JP7175415B1 - Steof-lstmに基づく海洋環境要素予測方法 - Google Patents
Steof-lstmに基づく海洋環境要素予測方法 Download PDFInfo
- Publication number
- JP7175415B1 JP7175415B1 JP2022092764A JP2022092764A JP7175415B1 JP 7175415 B1 JP7175415 B1 JP 7175415B1 JP 2022092764 A JP2022092764 A JP 2022092764A JP 2022092764 A JP2022092764 A JP 2022092764A JP 7175415 B1 JP7175415 B1 JP 7175415B1
- Authority
- JP
- Japan
- Prior art keywords
- temporal
- spatio
- scale
- spatiotemporal
- marine
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 73
- 230000007613 environmental effect Effects 0.000 claims abstract description 71
- 230000007774 longterm Effects 0.000 claims abstract description 26
- 238000012950 reanalysis Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 58
- 230000006870 function Effects 0.000 claims description 49
- 230000004044 response Effects 0.000 claims description 24
- 230000000737 periodic effect Effects 0.000 claims description 14
- 230000002123 temporal effect Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000012731 temporal analysis Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 abstract description 16
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000032683 aging Effects 0.000 abstract description 4
- 230000006403 short-term memory Effects 0.000 description 8
- 238000007619 statistical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
【解決手段】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。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。
【選択図】なし
Description
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、
(式中、
は、一次線形回帰分析により算出されたトレンド項であり、
は、季節、月、年、年次変動特性及び規則性を含む周期項であり、トレンドを除去した時系列に対して経験的直交関数解析を行って、主な空間分布パターン及び時間的周期変動を算出することにより、海洋動力環境要素の周期変動特性を得、
は、フィルタリングにより得られた残りのランダム項である。)
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
は、
であり、
任意の時空間サンプル行列
の行列次元
は
であるステップ2.1と、
時空間サンプル行列
に対して時空間経験的直交関数解析を行って、この行列の固有値及び各固有値に対応する固有ベクトルを得、各固有値の比率を順次計算して固有値及び固有ベクトルを順番に配列し、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、
行列変換により
行列の固有ベクトルを得た後、
行列の固有ベクトルを算出し、
とその転置行列との積を下記式:
で示されるようにし、
固有ベクトル
から、
(式中、
は固有値に対応する対角行列であり、
であり、
であり、
である。)を得、
任意の固有ベクトル
は下記式:
で示されるステップ2.2と、
時空間パターンを行列
に射影して、対応する主成分:
(式中、主成分は各時空間固有ベクトルに対応する時空間係数である。時空間係数
は
次元の行列であり、
における各行のデータは各時空間パターンに対応する時空間係数であり、第1の時空間パターンの時空間係数は時空間係数
の第1行に対応し、以下同様である。)を得るステップ2.3と、
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
を下記式:
で示されるように定義し、
時空間基底
は、時空間観測と同じ周期を有するフィッティング時空間基底
と、予測時空間基底
との2つの部分に分けられ、
(式中、
は予測開始時間、
は観測回数、
は予測時間のステップ数、
は時空間基底の個数である。)
