【技术实现步骤摘要】
本专利技术涉及海洋科学与深度学习，尤其是一种适用于非结构海浪时空数据的有义波高预报方法。
技术介绍
1、在海浪统计中，每个海况的持续时间一般取三小时，统计得到的有义波高一般指的是一个三小时海况中的最大1/3波高的均值。设计海况中的有义波高大小对于海上作业的安全性至关重要，及时地对有义波高的未来变化情况给出准确预报，是海洋开发事业的重要保障。在过去，有义波高预测往往是利用基于海浪物理过程的海浪数值模型完成的，虽然能保证预测结果的准确性，但需要消耗大量的计算资源和计算时间。而深度学习的预测过程基于计算各项海浪要素的数据非线性映射关系展开，在保证一定程度的准确性的前提下，极大提升计算效率，因此具有广阔的发展前景。
2、在当前的海浪预报领域，常用的模型有循环神经网络(rnn)、卷积神经网络(cnn)等。海浪预报是一个时空序列问题，这要求深度学习方法所选用的ai模型具备在时空两个维度上提取海浪数据的特征的能力。
3、目前，在使用深度学习方法进行波浪预报时，通常使用浮标历史测量记录作为深度学习智能模型的输入数据。观测数据的结构相对简单，对人工神经网络模型的复杂度要求较低。但基于浮标数据完成训练的ai模型只能为使用者提供定点位置的有义波高变化预报，难以及时反应周边海域的整体波浪变化趋势。也有另外一种方法，采用海浪数值模型进行海浪有义波高历史时空分布的拟合计算，将其作为训练用的数据。但主流的海浪数值模型主要采用结构化网格的空间离散形式进行拟合计算，给出的还原数据缺乏对边界条件或水下环境复杂的海域的重视程度，网格过疏会导致
技术实现思路
1、本专利技术人针对上述问题及技术需求，提出了一种适用于非结构海浪时空数据的有义波高预报方法，本专利技术的技术方案如下：
2、一种适用于非结构海浪时空数据的有义波高预报方法，包括如下步骤：
3、确定任务目标内容，包括预报对象的海域范围和预测时长；
4、收集任务相关的海洋气象观测记录，通过计算得到非结构海浪再分析数据，从中提取所需的数据特征来构建数据集，所需的数据特征包括目标海域一段时间内的有义波高时空变化情况和海面风场数据；
5、对数据集进行预处理操作，并划分为训练集和测试集；
6、使用训练集对融合的神经网络模型进行训练，融合的神经网络模型基于长短期记忆神经网络lstm和图注意力神经网络gat实现；
7、使用测试集中的海洋气象数据，输入至训练好的模型中以预测目标海域的有义波高，并与实际观测波高数据进行对比，对模型进行最终的性能测试；
8、将通过性能测试的模型应用于实际海浪波高预报中，提供实时或未来一段时间的海浪有义波高预测结果。
9、其进一步的技术方案为，通过计算得到非结构海浪再分析数据，包括：
10、采用海浪数值模式，对目标海域的海洋气象观测数据进行海浪数值计算，且采用非结构化网格的空间离散形式进行计算求解；
11、其中，海洋气象观测数据为非结构化的海浪时空数据，非结构化的海浪时空数据在经度和纬度方向上具有不同的分辨率，数据之间以节点形式链接。
12、其进一步的技术方案为，非结构化网格在目标海域水下地形变化缓慢的区域采用粗分辨率，在变化陡峭的区域采用高分辨率。
13、其进一步的技术方案为，海浪数值模式为ww3海浪数值模式或swan海浪数值模式。
14、其进一步的技术方案为，lstm作为时间序列提取器，将训练集中每个空间坐标下的有义波高和平均波向、海面风速和风向的时序数据输入至两个不同的lstm进行编码，然后与水深信息、水深对应的经纬度信息拼接，作为gat的节点特征，再输入至gat中。
15、其进一步的技术方案为，gat作为空间特征提取器，中间层包括三个依次相连的gatconv；
16、第一层gatconv1的输入为gat的节点特征，gat的节点特征为lstm的输出与水深信息以及水深对应的经纬度信息的拼接；
17、对于第二层gatconv2、第三层gatconv3，除了以上一层gatconv的输出作为输入外，还会加入上一层gatconv的输入，形成残差结构；
18、第三层gatconv3的输出经过一个全连接网络，把gat输出的图上的每一个节点的特征映射到一个一维数据，一维数据为预测的有义波高，作为融合的神经网络模型的最终输出，以此建立了预测有义波高和输入数据之间的映射关系。
19、其进一步的技术方案为，在划分数据集时，还划分有验证集；
20、训练集、验证集和测试集之间的数据保持独立，确保模型对真实预测任务的场景具备足够的泛化能力。
21、其进一步的技术方案为，该方法还包括：
22、在使用测试集前，先使用验证集对训练好的模型进行评估，根据验证结果进行超参数调优、模型结构调整。
