一种基于深度学习的海洋表面温度场预测方法

1.本发明涉及海洋观测技术领域，特别涉及一种基于深度学习的海洋表面温度预测方法。


背景技术：

2.海表温度(sst，sea surface temperature)是指海洋表面的水温。它是世界海洋的一个至关重要的参数，在海洋和大气之间的能量、动量和水分的交换中起着基础性的作用，它们可以影响降水的分布，从而可能导致干旱和洪水等极端天气事件，最终影响各种环境条件和动态。因此，对未来海温的预测对于我们更好地了解气候的动态变化具有重要的意义。
3.然而，由于近海面的热通量、辐射和日风变化较大，海温的预测具有高度的不确定性，难度较大。目前的海洋温度预报主要分为两类：一种是基于物理的数值模型。它通过一系列复杂的物理方程描述了海洋温度的变化规律。这些方程非常复杂，通常需要大量的计算工作。另一种是基于数据的数据驱动模型。它试图从海洋数据中了解温度变化的规律，并进一步使用学习模式推断未来的海温。它们远不如数值方法复杂，适合于预测特定地点的海温。这类方法包括传统的统计方法和最新的机器学习和人工智能方法。当前的机器学习方法多停留在单点预测阶段，效率低下，因此，使用基于深度学习的海洋表面温度场方法有助有为这一领域贡献快速且准确的新选择。


技术实现要素：

4.本发明公开了一种基于深度学习的海洋表面温度场预测方法，属于海洋观测技术领域，该方法首先获取含有海洋表面多个特征的数据样本库，对不同特征进行预处理，得到具有时空关联性的海洋表面温度场时空样本库；其次基于所述的海洋表面温度场时空样本库，利用卷积长短期记忆网络建立海洋表面温度预测模型：预测模型的输入为过去多个时刻的多个海洋表面环境特征，包括海表面温度、海表面盐度、海面高度，模型的输出为海洋表面未来时刻的温度场数据；预测模型的最终输出为目标海域t 1，t 2,t 3时刻的预测温度场。本发明利用深度学习的强非线性映射能力和多模态融合能力来开展海洋表面温度场的预测研究，实现了海洋表面温度场及时、准确、轻量化的预测。
5.本发明实施例提供了一种基于深度学习的的海洋表面温度场预测方法，通过多维度因素分析以实现海洋表面温度场及时准确的预测，用以弥补现有技术的不足。
6.为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
7.本发明提供了一种基于深度学习的海洋三维温度场反演方法，具体步骤如下：
8.s1:通过再分析数据集获得海洋表面的观测数据，所述数据为海洋表面实测的真实数据；
9.s2:通过t
…
t-14时刻海洋表面实测的多种环境特征数据与卷积长短期记忆网络相结合预测得出t 1，t 2,t 3时刻海洋表面的温度数据；
10.s3:采用卷积长短期记忆网络的方法，对海洋表层的数据进行深度信息挖掘，可以显著提高数据的预测效率和时空关联性；
11.s4:将s3中的t 1,t 2,t 3时刻海洋表层温度数据与实测温度进行对比；
12.s5:根据s4的对比结果优化网络模型，使其达到最优状态；
13.进一步的，在所述步骤s1中，数据预处理采用如下机制：
14.通过argo、soda、redos等多个再分析数据集，获取原始数据，同时针对数据的缺失值和异常值，进行预处理。缺失值处理方式为全局平均插值法，异常值的处理方式为舍弃当个时间点的数据。
15.进一步的，在所述步骤s2中，卷积长短期记忆网络满足如下条件：
16.(1)网络模型的输入为过去t
······
t-13,共14个时刻的海表面温度、海表面盐度、海表面高度等物理特征参数，经过归一化之后统一为一定的范围，之后经由特定的超参数组合计算，输出为t 1，t 2，t 3时刻的海平面高度数据。
17.(2)模型的架构由五层构成，1个输入层，3个convlstm层和一个输出层，输入维度为(samples,，time_steps，longitude，latitude，features),在每层之间权重会进行传递。
18.进一步的，在所述步骤s3中，引入了attention机制：
19.考虑到不同海表面特征对次表面温度场反演的贡献值大小是不同的，因此我们引入了attention机制，对不同时间间隔的重要性权重进行分配，在convlstm每一步输出上建立注意力分配机制：对预测结果贡献大的时间步分配较高的注意力值，贡献小的时间步分配较小注意力值，注意力值由模型在训练过程中自动学习获得，能够刻画不同时间步对海表面温度场预测的差异化贡献；
20.进一步的，在所述步骤s4中，将模型预报的温度场数值与再分析资料的观测数值进行比较，根据结果反馈至模型再调试模型参数，优化模型，最终得到准确的三维温度场反演模型；设定两个指标来定量衡量海洋表面温度预测的效果，第一个指标是预测的温度场和再分析数据集温度场的均方根误差(rmse)：
[0021][0022]
其中，y
pre
表示模型输出的温度值，y
obs
表示实际观测资料中的温度值，m表示一次测试集中输入的温度场的数量。
[0023]
第二个衡量指标是模型预测的温度值与实际观测值之间的平均绝对值误差(mse)，用于衡量预测值误差的平均模长，计算公式表示为：
[0024][0025]
其中，y
pre
和y
obs
分别表示模型的预测值和真实的观测值。
[0026]
本发明实施例提供的技术方案可以包括以下有益效果：
[0027]
利用深度学习技术的强非线性映射能力和多模态数据融合能力，对海洋大气领域
时空序列进行智能处理，实现海洋表面温度场的精准预测。针对性的选择了多个影响海洋表面温度场的海表面环境特征，采用多通道卷积的机制辅以长短期记忆网络，实现时间和空间关联度的深度信息挖掘。此外本发明还引入了注意力机制，针对不同时间步对预测温度场的差异化贡献进行区分。
[0028]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
[0029]
此处的附图被并入说明书中并构成本说明书的一部分，展示出了符合本发明的实例，并与说明书一起用于解释本发明的原理。
[0030]
图1是根据一示例性示出的一种基于深度学习的海洋表面温度预测技术的方法步骤流程图。
[0031]
图2是卷积长短期记忆网络模型的一个经典架构图。
具体实施方式
[0032]
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，各实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。本文中，诸如第一和第二等之类的关系术语仅仅用于将一个实体或者操作与另一个实体或操作区分开来，而不要求或者暗示这些实体或操作之间存在任何实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法、产品等而言，由于其与实施例公开的方法部分相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0033]
图1出示了基于深度学习的海洋表面温度场预测模型的一个可选实施架构。
[0034]
该可选实例中，所述系统包括convlstm模型，所述的convlstm模型是一个基于传统的长短期记忆网络(lstm)的变体，长短期记忆网络有三个门，即输入门，输出门和遗忘门，而convlstm主要是更改了w的权值为卷积运算，这样可以提取出二维空间图像的特征。模型的输入为从各种再分析资料中获得t-1
……
t-13时刻的海表面温度、海表面盐度、海表面高度等3个特征数据作为模型输入，最终输出为t 1,t 2,t 3时刻的海表面温度。
[0035]
可选的，所述再分析数据集来自与国内外的知名科研机构产品，包括argo、redos、
soda等数据集，一般都是使用netcdf格式进行存储和分发，使用支持多种扩展的python语言，对该数据集进行读取和预处理，将陆地和岛屿点进行差值和覆盖，使其具有完整的平面值，便于后续的卷积操作。同时在完成插值后，使用归一化方法，将不同类别的海洋表面特征归一化到(0，1)之间，整合为统一的5d张量，为神经网络模型的输入做准备。
[0036]
可选的，如图2所示，所述convlstm单元对多元时空序列(multivariate time and space series)进行充分的特征提取，不断学习多元时空序列的长期依赖关系，其具体包括：convlstm用lstm单元中每个门的卷积运算代替矩阵乘法。这样，它通过在多维数据中进行卷积操作来捕获基础空间特征。convlstm和lstm之间的主要区别在于输入维数。由于lstm输入数据是一维的，因此不适用于空间序列数据，例如视频，卫星，雷达图像数据集。convlstm设计用于3d数据作为其输入，可以很好地考虑到海表面温度数据内部的时空关联性。
[0037]
可选的，考虑到不同时间步对海洋表面温度预测的贡献值大小是不同的，因此我们引入了attention注意力机制，对不同时间步的重要性权重进行分配，在convlstm每一步输出上建立注意力分配机制：对目标预测结果贡献大的特征分配较高的注意力值，贡献小的特征分配较小注意力值，注意力值由模型在训练过程中自动学习获得，能够刻画不同时间步对海洋表面温度预测的差异化贡献。
[0038]
可选的，卷积长短期记忆网络输出的模型可以涵盖多个时间步，在对应不同的时刻，可以选择对应的缺失值处理机制，将预测结果返回为去掉陆地和岛屿的状态，同时使用基于gis和matplotlib的技术将预测结果进行可视化分析。
[0039]
本发明利用人工智能技术对海洋大气领域时空序列进行智能处理，能够避免地球数值模式的消耗大量计算资源且无法实时预测的难题，快速且有效的预测海洋表面温度场的分布，能够协助进行“厄尔尼诺”和“拉尼娜”等灾害的预警和各类海上作业的指导，处理速度快，计算资源小，有利于集成和大规模的应用。
[0040]
本领域技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。所属技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0041]
本文所披露的实施例中，应该理解到，所揭露的方法、产品(包括但不限于装置、设备等)，可以通过其它的方式实现。例如以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个
以上单元集成在一个单元中。
[0042]
应当理解的是,附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。本发明并不局限于上面已经描述并在附图中示出的流程及结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。