【技术实现步骤摘要】
本专利技术涉及海洋环境要素预报领域，尤其涉及一种海洋表层流场预测系统及其方法。
技术介绍
1、近岸海域，海洋流场直接影响到沿岸海洋工程设施的设计与建设，流速会影响舰船航向，引起船舶偏航。数值模式基于物理规律和初始条件，通过离散化空间和时间，利用数值方法求解运动方程，从而模拟未来一段时间内的大气或海洋状态[1]。数值模式预报流场的精度和可靠性取决于多个因素，包括模式的复杂程度、网格分辨率、边界条件的准确性等。机器学习在预报流场方面的应用是一种新兴的方法，它利用机器学习算法从历史数据中学习流场的复杂关系，并用于未来流场的预测。机器学习方法不需要求解海洋动力方程，而是直接从数据中学习流场的模式和规律。机器学习预报流场的优势在于能够处理大规模、高维度的数据，并且可以从数据中学习到非线性关系和复杂的模式。常见的流场预报机器学习方法有：针对于时序信号的长短期记忆网络(long short-term memory，lstm)[2]；可以学习和表示复杂的非线性关系的人工神经网络(artificial neural network，ann)[3]；可以提取流场数据中的空间特征的卷积神经网络(convolutional neural networks,cnn)[4]。然而，机器学习预报方法也面临着数据需求量大、模型解释性差、容易过拟合等挑战。此外，单一的机器学习模型难以同时兼顾信号的时空间特性，而海洋中的运动大多受到周围环境和前一时刻海洋时空状态的作用。
2、为了解决单一模型难以直接处理时空间信号的问题，前人开发了基于eof-lstm耦
3、[参考文献]
4、[1]a mehra,i rivin.a real time ocean forecast system for the northatlantic ocean[j].tao:terrestrial,atmospheric and oceanic sciences,2010,21(1):2.
5、[2]c bayindir.predicting the ocean currents using deep learning[j].arxiv preprint arxiv:190608066,2019.
6、[3]a kavousi-fard,w su.a combined prognostic model based on machinelearning for tidal current prediction[j].ieee transactions on geoscience andremote sensing,2017,55(6):3108-3114.
7、[4]n thongniran,p vateekul,k jitkajornwanich,et al.spatio-temporaldeep learning for ocean current prediction based on hf radar data；proceedingsof the 2019 16th international joint conference on computer science andsoftware engineering(jcsse),f,2019[c].ieee.
8、[5]q zheng,w li,q shao,et al.a mid-and long-term arctic sea iceconcentration prediction model based on deep learning technology[j].remotesensing,2022,14(12):2889.
9、[6]x wu,g han,w li,et al.a hybrid deep learning model for predictingthe kuroshio path south of japan[j].frontiers in marine science,2023,10:1112336.
技术实现思路
1、针对现有技术存在技术问题，本专利技术提供一种海洋表层流场预测系统及其方法，结合了ceof和机器学习方法的预测模型，用于预报流场的空间和时间动态变化。该专利技术的内容涉及以下几个方面：
2、一种海洋表层流场预测系统，所述海洋表层流场预测系统基于机器学习网络，所述海洋表层流场预测系统包括动力学预报因子处理模块、流速复函数形式转化模块、主要模态及其时间系数提取模块和海洋表层流场机器学习预测模型；其中：
3、所述动力学预报因子处理模块通过处理采集的海表温度、海表盐度和风速的海洋环境要素动力学预报因子获得；
4、所述流速复函数形式转化模块通过复函数处理采集海洋环境中流速的纬向分量(u)以及经向分量(v)；即：
5、us,t＝u(s,t)+iv(s,t)＝us,t+ivs,t
6、其中：s为流速在经纬位置,s＝1,2…,m，t为时间点,t＝1,2,…,n，u为m×n的复数矩阵；
7、所述主要模态及其时间系数提取模块通过分别对动力学预报因子处理模块进行经验正交函数分解以及对流速复函数形式转化模块进行复函数经验正交分解获得；
8、所述海洋表层流场预测模型通过拆分时间系数预测海洋表层流场趋势。
9、所述主要模态及其时间系数提取模块通过分别对动力学预报因子处理模块进行经验正交函数分解以及对流速复函数形式转化模块进行复函数经验正交分解获得；包括：
10、根据所述流速复函数形式转化模块按照如下公式计算获得海洋流场复协方差矩阵；
11、
12、其中，uh表示u的共轭转置矩阵，r为m×m的协方差矩阵，捕捉了流场数据中不同空间点之间的统计相关性；
13、根据流场复协方差矩阵按照如下公式计算获得海洋流场特征值和特征向量；
14、r＝eλeh
15、其中，λ是m×m的对角矩阵，其对角线上的元素是特征值；e是m×m的特征向量矩阵，包含了协方差矩本文档来自技高网...
【技术保护点】
1.一种海洋表层流场预测系统，所述海洋表层流场预测系统基于机器学习网络，其特征在于，所述海洋表层流场预测系统包括动力学预报因子处理模块、流速复函数形式转化模块、主要模态及其时间系数提取模块和海洋表层流场机器学习预测模型；其中：
2.根据权利要求1所述的一种海洋表层流场预测系统，其特征在于，所述主要模态及其时间系数提取模块的中对流速的经向分量和纬向分量组合成复数形式的总流速矢量获得过程；包括：
3.采用权利要求1-2所述的系统进行海洋表层流场预测方法，其特征在于，包括以下步骤：
4.根据权利要求3所述的系统进行海洋表层流场预测方法，其特征在于，所述复函数形式转化模块为复函数处理采集海洋环境中流速的纬向分量(u)以及经向分量(v)：
5.根据权利要求3所述的系统进行海洋表层流场预测方法，其特征在于，所述主要模态及其时间系数提取模块的中对流速的经向分量和纬向分量组合成复数形式的总流速矢量获得过程；包括：
6.根据权利要求3所述的所述的系统进行海洋表层流场预测方法，其特征在于，所述方法还包括使用MATLAB或Python编程语言
...【技术特征摘要】
1.一种海洋表层流场预测系统，所述海洋表层流场预测系统基于机器学习网络，其特征在于，所述海洋表层流场预测系统包括动力学预报因子处理模块、流速复函数形式转化模块、主要模态及其时间系数提取模块和海洋表层流场机器学习预测模型；其中：
2.根据权利要求1所述的一种海洋表层流场预测系统，其特征在于，所述主要模态及其时间系数提取模块的中对流速的经向分量和纬向分量组合成复数形式的总流速矢量获得过程；包括：
3.采用权利要求1-2所述的系统进行海洋表层流场预测方法，其特征在于，包括以下步骤：
4.根据权利要求3所...
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。