップと、対応する誤差項に基づいて各重みの勾配を計算するステップと、勾配に基づく最適化アルゴリズムを使用して重みを更新するステップとを含み、
忘却ゲートは、前の状態
時空間経験的直交関数モデルの小スケール予報結果と長短期記憶ニューラルネットワークの大スケール予測結果とを再構成し、解析予測すべき海域の海洋動力環境要素の予測結果を得るステップ４とを含み、
ランダム応答解析法を用いて指定海域の海洋動力環境要素の時空間系列データのマルチスケール解析及び変換を実現し、海洋動力環境要素の時空間系列データの大スケール成分及び小スケール成分を得、ＳＴＥＯＦに基づいて小スケール時間情報の予報を実現し、大スケール時間情報を用いてＬＳＴＭモデルを構築して大スケール時間情報の予報を実現し、ＳＴＥＯＦの高頻度予報結果とＬＳＴＭニューラルネットワークの低頻度予報結果とを重畳して、大スケール情報と小スケール情報との再構成を実現し、最終的な海洋動力環境要素の予報結果を得ることを特徴とする、ＳＴＥＯＦ－ＬＳＴＭに基づく海洋環境要素予測方法。 Multi-scale spatio-temporal variation characteristics such as decades, years, months, and days of ocean dynamics environmental factors by random response analysis method and empirical orthogonal function method based on reanalysis data of the ocean area to be analyzed and predicted. and analyze and study the regularity,
step 1 of performing approximate dynamic analysis by decomposing the time series corresponding to the marine power environmental element into trends, cycles, and random;
Step 2 for obtaining small-scale prediction results by performing medium- to long-term spatio-temporal analysis prediction using the STEOF model corresponding to the time scale for the small-scale time information of month and day obtained by the random response analysis method, ,
For a given ocean dynamics environmental factor, a spatio-temporal sample matrix of daily ocean dynamics environmental factors for the corresponding years
arbitrary spatiotemporal sample matrix
spatio-temporal sample matrix
by matrix transformation
Eigenvector
any eigenvector
Matrix the spatiotemporal pattern
predicting spatio-temporal series using spatio-temporal observations and spatio-temporal bases;
spatio-temporal observations
spatio-temporal basis
Using the least-squares estimation method, the fitting coefficients and fitting spatiotemporal bases of the spatiotemporal observations are obtained. :
Predict future values of spatio-temporal series by reconstructing fitting coefficients and prediction spatio-temporal bases, and use a spatio-temporal empirical orthogonal function prediction model that combines spatio-temporal empirical orthogonal function analysis and least squares method Forecast the spatio-temporal series, the forecast model is the following formula:
Using the LSTM model, analyze and predict decades of annual large-scale time information obtained by the random response analysis method to obtain large-scale prediction results,
The LSTM model includes input gates, output gates, forget gates and memory cells, and the training of the LSTM model uses the BPTT algorithm to calculate the output values of the LSTM cells and two back propagations at the time and network level. back-calculating the error terms for each LSTM cell, including the direction; calculating the gradient for each weight based on the corresponding error term; and updating the weights using a gradient-based optimization algorithm. including
The forget gate is the previous state
Reconfiguring the small-scale forecast results of the spatio-temporal empirical orthogonal function model and the large-scale forecast results of the long-short-term memory neural network to obtain the forecast results of the marine dynamics environmental elements of the sea area to be analyzed and predicted;
Realize multi-scale analysis and transformation of spatio-temporal series data of marine dynamic environmental factors in a designated sea area using random response analysis method, obtain large scale components and small scale components of spatio-temporal series data of marine dynamic environmental factors, STEOF Realize the prediction of small-scale time information based on , use the large-scale time information to build an LSTM model to realize the prediction of large-scale time information, and combine the high-frequency forecast result of STEOF and the low-frequency forecast of LSTM neural network. A method for predicting marine environment elements based on STEOF-LSTM, which is characterized by superimposing the results, realizing reconstruction of large-scale information and small-scale information, and obtaining the final forecast result of marine dynamics environment elements. .
