【技术实现步骤摘要】
本专利技术涉及基于海洋三维环境信息的黑潮智能化预报方法及系统，涉及人工智能和海洋气象服务行业。
技术介绍
1、黑潮是北太平洋流势最强的西边界流，也是全球最著名的洋流之一。黑潮的变化对周边区域的生态、气候和环境具有重要影响，尤其是其流量和路径的变化最能反映黑潮的主要特征。因此，开展黑潮流量和路径的精准预报具有重要的科学意义和实际应用价值。
2、目前，黑潮预报主要依赖于两种方法：数值预报模式和深度学习模型。数值预报模式通过求解复杂的海洋动力学方程来模拟黑潮的变化，但由于黑潮受多尺度物理过程非线性相互作用的显著影响，需要高分辨率的数值模式并结合大量集合成员来刻画预报的不确定性。这种方法虽然精度较高，但计算代价巨大，耗时较长，难以满足实时业务化预报的需求。
3、另一种方法是基于深度学习模型的黑潮预报。与数值模式相比，深度学习模型具有计算代价小、推理速度快的优势，但其在实际应用中仍存在诸多局限性。例如，申请号为202311075315.8的专利申请公开了一种基于深度学习的黑潮路径智能预报方法，包括黑潮路径数据获取、黑潮路径预报模型构建、黑潮路径预报模型训练、黑潮路径预报。申请号为202411180635.4的专利申请公开了一种基于多源数据融合的黑潮路径预报系统，将所述待计算数据集输入至所述路径预报模型中进行预测，生成预测结果。这两种方法均是通过对海面高度进行模态分解来实现黑潮路径预报，但没有考虑关键的三维海洋动力过程。此外，申请号为202311076098.4的专利申请公开了一种基于复经验正交函数的黑潮路径预测方法
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种基于海洋三维环境信息的黑潮智能化预报方法及系统，以克服当前黑潮流量和路径预报的局限性，并取得了较高的预测精度。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本专利技术提供了一种基于海洋三维环境信息的黑潮智能化预报方法，包括：
4、获取海洋三维环境场；
5、预处理海洋三维环境场，得到海洋三维特征向量；
6、将海洋三维特征向量输入训练好的黑潮预测大模型，得到未来海洋三维环境场；
7、黑潮预测大模型基于swin transformer模型作为主干网络构建而成，输入为海洋三维特征向量，输出为未来海洋三维环境场。
8、进一步的，海洋三维环境场包括流海面高度、温度、盐度和经纬向流速。
9、进一步的，预处理海洋三维环境场的方法包括：
10、先对海洋三维环境场进行标准化操作；
11、并将标准化后数据中陆地区域的缺测值替换为0。
12、进一步的，黑潮预测大模型的训练方法包括：
13、多途径获取海洋三维环境场，对数据进行预处理：
14、根据预处理后的海洋三维环境场，制作海洋大模型训练数据集：
15、根据训练数据集训练黑潮预测大模型，更新模型的参数，得到训练好的黑潮预测大模型。
16、进一步的，多途径获取海洋三维环境场，包括：
17、从多个业务机构网站https://data.marine.copernicus.eu/product/global_multiyear_phy_001_030/download?dataset=cmems_mod_glo_phy_my_0.083deg_p1d-m_202311和https://www.hycom.org/dataserver/gofs-3pt1/reanalysis下载glory（globalocean physics reanalysis）下载glory和hycom高分辨率海洋再分析数据；
18、其中，数据时间范围是1993年至2021年，空间范围是12°n-36°n, 115°e-140°e，深度范围是表层至1200米，变量包括温度、盐度、经纬向流速和海面高度数据。
19、进一步的，根据预处理后的海洋三维环境场，制作海洋大模型训练数据集，包括：
20、首先将全部预处理后的数据分为训练、验证和测试集。其中，训练集为1993-2017年，验证集为2018年，测试集为2019-2020年。
21、之后，将初始场和预报时长范围中的数据进行配对，根据预报时长不同，将数据按照日期保存为输入和标签配对的训练数据。以预报时刻海洋三维环境场作为输入，未来10天海洋三维环境场作为标签，组合后以npy、hdf5或nc格式进行保存。
22、进一步的，根据训练数据集训练黑潮预测大模型，更新模型的参数，得到训练好的黑潮预测大模型，包括：
23、基于训练数据集训练黑潮预测大模型时，优化器使用adamw，损失函数使用mse，通过pytorch框架构建优化系统优化模型权重，将在验证集上获得最小误差的参数确定为最优权重。
24、训练过程一共迭代200次，如果连续20次损失函数没有下降就提前结束训练过程。
25、进一步的，训练黑潮预测大模型时采用自回归训练策略；自回归训练策略包括：
26、将训练过程分为6步，首先将预报时长定为1天，对模型进行训练，得到一组最优模型参数，之后分别将预报时长逐渐扩展到2、4、6、8和10天，对模型进行微调。
27、进一步的，损失函数包括：预报环境场误差、流量和路径位置的误差以及由经纬向流速计算得到的旋度误差。
28、进一步的，损失函数为：
29、
30、
31、
32、
33、
34、其中，、、、分别表示经向格点数、纬向格点数、通道数和预测时长，和分别是预测和观测的海洋环境场，和是预测和观测的黑潮流量，和分别是预测和观测的黑潮路径指数，和分别是预测和观测的旋度场。
35、进一步的，模型由编码嵌入模块，变压器模块和输出模块组成。
36、编码部分先将海洋年、月、日以及海底地形信息基于正弦和余弦函数编码后与输入海洋环境场叠加。
37、之后，图像切分部分将输入的海洋三维环境场（如海面高度、温度、盐度等）进行补丁划分，每个补丁为固定大小的区域（例如，4×4的区域），之后于通过线性变换嵌入到高维特征空间，
38、生成一个固定维度的向量。假设输入数据为，其中为通道数，和分别为纬向和经向格点数。通过分块方式将其划分为若干补丁，其中 为补丁大小。线性嵌入后，得到补丁的特征向量 ，其中 为嵌入的维度。
39、变压器模块的核心部分是窗口化多头自注意力和窗口偏移机制，其中，多头自本文档来自技高网...
【技术保护点】
1.一种基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，包括：
2.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，海洋三维环境场包括海面高度、温度、盐度和经纬向流速。
3.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，预处理海洋三维环境场的方法包括：
4.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，黑潮预报大模型的训练方法包括：
5.根据权利要求4所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，多途径获取海洋三维环境场，包括：
6.根据权利要求5所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，根据预处理后的海洋三维环境场，制作海洋大模型训练数据集，包括：
7.根据权利要求6所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，根据训练数据集训练黑潮预报大模型，更新模型的参数，得到训练好的黑潮预报大模型，包括：
8.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其
9.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，所述方法还包括：从黑潮预报大模型预报的三维海洋环境场中提取黑潮路径和计算黑潮流量；
10.一种基于海洋三维环境信息的黑潮智能化预报系统，其特征在于，包括处理器及存储介质；
...【技术特征摘要】
1.一种基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，包括：
2.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，海洋三维环境场包括海面高度、温度、盐度和经纬向流速。
3.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，预处理海洋三维环境场的方法包括：
4.根据权利要求1所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，黑潮预报大模型的训练方法包括：
5.根据权利要求4所述的基于海洋三维环境信息的黑潮智能化预报方法，其特征在于，多途径获取海洋三维环境场，包括：
6.根据权利要求5所述的基于海洋三维环境信息的黑潮智能化...
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。