23、其进一步的技术方案为，使用验证集对训练好的模型进行评估时，采用如下指标验证训练好的模型的波浪预测效果，指标包括：
24、平均绝对误差、均方根误差、空间平均绝对百分比误差和空间平均相关系数。
25、其进一步的技术方案为，海面风场数据指的是海平面上方10m处的平面风矢量，并用东西方向风速和南北方向风速表示。
26、本专利技术的有益技术效果是：
27、本方法采用基于非结构化网格的海浪数值模式分析作为深度学习海浪预报的数据来源，避免了因整体网格密度过高导致的计算量过多的问题，而且可以保证近岸、岛礁等地形的计算精度；设计了一套适用于此类数据集的融合的神经网络模型，该模型基于lstm和gat设计模型架构，分别捕捉有义波高在时间和空间维度上的数据特征，建立起各个海洋环境变量与海浪有义波高之间的复杂非线性映射关系，训练该模型并应用于目标海域，最终输出特定预报时长下的有义波高空间分布，该方法不仅节约了短期预报的计算时间，同时也保证了有义波高预测的可靠性。
本文档来自技高网...【技术保护点】
1.一种适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述方法包括：
2.根据权利要求1所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述通过计算得到非结构海浪再分析数据，包括：
3.根据权利要求2所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述非结构化网格在目标海域水下地形变化缓慢的区域采用粗分辨率，在变化陡峭的区域采用高分辨率。
4.根据权利要求2所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述海浪数值模式为WW3海浪数值模式或SWAN海浪数值模式。
5.根据权利要求1所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述LSTM作为时间序列提取器，将所述训练集中每个空间坐标下的有义波高和平均波向、海面风速和风向的时序数据输入至两个不同的LSTM进行编码，然后与水深信息、水深对应的经纬度信息拼接，作为所述GAT的节点特征，再输入至所述GAT中。
6.根据权利要求1所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述GAT作为空间特
7.根据权利要求1所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，在划分所述数据集时，还划分有验证集；
8.根据权利要求7所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，使用所述验证集对训练好的模型进行评估时，采用如下指标验证所述训练好的模型的波浪预测效果，所述指标包括：
10.根据权利要求1所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述海面风场数据指的是海平面上方10m处的平面风矢量，并用东西方向风速和南北方向风速表示。
...【技术特征摘要】
1.一种适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述方法包括：
2.根据权利要求1所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述通过计算得到非结构海浪再分析数据，包括：
3.根据权利要求2所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述非结构化网格在目标海域水下地形变化缓慢的区域采用粗分辨率，在变化陡峭的区域采用高分辨率。
4.根据权利要求2所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述海浪数值模式为ww3海浪数值模式或swan海浪数值模式。
5.根据权利要求1所述的适用于非结构海浪时空数据的有义波高预报方法，其特征在于，所述lstm作为时间序列提取器，将所述训练集中每个空间坐标下的有义波高和平均波向、海面风速和风向的时序数据输入至两个不同的lstm进行编码，然后与水深信息、水深对应的经纬度信息拼接，作...
【专利技术属性】
技术研发人员：孙泽，丁军，刘家瑞，周叶，张家乐，张鹏，董俊伟，白玉林，杨雨辰，
申请(专利权)人：中国船舶科学研究中心，
类型：发明
国别省市：
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。