基于Mamba的全局和局部时空融合的海表温预测方法

摘要: 本发明属于海温预测,特别涉及基于mamba的全局和局部时空融合的海表温预测方法。背景技术:1、全球海温状态不仅是研究全球大气和海洋预报的重要组成部分,也是研究海...
基于Mamba的全局和局部时空融合的海表温预测方法

本发明属于海温预测,特别涉及基于mamba的全局和局部时空融合的海表温预测方法。

背景技术:

1、全球海温状态不仅是研究全球大气和海洋预报的重要组成部分,也是研究海洋生物和全球变暖的关键因素,因此,建立一个精确、高效的全球海表温度预测系统对海洋和气候科学具有重要意义。

2、目前海洋数据预测方法主要分为三大类:人工经验法、数值模型和统计预测。但是,目前传统方法存在以下问题:一方面这些方法受参数设置和人类认知水平的显著影响,面对复杂的海洋过程时,即便采用复杂公式和繁琐计算也难以取得理想效果。另一方面,在海洋环境预测领域,传统方法不仅计算量大,实时预测效率也偏低。

3、为了解决这一问题,利用深度学习网络对全球海面温度的短期预测,提出两种基于编解码网络结构的多输入多输出区域预测模型:分别采用长短期记忆lstm和卷积长短期记忆网络convlstm单元构建的多输入多输出区域编码解码长短期记忆网络(multi-regionencoding-decoding long short-term memory,mr-edlstm)和多输入多输出区域编码解码卷积长短期记忆网络(multi-region encoding-decoding convolutional long short-term memory,mr-edconvlstm)。该方法的优势在于它利用了基于长短期记忆(lstm)网络的架构,通过特征编码、转换与解码技术提取海表面温度(sea surface temperature,sst)的时空信息,实现多步状态预测。

4、但是,以上方法存在两个方面的缺陷,下面将逐一展开论述:

5、模型在时间序列建模上依赖递归迭代的隐藏状态更新机制,存在长时序信息捕捉能力有限的问题。convlstm通过将空间卷积与时间循环结合,实现对短期sst序列的时空特征提取,但在处理长期预测任务时,隐藏状态在多步迭代过程中容易出现梯度衰减或信息遗失,导致远距离时间依赖特征无法被充分利用。例如,在对长时序的sst预测中,早期输入信息对于后期预测具有重要指导意义,但convlstm在多步迭代中难以保持这些信息的完整性,可能导致长期趋势的偏差或预测不稳定。

6、convlstm在空间特征建模上存在局限性,尤其是对局部的空间信息提取能力不足。convlstm通过卷积操作提取局部空间特征,但卷积核大小固定,难以适应不同尺度的空间模式,限制了模型对多尺度空间特征的捕捉能力。例如,在小尺度涡旋区域,卷积核可能不足以覆盖完整结构,导致局部信息捕捉不精确。

技术实现思路

1、针对现有技术存在的不足,本发明提供基于mamba的全局和局部时空融合的海表温预测方法,通过mamba的动态信息传播机制,更好的解决sst长期预测问题;并嵌入小波变换捕捉局部信息。

2、本发明采用的技术方案是:

3、s1、海温图像预处理:

4、将输入的海温图像分割成多个图像块,所述图像块进行下采样得到下采样特征图c;

5、s2、多尺度特征提取:

6、所述下采样特征图c输入编码器,所述编码器包括级联的多个编码阶段,前两个阶段采用傅里叶-小波融合神经算子模块,后两个阶段采用mamba模块,各编码阶段分阶段提取并输出从高分辨率到低分辨率的多个不同尺度特征;其中,所述傅里叶-小波融合神经算子模块称为fwno模块,在所述fwno模块中,通过傅里叶变换与小波变换两条并行路径进行处理,得到输出特征,在所述mamba模块中通过两条并行支路进行mamba动态状态传播处理,得到输出特征;

7、s3、特征恢复与优化:

8、所述多个不同尺度特征输入解码器对应阶段,所述解码器包括级联的多个解码阶段,各解码阶段先将上一阶段特征上采样,并通过跳跃连接与编码器对应阶段的输出特征进行融合,然后经特征优化处理,最终恢复至原始海温图像尺寸的高分辨率特征;

9、s4、跳跃连接与最终输出:

10、将s1分割得到的图像块经卷积模块提取特征并匹配维度后,与解码器输出的高分辨率特征进行跳跃连接融合,再经卷积模块输出与原始海表温度图像分辨率相同的预测海温图像。

11、进一步的,在所述fwno模块中,通过傅里叶变换与小波变换两条并行路径进行处理,得到输出特征,在所述mamba模块中通过两条并行支路进行mamba动态状态传播处理,得到输出特征,包括:

12、所述下采样特征图c通过傅里叶变换与小波变换两条并行处理路径进行加权增强与融合,得到融合结果,所述融合结果与所述下采样特征图c跳跃连接后经残差连接,得到fwno模块最终输出特征;

13、mamba模块接收上一阶段输出的下采样特征图进行层归一化处理,通过两条并行支路执行mamba的动态状态传播处理,得到结果与结果,结果与结果进行特征融合得到融合结果,所述融合结果通过残差连接与卷积层后输出结果。

14、进一步的,所述下采样特征图c通过傅里叶变换与小波变换两条并行处理路径进行加权增强与融合,得到融合结果,所述融合结果与所述下采样特征图c跳跃连接后经残差连接,得到fwno模块最终输出特征,包括:

15、在傅里叶变换处理路径中输入所述下采样特征图c,通过傅里叶变换进行频域转换,得到频域特征,所述频域特征通过可学习参数w频域加权得到加权后的特征,并对所述特征进行逆傅里叶变换恢复空间域,对逆傅里叶变换的输出进行压缩操作,然后通过层归一化对压缩后的特征进行标准化处理,最后经展开操作得到输出结果;

16、在小波变换处理路径中输入所述下采样特征图c,通过小波分解得到低频子带和高频子带,并对每一个子带进行加权;通过逆小波变换重构回原始空间,输出结果;所述输出结果和所述所述输出结果,进行特征融合,输出融合结果;所述融合结果与所述下采样特征图c跳跃连接后经残差连接,得到fwno模块的最终输出特征。

17、进一步的,所述输出结果具体通过以下方法获得:

18、将所述下采样特征图进行层归一化处理,然后输入两条并行支路,在第一支路中,依次经过通道压缩、维度恢复、的动态状态传播层归一化,得到结果;在第二支路中,依次经过的动态状态传播、层归一化,得到结果;

19、所述结果与所述结果相加并通过可学习权重加权后与所述下采样特征图跳跃连接得到融合结果,所述融合结果经过残差处理和卷积层后,再与所述融合结果跳跃连接得到输出结果。

20、进一步的,所述的mamba的动态状态传播包括以下步骤:

21、将输入的特征图按时间维展开并对空间维进行重排,转换为序列形式,通过线性投影层对输入序列进行映射,生成动态状态传播所需的参数;其中,动态状态传播所需的参数包括:控制信息衰减率,输入矩阵,输出矩阵;

22、利用动态生成的参数将连续时间系统转换为离散时间系统,得到离散化时间下的状态转移矩阵和输入矩阵,表示为:

23、;

24、;

25、其中,为连续时间系统的状态转移矩阵,为离散时间下的状态转移矩阵,控制隐藏状态的演化,为离散时间下的输入矩阵,表示输入如何作用到状态,为单位矩阵;

26、将上一步状态经所述离散时间下的状态转移矩阵传播和当前输入序列经所述离散时间下的输入矩阵加权生成系统状态,并将所述系统状态经动态输出矩阵映射得到输出特征,表示为:

27、;

28、;

29、其中,表示第步的系统状态,表示观测值即输出特征,表示输出矩阵。

30、进一步的,所述多个不同尺度特征输入解码器对应阶段,所述解码器包括级联的多个解码阶段,先将上一阶段特征上采样,再通过跳跃连接与编码器对应阶段的输出特征进行融合,然后经特征优化模块处理,包括:

31、所述多个不同尺度特征进入解码器对应阶段,每个阶段通过上采样进行反卷积,将低分辨率特征图恢复至更高维度后通过特征优化模块进行优化处理,其中所述特征优化模块分为深层和浅层,深层通过插入mamba模块进行mamba的动态状态传播处理,输出特征,浅层通过普通卷积块优化特征;

32、其中,解码器中mamba模块的结构与编码器中的mamba模块的结构相同,解码器中mamba的动态状态传播处理与权利要求5所述的mamba的动态状态传播处理相同。

33、与现有技术相比,本发明优点在于:

34、本发明将傅里叶变换(全局频域建模)与小波变换(局部时频建模)融合于单一神经算子模块,通过双路径并行提取与自适应加权融合,实现对海温场中宏观周期与微观突变的多尺度统一表征;编码器以fwno+mamba模块串行堆叠,实现频域-时频域-时序域的多维特征提取;解码器根据阶段深度差异化设计,深层采用mamba模块捕捉全局长程依赖,浅层采用卷积模块恢复局部空间细节,形成了“全局-局部”协同优化的特征恢复机制。本发明将上述混合架构引入全球海表温度短期预测领域,为海洋时空预测任务提供了一种高效、精准的新型解决方案。

35、本发明通过引入mamba模块的动态信息传播机制,有效解决了现有技术在长时序海表面温度(sst)预测中面临的噪声干扰与关键依赖丢失问题。能够根据输入的sst数据特征自适应调整信息传播状态,对数据中的短期无关噪声自动增强过滤效果,实现冗余信息的快速衰减;针对影响长期预测结果的核心信号,则通过降低信息衰减程度,确保关键特征在长时序建模过程中持续发挥作用,从而提升长期预测的稳定性与准确性,突破了传统模型难以兼顾长时序跨度与预测精度的局限。

36、本发明嵌入fwno模块,针对性解决了传统建模方法对全局规律与局部细节协同表征不足的缺陷。通过傅里叶变换路径捕捉全局周期性规律,并特别通过其小波变换路径聚焦于局部特征提取,能够精准捕捉sst数据中的小尺度波动、突发异常及局部突变特征,例如某一海域的短期温度骤升、局部洋流引发的温度异常等关键信息。同时,可基于任务需求自适应加权融合全局与局部特征,有效过滤非目标区域的无关干扰信号,生成高质量、多分辨率的特征表示。