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110659246.XA CN113297801B (en) | 2021-06-15 | 2021-06-15 | Marine environment element prediction method based on STEOF-LSTM |
| CN202110659246.X | 2021-06-15 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP7175415B1 JP7175415B1 (en) | 2022-11-18 |
| JP2022191176A true JP2022191176A (en) | 2022-12-27 |
Family
ID=77328166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022092764A Active JP7175415B1 (en) | 2021-06-15 | 2022-06-08 | Marine environment element prediction method based on STEOF-LSTM |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7175415B1 (en) |
| CN (1) | CN113297801B (en) |
| WO (1) | WO2022262500A1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797756A (en) * | 2023-08-16 | 2023-09-22 | 海博泰科技(青岛)有限公司 | Holographic ocean background field implementation method |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113297801B (en) * | 2021-06-15 | 2022-10-14 | 哈尔滨工程大学 | Marine environment element prediction method based on STEOF-LSTM |
| CN113945202A (en) * | 2021-10-25 | 2022-01-18 | 海南长光卫星信息技术有限公司 | Sea level height prediction method and system and readable storage medium |
| CN114139448B (en) * | 2021-11-29 | 2023-04-18 | 自然资源部第一海洋研究所 | Method, system, medium, terminal and application for optimizing sea-based observation network station layout |
| CN114510887B (en) * | 2022-01-20 | 2022-11-15 | 哈尔滨工程大学 | Method for rapidly predicting liquid level of large container under ocean condition based on proxy model |
| CN114528768B (en) * | 2022-02-22 | 2022-11-01 | 国家海洋环境预报中心 | Offshore single-point sea temperature intelligent forecasting method and device and computer readable storage medium |
| CN114706144A (en) * | 2022-02-24 | 2022-07-05 | 南方海洋科学与工程广东省实验室(湛江) | Marine environment forecasting method, device, system and storage medium |
| CN114841417B (en) * | 2022-04-18 | 2022-11-22 | 珠江水利委员会珠江水利科学研究院 | High-precision salt tide forecasting method and system and readable storage medium |
| CN114638441B (en) * | 2022-05-18 | 2022-08-16 | 环球数科集团有限公司 | Ocean current monitoring and early warning system based on satellite remote sensing image |
| CN114997055B (en) * | 2022-06-06 | 2024-04-05 | 安徽理工大学 | Sea level temperature time-frequency domain change characteristic analysis method |
| CN116148700B (en) * | 2023-01-10 | 2024-04-12 | 中国第一汽车股份有限公司 | Method for predicting state of battery and storage medium |
| CN116307853B (en) * | 2023-02-21 | 2024-03-22 | 广东海洋大学 | Method for analyzing annual change rule of southeast Indian southward equatorial flow |
| CN115859840B (en) * | 2023-02-27 | 2023-05-26 | 中国海洋大学 | Marine environment power element region extremum analysis method |
| CN115946820A (en) * | 2023-03-15 | 2023-04-11 | 天津大学 | Training method of floating environment data prediction model, floating control method and equipment |
| CN116307190B (en) * | 2023-03-21 | 2024-03-26 | 信通院(江西)科技创新研究院有限公司 | Orchard environment yield prediction method based on Bluetooth MESH network |
| CN116361624B (en) * | 2023-03-31 | 2023-12-19 | 成都理工大学 | Error feedback-based large-range ground subsidence prediction method and system |
| CN116822336B (en) * | 2023-06-01 | 2024-04-09 | 大连海事大学 | Multi-model combined tide forecasting method |
| CN116400101B (en) * | 2023-06-08 | 2023-08-29 | 自然资源部第一海洋研究所 | Near-surface ocean current data credibility judging method |
| CN116502478B (en) * | 2023-06-29 | 2023-09-01 | 中国电建集团华东勘测设计研究院有限公司 | Submarine topography monitoring-based pile-off auxiliary decision-making method for self-lifting platform |
| CN116992663A (en) * | 2023-08-01 | 2023-11-03 | 西南交通大学 | Actually measured flow profile construction method, device, equipment and storage medium |
| CN116992256B (en) * | 2023-09-26 | 2023-12-19 | 中国海洋大学 | Ocean tide prediction precision improving method |
| CN117150273B (en) * | 2023-10-30 | 2024-02-06 | 中国海洋大学 | Multi-point observation-based coherent structure identification method, system, equipment and medium |
| CN117237781B (en) * | 2023-11-16 | 2024-03-19 | 哈尔滨工业大学（威海） | Attention mechanism-based double-element fusion space-time prediction method |
| CN117668477B (en) * | 2024-01-31 | 2024-04-26 | 山东科技大学 | Intelligent lightweight processing method and system for ocean big data |
| CN117744411B (en) * | 2024-02-19 | 2024-04-16 | 交通运输部水运科学研究所 | Ship stall prediction method and system based on marine meteorological trend |
| CN117828315A (en) * | 2024-03-06 | 2024-04-05 | 广东工业大学 | Marine ecological environment monitoring system and method |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH1139288A (en) * | 1997-07-22 | 1999-02-12 | Chiyouko Saitou | Fluid vector data using discrete wavelet transformation |
| CN104134004B (en) * | 2014-07-31 | 2017-10-27 | 哈尔滨工程大学 | A kind of Marine Environmental Security appraisal procedure based on D S evidence theories |
| US10996374B1 (en) * | 2017-04-11 | 2021-05-04 | DatalnfoCom USA, Inc. | Short-term weather forecasting using artificial intelligence and hybrid data |
| CN107545250A (en) * | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | A kind of ocean floating motion Real-time Forecasting System based on the remote sensing of wave image and artificial intelligence |
| CN108107437B (en) * | 2017-09-28 | 2021-05-28 | 哈尔滨工程大学 | Marine environment monitoring method by using normal wave coupling interference |
| EP3534374B1 (en) * | 2018-03-01 | 2021-04-14 | Tata Consultancy Services Limited | System and method for detection of mild cognitive impairment in subjects |