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、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:
(式中、
はフィッティング係数を示し、
である。)を示し、
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:
(式中、
は時空間予測結果を示す。)で示されるステップ2.4と、を含むステップ2と、
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
及び現在の入力状態
の情報を読み取り、
層により各セル状態
に0~1の値を出力し、
中の数値は、セル状態からどの情報を捨てるかを決定し、1は「完全に保持する」を示し、0は「完全に捨てる」を示し、
とを
関数に入力して更新しようとする値を決定した後、
層により候補値ベクトル
を作成し、古い状態に
を乗算して、忘れようとする情報を決定し、
との積を加算して新たな候補値を生成し、最後に、新しいセル状態に基づいてどの値を出力するかを決定し、
層により出力するセル状態を決定し、その後セル状態を
で処理して、それに
の出力を乗算することにより、その時間の出力形式の記述:
(式中、
はそれぞれ入力ゲート、忘却ゲート、セル状態及び出力ゲートであり、
はそれぞれ対応する重み係数及びバイアス項であり、
はそれぞれ
及び双曲正接活性化関数である。)を得るステップ3と、
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。
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。
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。
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、
(式中、
はトレンド項であり、
は周期項であり、
は残りのランダム項である。周期項は、季節、月、年次、数十年変動特性及び規則性を含み、分解された線形トレンド項は、一次線形回帰分析により算出され、周期項の解析は、トレンドを除去した時系列に対して経験的直交関数解析を行って、主な空間分布パターン及び時間的周期変動を算出することにより、海洋動力環境要素の周期変動特性を得、最後の残りのランダム項は、フィルタリングにより得られる。)を得ることができる。
は、
(式中、
は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、
は空間格子点の数、
は時系列の数、
は年間サンプルの数
を示す)であり、
任意の時空間サンプル行列
の行列次元は
であり、時空間サンプル行列
に対して特異値分解を行って、この行列の固有値及び各固有値に対応する固有ベクトルを得、各固有値の比率を順次計算して固有値及び固有ベクトルを順番に配列する。このときの固有ベクトルは、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。
の共分散行列の固有値及び固有ベクトルを求める際に、一般的にJacobi反復法が用いられるため、行列のランクが大きい場合に、Jacobi反復法の計算量が大きくなる。時空間格子点の数
が周期数
よりもはるかに大きいため、計算量を低減するために時空間変換を行う必要がある。
とは同じ非零固有値を有するが、それらの固有ベクトルが異なることが明らかである。したがって、行列変換により
行列の固有ベクトルを得た後、
行列の固有ベクトルを算出し、
とその転置行列との積を下記式:
で示されるようにし、
固有ベクトル
から、
(式中、
は固有値に対応する対角行列であり、
であり、
であり、
である。)を得る。
は下記式:
で示され、
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。
に射影して、対応する主成分:
(式中、主成分は各時空間固有ベクトルに対応する時空間係数である。時空間係数
は
次元の行列であり、
における各行のデータは各時空間パターンに対応する時空間係数であり、第1の時空間パターンの時空間係数は時空間係数
の第1行に対応し、以下同様である。)を得る。
は、時空間観測と同じ周期を有するフィッティング時空間基底
と、予測時空間基底
との2つの部分に分けられる。
(式中、
は予測開始時間、
は空間格子点の数、
は観測回数、
は予測時間のステップ数、
は時空間基底の個数である。)
[式中、
はフィッティング係数を示し、下記式:
(式中、
は第
のパターンを示す)で示される。]を示す。
(式中、
は時空間予測結果、
は空間格子点の数、
は予測開始時間、
予測時間のステップ数を示す。)で示される。
及び現在の入力状態
の情報を読み取り、
層により各セル状態
に0~1の値を出力し、
中の数値は、セル状態からどの情報を捨てるかを決定し、1は「完全に保持する」を示し、0は「完全に捨てる」を示す。次に、入力ゲート層によりどの新情報が更新されてセル状態に加えられるかを決定し、
とを
関数に入力して更新しようとする値を決定した後、
層により候補値ベクトル
を作成し、古い状態に
を乗算して、忘れようとする情報を決定し、
との積を加算して新たな候補値を生成し、最後に、新しいセル状態に基づいてどの値を出力するかを決定し、
層により出力するセル状態を決定し、その後セル状態を
で処理して、それに
の出力を乗算することにより、その時間の出力形式の記述:
(式中、
はそれぞれ入力ゲート、忘却ゲート、セル状態及び出力ゲートであり、
はそれぞれ対応する重み係数及びバイアス項であり、
はそれぞれ
及び双曲正接活性化関数である。)を得る。LSTMモデルの訓練は、従来の誤差逆伝播(Back Propagation,BP)アルゴリズムの原理と類似しているBPTTアルゴリズムを用い、LSTMセルの出力値を計算方法に従って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む。
実施例1
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。
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、
(式中、
はトレンド項であり、
は周期項であり、
は残りのランダム項である。周期項は、季節、月、年次、数十年変動特性及び規則性を含み、分解された線形トレンド項は、一次線形回帰分析により算出され、周期項の解析は、トレンドを除去した時系列に対して経験的直交関数解析を行って、主な空間分布パターン及び時間的周期変動を算出することにより、海洋動力環境要素の周期変動特性を得、最後の残りのランダム項は、フィルタリングにより得られる。)を得ることができる。本発明のランダム応答解析法による海面水温のマルチスケール時間の解析結果は図2に示された。
は、
(式中、
は数年間の毎日の海面水温の時空間サンプル行列、
は空間格子点の数、
は時系列の数、
は年間サンプルの数を示す)であり、
任意の時空間サンプル行列
の行列次元は
であり、時空間サンプル行列
に対して特異値分解を行って、この行列の固有値及び各固有値に対応する固有ベクトルを得、各固有値の比率を順次計算して固有値及び固有ベクトルを順番に配列した。このときの固有ベクトルは、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。
の共分散行列の固有値及び固有ベクトルを求める際に、一般的にJacobi反復法が用いられるため、行列のランクが大きい場合には、Jacobi反復法の計算量が大きくなる。時空間格子点の数
が周期数
よりもはるかに大きいため、計算量を低減するために時空間変換を行う必要がある。
とは同じ非零固有値を有するが、それらの固有ベクトルが異なることが明らかである。したがって、行列変換により
行列の固有ベクトルを得た後、
行列の固有ベクトルを算出し、
とその転置行列との積を下記式:
で示されるようにし、
固有ベクトル
から、
(式中、
は固有値に対応する対角行列であり、
であり、
であり、
である。)を得た。
は下記式:
で示され、
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。
に射影して、対応する主成分:
(式中、主成分は各時空間固有ベクトルに対応する時空間係数である。時空間係数
は
次元の行列であり、
における各行のデータは各時空間パターンに対応する時空間係数であり、第1の時空間パターンの時空間係数は時空間係数
の第1行に対応し、以下同様である。)を得た。
は、時空間観測と同じ周期を有するフィッティング時空間基底
と、予測時空間基底
との2つの部分に分けられる。
(式中、
は予測開始時間、
は空間格子点の数、
は観測回数、
は予測時間のステップ数、
は時空間基底の個数である。)
[式中、
はフィッティング係数を示し、下記式:
(式中、
は第
のパターンを示す)で示される。]を示す。
(式中、
は時空間予測結果、
は空間格子点の数、
は予測開始時間、
予測時間のステップ数を示す。)で示される。
及び現在の入力状態
の情報を読み取り、
層により各セル状態
に0~1の値を出力し、
中の数値は、セル状態からどの情報を捨てるかを決定し、1は「完全に保持する」を示し、0は「完全に捨てる」を示す。次に、入力ゲート層によりどの新情報が更新されてセル状態に加えられるかを決定し、
とを
関数に入力して更新しようとする値を決定した後、
層により候補値ベクトル
を作成し、古い状態に
を乗算して、忘れようとする情報を決定し、
との積を加算して新たな候補値を生成し、最後に、新しいセル状態に基づいてどの値を出力するかを決定し、
層により出力するセル状態を決定し、その後セル状態を
で処理して、それに
の出力を乗算することにより、その時間の出力形式の記述:
(式中、
はそれぞれ入力ゲート、忘却ゲート、セル状態及び出力ゲートであり、
はそれぞれ対応する重み係数及びバイアス項であり、
はそれぞれ
及び双曲正接活性化関数である。)を得た。LSTMモデルの訓練は、従来の誤差逆伝播(Back Propagation,BP)アルゴリズムの原理と類似しているBPTTアルゴリズムを用い、LSTMセルの出力値を計算方法に従って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む。
Claims (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、
(式中、
は、一次線形回帰分析により算出されたトレンド項であり、
は、季節、月、年、年次変動特性及び規則性を含む周期項であり、トレンドを除去した時系列に対して経験的直交関数解析を行って、主な空間分布パターン及び時間的周期変動を算出することにより、海洋動力環境要素の周期変動特性を得、
は、フィルタリングにより得られた残りのランダム項である。)
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
は、
であり、
任意の時空間サンプル行列
の行列次元は
であるステップ2.1と、
時空間サンプル行列
に対して時空間経験的直交関数解析を行って、この行列の固有値及び各固有値に対応する固有ベクトルを得、各固有値の比率を順次計算して固有値及び固有ベクトルを順番に配列し、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、
行列変換により
行列の固有ベクトルを得た後、
行列の固有ベクトルを算出し、
とその転置行列との積を下記式:
で示されるようにし、
固有ベクトル
から、
(式中、
は固有値に対応する対角行列であり、
であり、
であり、
である。)を得、
任意の固有ベクトル
は下記式:
で示されるステップ2.2と、
時空間パターンを行列
に射影して、対応する主成分:
(式中、主成分は各時空間固有ベクトルに対応する時空間係数である。時空間係数
は
次元の行列であり、
における各行のデータは各時空間パターンに対応する時空間係数であり、第1の時空間パターンの時空間係数は時空間係数
の第1行に対応し、以下同様である。)を得るステップ2.3と、
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
を下記式:
(式中、
は時空間観測、
は予測開始時間、
は空間格子点の数、
は観測回数である。)で示されるように定義し、
時空間基底
は、時空間観測と同じ周期を有するフィッティング時空間基底
と、予測時空間基底
との2つの部分に分けられ、
(式中、
は予測開始時間、
は観測回数、
は予測時間のステップ数、
は時空間基底の個数である。)
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、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:
(式中、
はフィッティング係数を示し、
である。)を示し、
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:
(式中、
は時空間予測結果を示す。)で示されるステップ2.4と、を含むステップ2と、
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
及び現在の入力状態
の情報を読み取り、
層により各セル状態
に0~1の値を出力し、
中の数値は、セル状態からどの情報を捨てるかを決定し、1は「完全に保持する」を示し、0は「完全に捨てる」を示し、
とを
関数に入力して更新しようとする値を決定した後、
層により候補値ベクトル
を作成し、古い状態に
を乗算して、忘れようとする情報を決定し、
との積を加算して新たな候補値を生成し、最後に、新しいセル状態に基づいてどの値を出力するかを決定し、
層により出力するセル状態を決定し、その後セル状態を
で処理して、それに
の出力を乗算することにより、その時間の出力形式の記述:
(式中、
はそれぞれ入力ゲート、忘却ゲート、セル状態及び出力ゲートであり、
はそれぞれ対応する重み係数及びバイアス項であり、
はそれぞれ
及び双曲正接活性化関数である。)を得るステップ3と、
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。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659246.X | 2021-06-15 | ||
CN202110659246.XA CN113297801B (zh) | 2021-06-15 | 2021-06-15 | 一种基于steof-lstm的海洋环境要素预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7175415B1 true JP7175415B1 (ja) | 2022-11-18 |
JP2022191176A JP2022191176A (ja) | 2022-12-27 |
Family
ID=77328166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022092764A Active JP7175415B1 (ja) | 2021-06-15 | 2022-06-08 | Steof-lstmに基づく海洋環境要素予測方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7175415B1 (ja) |
CN (1) | CN113297801B (ja) |
WO (1) | WO2022262500A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307190A (zh) * | 2023-03-21 | 2023-06-23 | 信通院(江西)科技创新研究院有限公司 | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 |
CN116797756A (zh) * | 2023-08-16 | 2023-09-22 | 海博泰科技(青岛)有限公司 | 一种全息海洋背景场实现方法 |
CN118036512A (zh) * | 2024-04-12 | 2024-05-14 | 中国人民解放军海军潜艇学院 | 一种用于改进目标海区温度预报的最佳观测区域确定方法 |
CN118095112A (zh) * | 2024-04-29 | 2024-05-28 | 自然资源部第一海洋研究所 | 海上漂浮设施环境影响分析及量化方法 |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113297801B (zh) * | 2021-06-15 | 2022-10-14 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
