【技术实现步骤摘要】
用于估算海洋温度的方法
[0001]本公开涉及海洋科学
，尤其涉及一种利用深度学习网络 模型来预测海洋温度变化的方法。
技术介绍
[0002]海表温对区域海洋生态系统健康有着重要影响，其变化趋势可能 导致海洋物种的生长、繁殖和分布范围。大规模海域的超长期海表温 度预测对大尺度海洋物理现象具有重要的指导意义，有助于气候监测、 洪水和干旱风险预警等方面的工作。
[0003]在全球变暖的大环境下，全球海表温度有一定程度的升高，对局 地气候、海洋生态系统有着重要的影响。现有的海表温度预报为海表 温演变特征、气候现象、天气变化等研究提供了有效的数据参考。目 前的研究采用人工神经网络(ANN)、支持向量机(SVM)等模型，主要 关注对中小规模海域的短周期预报。
[0004]因此获取精确的大规模、长周期海表温预测结果仍然是一个重要 的挑战。
技术实现思路
[0005]为了解决上述技术问题，本公开提供了一种能够估算海洋温度的 方法，，包括如下步骤：
[0006]对不同获取途径、预定分辨率的海洋气象数据进行同化处理，以 得到同化数据集
[0007]将所述同化数据集输入至预设的网络模型中进行训练，以得到估 算模型。
[0008]进一步，所述估算模型为一卷积网络模型。
[0009]进一步，所述卷积网络模型在进行膨胀卷积后，卷积核的尺寸公 式如下：
[0010]K＝(k
‑
1)*d+1
[0011]其中，K是膨胀后的卷积核的尺寸；>[0012]K是原始的卷积核的大小；
[0013]D是卷积网络模型中神经网络层的扩张率。
[0014]进一步，所述海洋气象数据至少包含8个月的数据信息。
[0015]本公开提供的用于估算海洋温度的方法，通过通过将不同途径获 取的数据进行同化处理，能够得到数量更多、规模更大的海洋气象数 据，从而得以构建具备足够数量和范围的用于训练模型的数据集，进 而能够得到更加精确的估算模型。
附图说明
[0016]附图1是本专利技术提供的TCN结构示意图；
[0017]附图2是本专利技术不同相关度数据的密集程度示意图；
[0018]附图3(a)、附图3(b)、附图3(c)、附图3(d)、附图3(e) 表示观测和预测的SSTS曲线图；
[0019]图4(a)和图4(b)表示模型预测与真实值的相关度空间分布 示意图；
伸时间长的特点。本公开选取印度洋上经度(40
°
E
‑
110
°
E)纬度 (
‑
25
°
S
‑
25
°
N)海域的海洋
‑
大气月数据。海温预测问题可归结为时 间序列回归问题，针对以往研究者仅使用海表温度构建时间序列，训 练表层温度预测模型，没有考虑海洋内部海水
[0030]流动或洋流对海水热传递的影响，导致表层海表温度预测效果不 足的问题，本公开选取特征时充分考虑到各种因素对海表温的影响。
[0031]表1影响海表温度的81个特征
[0032][0033][0034]本公开选取连续十年的月数据，预测未来5年的海表温度。表1 展示了影响数据点海表温度的可能因素(共81个)也是每个月的数 据，分为大气、海面、海下参数三部分。本公开选取大气的温度(T)， 位势高度(GPH)，垂直速度(W)，相对湿度(RH)，东西风速(U)， 南北风速(V)，在不同高度(1000850500300hPa)上的数据，共 24个大气因子。海面参数包含中心点的海面高(SSH)，中心点海表 温(SST)及周围15个点(表中用sub1_SST、sub2_SST...sub15_SST 表示)的海表温度，共17个。海下参数包含中心点的不同海深(5，15， 25，35，45，55，65，75，85，95m)的温度和东西方向海流u和南北方向 海流v，盐度(SSS)，共40个。训练数据集共20*2533条数据，也 称样本数目m，测试数据集，共2533条数据以构成不同获取途径、 预定分辨率的海洋气象数据。本公开以滑动窗口的方式整理训练集。 训练集特征包含从1980年
‑
2008年数据，特征时间跨度为十年，滑动 窗口每次向后滑动一年构成训练集，即用于训练模型的海洋气象数据 集。测试集(即用于测试模型精度的海洋气象数据集)为2004
‑
2013 年海洋大气月数据及对应的2014～2018年的月海表温度，共2533条 数据。
[0035]接着，采用时域卷积网络(TCN)对海洋大数据进行深度学习， 以获得估算模型。
[0036]本公开使用TCN体系结构。由于TCN应用了残差连接，膨胀卷 积和因果卷积等多种思想使TCN结构在处理长时序空间问题时更具 优势。残差连接(也就是残差块)，能够在一定程度上消除深度网络 部分梯度消失和爆炸的影响。因果卷积通过限制卷积窗口的滑动方向， 使得时刻t的预测y
t
只能通过t时刻之前的输入x1到x
t
‑1来判别。膨 胀原本是应用在图像分割领域，在维持输入和输出的维度相同的同时， 减少损失的信息，增大感受野。下面是膨胀卷积后卷积核尺寸公式， K是膨胀后卷积核的尺寸，k为原始卷积核的大小，d是神经网络层 的扩张率：
[0037]K＝(k
‑
1)*d+1
ꢀꢀ
公式1
[0038]本公开将二维训练集处理成(m，120，81)三维矩阵输入模型，每 个样本是大小为(120，81)的矩阵，120表示时间步长，81表示一个 时间步上的特征，三维矩阵层数为m，m取样本数目。设置卷积核大 小个数分别为8和24，dilations＝【1，2，4，8，16，32，64，128，256】，Stack＝1。 经过实验当卷积核的大小设置为8时，模型的效果最好，这意味着模 型在训练时，最短考虑过去八个月的信息，随着膨胀因子的增加，考 虑的历史时间越来越长。卷积核个数决定了卷积中生成特征图的个数， 特征图上包含了从上一层输出中提取的信息，不同卷积核提取到的信 息不同。当卷积核个数过多时，训练集中一些细小、偶然性的数据扰 动都会被模型学习到，从而影响模型的精度。当卷积核个数过少时， 模型学习特征能力弱。本公开通过设置dilations列表，使输出信息包 含更多历史数据。当dilations设置为1时，采用普通卷积的方式训练 模型。
[0039]图1展示了一个样本在TCN结构中的运算。本公开使用的网络 结构包含28层卷积运算、1层Flatten层和1层全连接层。对输入层 的样本进行一次一维卷积(Conv1d)后，输出大小为(120，19)的 矩阵，进入第一个残差块进行运算(红色框)。本公开的TCN模型设 置九个残差块。保留每个残差块的非线性映射结果，和最后一个残差 块卷积结果相加。最后由Flatten层和全连接层映射出预测结果(6本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种用于估算海洋温度的方法，其特征在于，包括如下步骤：对不同获取途径、预定分辨率的海洋气象数据进行同化处理，以得到同化数据集；将所述同化数据集输入至预设的网络模型中进行训练，以得到估算模型。2.如权利要求1所述的用于估算海洋温度的方法，其特征在于，所述估算模型为一卷积网络模型。3.如权利要求2所述的用于估算海洋温度的方法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。