一种基于深度学习的海浪预测方法及装置与流程

本技术涉及海浪预测，具体而言，涉及一种基于深度学习的海浪预测方法及装置。

背景技术：

1、海浪状态是影响船舶航行、海洋工程建设、海上作业和沿海防灾减灾的重要环境因素，有效波高、峰值波周期和峰值波向等海浪参数的准确预测，对海洋环境预报及海上安全保障具有重要意义。现有海浪预测通常采用数值海浪模式，通过对海浪演化过程进行数值求解获得不同时间和空间位置的海浪参数。然而，该类方法的计算过程较为复杂，计算量较大，难以兼顾预测效率和空间分辨率。

2、随着人工智能技术的发展，深度学习模型逐渐被用于海浪预测。深度学习模型能够根据历史数据学习环境因素与海浪状态之间的非线性关系，具有较高的推理效率。但是，现有深度学习模型主要依赖样本数据进行训练，其预测结果容易受到训练数据分布和样本质量的影响，对海浪演化规律的表征能力有限，可能产生不符合实际海浪变化规律的预测结果。因此，如何提高深度学习海浪预测结果的稳定性和物理合理性，是目前需要解决的问题。

技术实现思路

1、有鉴于此，本技术提供一种基于深度学习的海浪预测方法及装置。

2、具体地，本技术是通过如下技术方案实现的：

3、第一方面，本技术提供一种基于深度学习的海浪预测方法，包括：

4、获取目标海域的风场数据、水深数据、前一时刻海浪状态和目标时刻样本海浪状态，所述海浪状态包括有效波高、峰值波周期和峰值波向；

5、根据所述风场数据确定风能输入势，根据所述水深数据确定水深限制破碎阈值和底摩擦指示量，并根据所述风场数据、所述水深数据、所述前一时刻海浪状态、所述风能输入势、所述水深限制破碎阈值和所述底摩擦指示量构建多通道输入数据；

6、将所述多通道输入数据输入海浪预测网络，得到目标时刻的预测海浪状态；

7、根据所述前一时刻海浪状态、所述风能输入势、所述水深限制破碎阈值和所述底摩擦指示量构建目标时刻的物理参考海浪状态，并根据所述预测海浪状态、所述目标时刻样本海浪状态和所述物理参考海浪状态确定联合损失，基于所述联合损失训练所述海浪预测网络；

8、利用训练完成的所述海浪预测网络，根据待预测时刻的风场数据、水深数据和前一时刻海浪状态，输出所述待预测时刻的预测海浪状态。

9、一种可能的实施方式中，构建所述多通道输入数据，包括：

10、获取所述目标海域的地理位置和时间信息；

11、对所述风场数据、水深数据和海浪状态进行时间对应和空间对应，处理缺失值和无效值，并根据所述水深数据识别陆地网格，建立海陆掩膜；

12、对所述风场数据、水深数据和海浪状态进行归一化处理；

13、根据所述风场数据确定皮尔逊-莫斯科维茨参考海浪参数，根据所述地理位置和时间信息分别确定地理位置编码和时间编码；

14、根据处理后的数据、所述皮尔逊-莫斯科维茨参考海浪参数、所述地理位置编码和所述时间编码构建所述多通道输入数据。

15、一种可能的实施方式中，确定所述风能输入势、所述水深限制破碎阈值和所述底摩擦指示量，包括：

16、根据海面以上10m处的风速和拖曳系数确定风摩擦速度，并根据所述风摩擦速度、空气密度和海水密度确定所述风能输入势；

17、对所述水深数据进行限幅处理，得到有效水深；

18、根据所述有效水深和水深限制破碎系数确定所述水深限制破碎阈值，根据所述有效水深和底摩擦系数确定所述底摩擦指示量。

19、一种可能的实施方式中，构建所述物理参考海浪状态，包括：

20、根据所述前一时刻海浪状态中的有效波高确定前一时刻波能；

21、根据所述风能输入势确定波能增长项，根据所述底摩擦指示量和所述前一时刻波能确定底摩擦耗散项，根据所述水深限制破碎阈值和所述前一时刻波能确定破碎耗散项；

22、根据所述前一时刻波能、所述波能增长项、所述底摩擦耗散项和所述破碎耗散项确定物理参考波能；

23、根据所述物理参考波能确定物理参考有效波高。

24、一种可能的实施方式中，构建所述物理参考海浪状态，还包括：

25、根据前一时刻峰值波周期和所述风场数据对应的参考峰值波周期，确定物理参考峰值波周期；

26、根据前一时刻峰值波向和所述风场数据对应的风向，确定物理参考峰值波向；

27、根据波陡关系对所述物理参考有效波高和所述物理参考峰值波周期进行耦合约束，根据色散关系对所述物理参考峰值波周期和所述水深数据进行耦合约束，并根据折射关系对所述物理参考峰值波向、海浪沿群速方向的传播方向和所述水深数据的水深梯度进行耦合约束，得到所述物理参考海浪状态。

28、一种可能的实施方式中，将所述多通道输入数据输入海浪预测网络，得到所述预测海浪状态，包括：

29、利用残差u-net网络对所述多通道输入数据进行多尺度特征提取和特征融合，得到预测有效波高、预测峰值波周期以及预测峰值波向的正弦分量和余弦分量；

30、根据所述正弦分量和余弦分量确定所述预测峰值波向。

31、一种可能的实施方式中，确定所述联合损失，包括：

32、根据所述预测海浪状态与所述目标时刻样本海浪状态之间的差异，确定数据拟合损失；

33、根据所述预测海浪状态与所述物理参考海浪状态之间的差异，确定海浪状态演化损失；

34、根据所述预测海浪状态确定水深限制破碎损失、波陡损失、波能传播损失和空间平滑损失中的至少一种；

35、基于所述海陆掩膜，在海洋网格内对所述数据拟合损失、所述海浪状态演化损失以及所确定的至少一种损失进行加权，得到所述联合损失。

36、一种可能的实施方式中，训练所述海浪预测网络，包括：

37、采用所述前一时刻的样本海浪状态或所述海浪预测网络输出的前一时刻预测海浪状态构建所述多通道输入数据；

38、随训练轮次增加，提高采用所述前一时刻预测海浪状态构建所述多通道输入数据的比例；

39、根据所述比例，提高所述海浪状态演化损失以及所述水深限制破碎损失、波陡损失、波能传播损失和空间平滑损失中的至少一种在所述联合损失中的权重。

40、第二方面，本技术提供一种基于深度学习的海浪预测装置，包括：

41、获取模块，用于获取目标海域的风场数据、水深数据、前一时刻海浪状态和目标时刻样本海浪状态，所述海浪状态包括有效波高、峰值波周期和峰值波向；

42、确定模块，用于根据所述风场数据确定风能输入势，根据所述水深数据确定水深限制破碎阈值和底摩擦指示量，并根据所述风场数据、所述水深数据、所述前一时刻海浪状态、所述风能输入势、所述水深限制破碎阈值和所述底摩擦指示量构建多通道输入数据；

43、第一预测模块，用于将所述多通道输入数据输入海浪预测网络，得到目标时刻的预测海浪状态；

44、训练模块，用于根据所述前一时刻海浪状态、所述风能输入势、所述水深限制破碎阈值和所述底摩擦指示量构建目标时刻的物理参考海浪状态，并根据所述预测海浪状态、所述目标时刻样本海浪状态和所述物理参考海浪状态确定联合损失，基于所述联合损失训练所述海浪预测网络；

45、第二预测模块，用于利用训练完成的所述海浪预测网络，根据待预测时刻的风场数据、水深数据和前一时刻海浪状态，输出所述待预测时刻的预测海浪状态。

46、一种可能的实施方式中，确定模块用于：

47、获取所述目标海域的地理位置和时间信息；

48、对所述风场数据、水深数据和海浪状态进行时间对应和空间对应，处理缺失值和无效值，并根据所述水深数据识别陆地网格，建立海陆掩膜；

49、对所述风场数据、水深数据和海浪状态进行归一化处理；

50、根据所述风场数据确定皮尔逊-莫斯科维茨参考海浪参数，根据所述地理位置和时间信息分别确定地理位置编码和时间编码；

51、根据处理后的数据、所述皮尔逊-莫斯科维茨参考海浪参数、所述地理位置编码和所述时间编码构建所述多通道输入数据。

52、一种可能的实施方式中，确定模块用于：

53、根据海面以上10m处的风速和拖曳系数确定风摩擦速度，并根据所述风摩擦速度、空气密度和海水密度确定所述风能输入势；

54、对所述水深数据进行限幅处理，得到有效水深；

55、根据所述有效水深和水深限制破碎系数确定所述水深限制破碎阈值，根据所述有效水深和底摩擦系数确定所述底摩擦指示量。

56、一种可能的实施方式中，训练模块用于：

57、根据所述前一时刻海浪状态中的有效波高确定前一时刻波能；

58、根据所述风能输入势确定波能增长项，根据所述底摩擦指示量和所述前一时刻波能确定底摩擦耗散项，根据所述水深限制破碎阈值和所述前一时刻波能确定破碎耗散项；

59、根据所述前一时刻波能、所述波能增长项、所述底摩擦耗散项和所述破碎耗散项确定物理参考波能；

60、根据所述物理参考波能确定物理参考有效波高。

61、一种可能的实施方式中，训练模块还用于：

62、根据前一时刻峰值波周期和所述风场数据对应的参考峰值波周期，确定物理参考峰值波周期；

63、根据前一时刻峰值波向和所述风场数据对应的风向，确定物理参考峰值波向；

64、根据波陡关系对所述物理参考有效波高和所述物理参考峰值波周期进行耦合约束，根据色散关系对所述物理参考峰值波周期和所述水深数据进行耦合约束，并根据折射关系对所述物理参考峰值波向、海浪沿群速方向的传播方向和所述水深数据的水深梯度进行耦合约束，得到所述物理参考海浪状态。

65、一种可能的实施方式中，第一预测模块用于：

66、利用残差u-net网络对所述多通道输入数据进行多尺度特征提取和特征融合，得到预测有效波高、预测峰值波周期以及预测峰值波向的正弦分量和余弦分量；

67、根据所述正弦分量和余弦分量确定所述预测峰值波向。

68、一种可能的实施方式中，训练模块用于：

69、根据所述预测海浪状态与所述目标时刻样本海浪状态之间的差异，确定数据拟合损失；

70、根据所述预测海浪状态与所述物理参考海浪状态之间的差异，确定海浪状态演化损失；

71、根据所述预测海浪状态确定水深限制破碎损失、波陡损失、波能传播损失和空间平滑损失中的至少一种；

72、基于所述海陆掩膜，在海洋网格内对所述数据拟合损失、所述海浪状态演化损失以及所确定的至少一种损失进行加权，得到所述联合损失。

73、一种可能的实施方式中，训练模块用于：

74、采用所述前一时刻的样本海浪状态或所述海浪预测网络输出的前一时刻预测海浪状态构建所述多通道输入数据；

75、随训练轮次增加，提高采用所述前一时刻预测海浪状态构建所述多通道输入数据的比例；

76、根据所述比例，提高所述海浪状态演化损失以及所述水深限制破碎损失、波陡损失、波能传播损失和空间平滑损失中的至少一种在所述联合损失中的权重。

77、第三方面，本技术实施例还提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。

78、第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤。

79、本技术实施例提供的基于深度学习的海浪预测方法及装置，能够根据风场数据和水深数据确定与海浪生成、破碎和耗散过程相关的物理派生量，将所述物理派生量与风场数据、水深数据及前一时刻海浪状态共同用于构建多通道输入数据，并进一步根据所述物理派生量和前一时刻海浪状态构建目标时刻的物理参考海浪状态。由此，同一物理信息能够同时作用于海浪预测网络的输入过程和训练约束过程，使海浪预测网络在学习样本数据中海浪变化关系的同时，受到海浪演化规律的约束，从而减少不符合海浪生成、破碎及耗散规律的预测结果，提高海浪预测结果的稳定性和物理合理性。

80、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。