CN113945202A (zh) * | 2021-10-25 | 2022-01-18 | 海南长光卫星信息技术有限公司 | 一种海平面高度预测方法及系统、可读存储介质 |
CN114139448B (zh) * | 2021-11-29 | 2023-04-18 | 自然资源部第一海洋研究所 | 海基观测网站位布局优化的方法、系统、介质、终端及应用 |
CN114510887B (zh) * | 2022-01-20 | 2022-11-15 | 哈尔滨工程大学 | 一种基于代理模型的海洋条件下大容器液位快速预测方法 |
CN114528768B (zh) * | 2022-02-22 | 2022-11-01 | 国家海洋环境预报中心 | 近海单点海温智能预报方法、装置及计算机可读存储介质 |
CN114706144A (zh) * | 2022-02-24 | 2022-07-05 | 南方海洋科学与工程广东省实验室(湛江) | 海洋环境预报方法、装置、系统及存储介质 |
CN114841417B (zh) * | 2022-04-18 | 2022-11-22 | 珠江水利委员会珠江水利科学研究院 | 一种高精度咸潮预报方法、系统和可读存储介质 |
CN114638441B (zh) * | 2022-05-18 | 2022-08-16 | 环球数科集团有限公司 | 一种基于卫星遥感影像的洋流监测及预警系统 |
CN114997055B (zh) * | 2022-06-06 | 2024-04-05 | 安徽理工大学 | 海平面温度时频域变化特性分析方法 |
CN116148700B (zh) * | 2023-01-10 | 2024-04-12 | 中国第一汽车股份有限公司 | 电池的状态预测方法及存储介质 |
CN116307853B (zh) * | 2023-02-21 | 2024-03-22 | 广东海洋大学 | 一种东南印度洋南赤道流的年际变化规律分析方法 |
CN115859840B (zh) * | 2023-02-27 | 2023-05-26 | 中国海洋大学 | 一种海洋环境动力要素区域极值分析方法 |
CN115946820A (zh) * | 2023-03-15 | 2023-04-11 | 天津大学 | 上浮环境数据预测模型的训练方法、上浮控制方法及设备 |
CN116361624B (zh) * | 2023-03-31 | 2023-12-19 | 成都理工大学 | 一种基于误差反馈的大范围地面沉降预测方法及系统 |
CN116861347B (zh) * | 2023-05-22 | 2024-06-11 | 青岛海洋地质研究所 | 一种基于深度学习模型的磁力异常数据计算方法 |
CN116822336B (zh) * | 2023-06-01 | 2024-04-09 | 大连海事大学 | 一种多模型组合的潮汐预报方法 |
CN116400101B (zh) * | 2023-06-08 | 2023-08-29 | 自然资源部第一海洋研究所 | 一种近表层海流数据可信性判断的方法 |
CN116502478B (zh) * | 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 | 一种基于海底地形监测的自提升平台下桩辅助决策方法 |
CN116992663A (zh) * | 2023-08-01 | 2023-11-03 | 西南交通大学 | 一种实测流剖面构建方法、装置、设备及存储介质 |
CN116992256B (zh) * | 2023-09-26 | 2023-12-19 | 中国海洋大学 | 海洋潮汐预测精度提升方法 |
CN117150273B (zh) * | 2023-10-30 | 2024-02-06 | 中国海洋大学 | 基于多点观测的相干结构识别方法、系统、设备以及介质 |
CN117237781B (zh) * | 2023-11-16 | 2024-03-19 | 哈尔滨工业大学(威海) | 一种基于注意力机制的双元素融合时空预测方法 |
CN117668477B (zh) * | 2024-01-31 | 2024-04-26 | 山东科技大学 | 一种海洋大数据智能轻量化处理方法及系统 |
CN117744411B (zh) * | 2024-02-19 | 2024-04-16 | 交通运输部水运科学研究所 | 一种基于海洋气象趋势的船舶失速预测方法及系统 |
CN117852418B (zh) * | 2024-03-07 | 2024-05-14 | 中国科学院地理科学与资源研究所 | 基于地理集成机器学习的海洋中深层流速数据重构方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134004A (zh) | 2014-07-31 | 2014-11-05 | 哈尔滨工程大学 | 一种基于d-s证据理论的海洋环境安全评估方法 |
CN108107437A (zh) | 2017-09-28 | 2018-06-01 | 哈尔滨工程大学 | 一种利用简正波耦合干涉的海洋环境监测方法 |
CN110222872A (zh) | 2019-05-12 | 2019-09-10 | 天津大学 | 基于经验正交函数分解的海洋多要素中长期统计预测方法 |
WO2020213614A1 (ja) | 2019-04-15 | 2020-10-22 | 国立研究開発法人理化学研究所 | 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体 |
US10996374B1 (en) | 2017-04-11 | 2021-05-04 | DatalnfoCom USA, Inc. | Short-term weather forecasting using artificial intelligence and hybrid data |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1139288A (ja) * | 1997-07-22 | 1999-02-12 | Chiyouko Saitou | 離散ウェーブレット変換を用いた流体ベクトルデータ 圧縮方法 |
CN107545250A (zh) * | 2017-08-31 | 2018-01-05 | 哈尔滨工程大学 | 一种基于海浪图像遥感和人工智能的海洋浮体运动实时预报系统 |
US11445973B2 (en) * | 2018-03-01 | 2022-09-20 | Tata Consultancy Services Limited | System and method for early 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 (zh) * | 2018-07-03 | 2018-09-07 | 华际科工(北京)卫星通信科技有限公司 | 一种基于lstm的海表面温度预测方法 |
CN109978279B (zh) * | 2019-04-10 | 2023-05-02 | 青岛农业大学 | 海洋表面温度区域预测方法 |
CN111815041A (zh) * | 2020-06-28 | 2020-10-23 | 青岛哈船海智科技有限公司 | 一种基于改进eof的海水温度场预测方法 |
CN111829527B (zh) * | 2020-07-23 | 2021-07-20 | 中国石油大学(华东) | 一种基于深度强化学习且顾及海洋环境要素的无人船路径规划方法 |
CN112099110B (zh) * | 2020-09-17 | 2021-06-22 | 中国科学院海洋研究所 | 基于机器学习和遥感数据的海洋内波预报方法 |
CN112307676B (zh) * | 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)) | 波高数值预报模型结果修正方法 |
CN112862178A (zh) * | 2021-02-02 | 2021-05-28 | 国家海洋信息中心 | 一种基于深度学习的海洋站水位时空预测方法及装置 |
CN113297801B (zh) * | 2021-06-15 | 2022-10-14 | 哈尔滨工程大学 | 一种基于steof-lstm的海洋环境要素预测方法 |
-
2021
- 2021-06-15 CN CN202110659246.XA patent/CN113297801B/zh active Active
-
2022
- 2022-05-16 WO PCT/CN2022/093025 patent/WO2022262500A1/zh active Application Filing
- 2022-06-08 JP JP2022092764A patent/JP7175415B1/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134004A (zh) | 2014-07-31 | 2014-11-05 | 哈尔滨工程大学 | 一种基于d-s证据理论的海洋环境安全评估方法 |
US10996374B1 (en) | 2017-04-11 | 2021-05-04 | DatalnfoCom USA, Inc. | Short-term weather forecasting using artificial intelligence and hybrid data |
CN108107437A (zh) | 2017-09-28 | 2018-06-01 | 哈尔滨工程大学 | 一种利用简正波耦合干涉的海洋环境监测方法 |
WO2020213614A1 (ja) | 2019-04-15 | 2020-10-22 | 国立研究開発法人理化学研究所 | 環境因子予測装置、方法、プログラム、学習済モデルおよび記憶媒体 |
CN110222872A (zh) | 2019-05-12 | 2019-09-10 | 天津大学 | 基于经验正交函数分解的海洋多要素中长期统计预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307190A (zh) * | 2023-03-21 | 2023-06-23 | 信通院(江西)科技创新研究院有限公司 | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 |
CN116307190B (zh) * | 2023-03-21 | 2024-03-26 | 信通院(江西)科技创新研究院有限公司 | 一种基于蓝牙mesh网络的果园环境对产量的预测方法 |
CN116797756A (zh) * | 2023-08-16 | 2023-09-22 | 海博泰科技(青岛)有限公司 | 一种全息海洋背景场实现方法 |
CN116797756B (zh) * | 2023-08-16 | 2023-11-07 | 海博泰科技(青岛)有限公司 | 一种全息海洋背景场实现方法 |
CN118036512A (zh) * | 2024-04-12 | 2024-05-14 | 中国人民解放军海军潜艇学院 | 一种用于改进目标海区温度预报的最佳观测区域确定方法 |
CN118095112A (zh) * | 2024-04-29 | 2024-05-28 | 自然资源部第一海洋研究所 | 海上漂浮设施环境影响分析及量化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113297801B (zh) | 2022-10-14 |
WO2022262500A1 (zh) | 2022-12-22 |
CN113297801A (zh) | 2021-08-24 |
JP2022191176A (ja) | 2022-12-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7175415B1 (ja) | Steof-lstmに基づく海洋環境要素予測方法 | |
Law et al. | Deterministic wave prediction for unidirectional sea-states in real-time using Artificial Neural Network | |
Geng et al. | Graph optimization neural network with spatio-temporal correlation learning for multi-node offshore wind speed forecasting | |
Sun et al. | Time-series graph network for sea surface temperature prediction | |
Lee et al. | Cultural heritage and the intelligent internet of things | |
CN111199270A (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
CN104809479A (zh) | 基于支持向量机的鱼类栖息地适宜性指数建模方法 | |
CN107798383A (zh) | 改进的核极限学习机定位方法 | |
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 | |
Gholami Rostam et al. | Precipitation forecasting by large-scale climate indices and machine learning techniques | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
Li et al. | A stepwise clustered hydrological model for addressing the temporal autocorrelation of daily streamflows in irrigated watersheds | |
CN111507505A (zh) | 一种水库日入量预测模型的构建方法 | |
Rader et al. | Detection of forced change within combined climate fields using explainable neural networks | |
Feng et al. | Graph convolution based spatial-temporal attention LSTM model for flood forecasting | |
CN116628442B (zh) | 一种基于人工神经网络的地下水储量变化空间降尺度方法 | |
Choobbasti et al. | Mapping of soil layers using artificial neural network (case study of Babol, northern Iran) | |
Khan et al. | Forecasting renewable energy for environmental resilience through computational intelligence | |
Kumar et al. | Track prediction of tropical cyclones using long short-term memory network | |
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 | |
Zhao et al. | Spatio-temporal model combining vmd and am for wind speed prediction | |
Xu et al. | Prediction of surface water temperature and its spatial-temporal variation characteristics of 11 main lakes in Yunnan-Guizhou Plateau | |
Caselle et al. | Sampling the lattice Nambu-Goto string using continuous normalizing flows |
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 |