【技术实现步骤摘要】
本专利技术涉及水文，具体为一种基于vision transformer神经网络的台风风暴潮漫滩智能预报方法。
技术介绍
1、当剧烈的气象干扰发生时，海水潮位可能会异常上升，这种现象称为风暴潮，在某些情况下亦被称作“风暴增水”或“风暴海啸”。风暴潮是否形成灾害，关键在于这种由气候动荡引发的海水高涨是否恰好与潮汐周期中的天文高潮重合。多种气候事件，包括台风、温带气旋及寒流强风等，均可成为引发特定区域风暴潮的原因。根据其成因，风暴潮可分为温带区域的风暴潮与因台风引起的风暴潮两大类。通常，台风风暴潮多出现在夏季和秋季，形势迅猛，破坏性巨大。根据《中国海洋灾害公报》的数据，由台风风暴潮引发的直接经济损失高居中国各种海洋灾害之首。因此，及时并有效地对风暴潮进行预报和预警，在国家经济安全及社会民众生命财产保护方面极为重要且紧迫。
技术实现思路
1、本专利技术的目的在于提供一种基于vision transformer的风暴潮漫滩智能预测方法，利用深度学习的方法对二维风暴潮漫滩进行较长时间的预测。
2、为了解决上述技术问题，本专利技术提供如下技术方案：
3、一种基于vision transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，其智能预报方法的步骤包括：
4、获取连续风暴潮水位数据、预报时刻的风场数据；所述风场数据包括风速在东西方向上的分量u和风速在南北方向上的分量v；
5、对获取连续风暴潮水位数据、预报时刻的风场数据进行预处理，
6、基于训练集，将归一化的数值输入至vision transformer神经网络进行训练，得到台风风暴潮漫滩智能预报模型；将测试集输入至台风风暴潮漫滩智能预报模型对台风风暴潮漫滩进行调整优化，得到最终的台风风暴潮漫滩智能预报模型；
7、基于连续风暴潮水位数据、预报时刻的风场数据利用所述台风风暴潮漫滩智能预报模型进行台风风暴潮漫滩预报。
8、根据上述技术方案，所述预处理即连续风暴潮水位数据的数组和预报时刻的风场数据的数组合并为一个样本，所述预处理后的数据为四维数据，所述四维数据为数据量*通道数*280*190。
9、
10、根据上述技术方案，所述最值归一化是将数据缩放至0到1之间。
11、根据上述技术方案，所述vision transformer神经网络结构由一个图像块嵌入层、3个编码层和一个卷积层组成；
12、所述图像块嵌入层的输出端连接编码层的输入端，所述编码层的输出端连接卷积层的输入端；所述3个编码层串联连接。
13、根据上述技术方案，所述图像块嵌入层，用于将图像切割成的固定大小为10x10的补丁，所述图像嵌入层的维度设置为1024；
14、所述编码层，包括多头注意力机制，每个多头注意力机制中的头的数量为64，每个头在多头注意力机制中的维度设置为64，多层感知机中间隐藏层的维度：1024；多头注意力机制使模型能够并行处理数据，关注不同的信息维度，而后续的多层感知机则加强了模型的非线性表示能力，提高了处理复杂关系的能力；
15、所述卷积层，使用1x1的卷积核进行操作，用于改变特征图的通道数，而不改变空间维度。
16、根据上述技术方案，所述台风风暴潮漫滩智能预报模型预测步骤包括：
17、将训练集中的图像数据输入至图像块嵌入层，所述图像块嵌入层将图像数据切割成的固定大小为10x10的补丁(将图像转换为序列)后，使用可训练的线性投影矩阵e将向量化的图像块映射到具有d维的潜在嵌入空间向量中，得到图像块的嵌入向量，再将每个图像块生成的一个对应的d维位置嵌入向量和对应的图像块的嵌入向量相加，得到最终的图像补丁嵌入向量，以保存图像块在原始图像中的空间位置信息；
18、将所述图像补丁嵌入向量输入到编码层中，经过维度为64的多头注意力机制并行处理数据，关注不同的信息维度，而后经过隐藏层维度为1024的多层感知机增强非线性表示能力；
19、在经过3个相同的编码层后，输入至卷积层利用1x1的卷积核进行操作，输出台风风暴潮漫滩预报。
20、其中，所述可训练的线性投影矩阵e是模型内部自动生成，值是随机的，在训练过程中，通过反向传播算法，矩阵e的值会不断调整，以最小化损失函数；所述向量化的图像块指将二维的图像块展平成一维的向量形式。
21、与现有技术相比，本专利技术所达到的有益效果是：本专利技术提出一种基于visiontransformer的风暴潮漫滩智能预测方法，利用深度学习方法对二维风暴潮漫滩进行较长时间的预测，本专利技术可以准确、快速地预测出台风风暴潮漫滩的二维分布和增水高度。
本文档来自技高网...【技术保护点】
1.一种基于Vision Transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，其智能预报方法的步骤包括：
2.根据权利要求1所述的一种基于Vision Transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，所述预处理即连续风暴潮水位数据的数组和预报时刻的风场数据的数组合并为一个样本，所述预处理后的数据为四维数据，所述四维数据为数据量*通道数*280*190。
3.根据权利要求1所述的一种基于Vision Transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，所述最值归一化是将数据缩放至0到1之间。
4.根据权利要求1所述的一种基于Vision Transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，所述Vision transformer神经网络结构由一个图像块嵌入层、3个编码层和一个卷积层组成；
5.根据权利要求4所述的一种基于Vision Transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于：
6.根据权利要求1所述的一种基于V
...【技术特征摘要】
1.一种基于vision transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，其智能预报方法的步骤包括：
2.根据权利要求1所述的一种基于vision transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，所述预处理即连续风暴潮水位数据的数组和预报时刻的风场数据的数组合并为一个样本，所述预处理后的数据为四维数据，所述四维数据为数据量*通道数*280*190。
3.根据权利要求1所述的一种基于vision transformer神经网络的台风风暴潮漫滩智能预报方法，其特征在于，所述最值归一化是将数...
【专利技术属性】
技术研发人员：王刘明，宓朝荣，沈向宇，徐广珺，张红春，董昌明，
申请(专利权)人：南方海洋科学与工程广东省实验室珠海，
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。