| EP3539728A1 (en) * | 2018-03-17 | 2019-09-18 | Tata Consultancy Services Limited | System and method for fault detection in robotic actuation |
| CN108510132A (en) * | 2018-07-03 | 2018-09-07 | 华际科工（北京）卫星通信科技有限公司 | A kind of sea-surface temperature prediction technique based on LSTM |
| CN109978279B (en) * | 2019-04-10 | 2023-05-02 | 青岛农业大学 | Ocean surface temperature area prediction method |
| US20220198303A1 (en) * | 2019-04-15 | 2022-06-23 | Riken | Device, method and program for environmental factor estimation, learned model and recording medium |
| CN110222872B (en) * | 2019-05-12 | 2023-04-18 | 天津大学 | Ocean multi-factor medium and long term statistical prediction method based on empirical orthogonal function decomposition |
| CN111815041A (en) * | 2020-06-28 | 2020-10-23 | 青岛哈船海智科技有限公司 | Seawater temperature field prediction method based on improved EOF |
| CN111829527B (en) * | 2020-07-23 | 2021-07-20 | 中国石油大学(华东) | Unmanned ship path planning method based on deep reinforcement learning and considering marine environment elements |
| CN112099110B (en) * | 2020-09-17 | 2021-06-22 | 中国科学院海洋研究所 | Ocean internal wave forecasting method based on machine learning and remote sensing data |
| CN112307676B (en) * | 2020-11-04 | 2022-10-14 | 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) | Wave height numerical prediction model result correction method |
| CN112862178A (en) * | 2021-02-02 | 2021-05-28 | 国家海洋信息中心 | Ocean station water level space-time prediction method and device based on deep learning |
| CN113297801B (en) * | 2021-06-15 | 2022-10-14 | 哈尔滨工程大学 | Marine environment element prediction method based on STEOF-LSTM |
-
2021
- 2021-06-15 CN CN202110659246.XA patent/CN113297801B/en active Active
-
2022
- 2022-05-16 WO PCT/CN2022/093025 patent/WO2022262500A1/en unknown
- 2022-06-08 JP JP2022092764A patent/JP7175415B1/en active Active
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797756A (en) * | 2023-08-16 | 2023-09-22 | 海博泰科技(青岛)有限公司 | Holographic ocean background field implementation method |
| CN116797756B (en) * | 2023-08-16 | 2023-11-07 | 海博泰科技(青岛)有限公司 | Holographic ocean background field implementation method |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113297801A (en) | 2021-08-24 |
| JP7175415B1 (en) | 2022-11-18 |
| WO2022262500A1 (en) | 2022-12-22 |
| CN113297801B (en) | 2022-10-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7175415B1 (en) | Marine environment element prediction method based on STEOF-LSTM | |
| Law et al. | Deterministic wave prediction for unidirectional sea-states in real-time using Artificial Neural Network | |
| Sun et al. | Time-series graph network for sea surface temperature prediction | |
| Geng et al. | Graph optimization neural network with spatio-temporal correlation learning for multi-node offshore wind speed forecasting | |
| Lee et al. | Cultural heritage and the intelligent internet of things | |
| Song et al. | An efficient global sensitivity analysis approach for distributed hydrological model | |
| CN104809479A (en) | Fish HIS (habitat suitability index) modeling method based on SVM (support vector machine) | |
| Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
| CN107798383A (en) | Improved core extreme learning machine localization method | |
| CN111428419A (en) | Suspended sediment concentration prediction method and device, computer equipment and storage medium | |
| Zhao et al. | An evaporation duct height prediction model based on a long short-term memory neural network | |
| Zhuang et al. | Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network | |
| Mazandaranizadeh et al. | Development of a PSO-ANN model for rainfall-runoff response in basins, Case Study: Karaj Basin | |
| CN115545334A (en) | Land use type prediction method, land use type prediction device, electronic device, and storage medium | |
| CN111507505A (en) | Method for constructing reservoir daily input prediction model | |
| Zhou et al. | Simulation of future dissolved oxygen distribution in pond culture based on sliding window-temporal convolutional network and trend surface analysis | |
| CN106528679A (en) | Time series analysis method based on multilinear autoregression model | |
| Bai et al. | Evolving an information diffusion model using a genetic algorithm for monthly river discharge time series interpolation and forecasting | |
| Feng et al. | Graph convolution based spatial-temporal attention lstm model for flood forecasting | |
| Zulqarnain et al. | A Deep Two-State Gated Recurrent Unit for Particulate Matter (PM2. 5) Concentration Forecasting | |
| Escamilla-Rivera | Bayesian deep learning for dark energy | |
| CN117076893B (en) | Sound velocity distribution forecasting method based on long-term and short-term memory neural network | |
| Liu et al. | Prediction of tropical cyclone frequency with a wavelet neural network model incorporating natural orthogonal expansion and combined weights | |
| He et al. | A TMA-Seq2seq Network for Multi-Factor Time Series Sea Surface Temperature Prediction. | |
| Suematsu et al. | Machine learning prediction of the MJO extends beyond one month |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220609 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220921 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221025 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221108 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7175415 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |