潮位预测方法、装置、电子设备及计算机存储介质

技术特征：
1.一种潮位预测方法，其特征在于，所述方法包括：获取与预测时间相对应的潮位图像数据；其中，所述潮位图像数据根据潮位生成模型生成，且所述潮位图像数据用于描述预设区域内的各个位置点对应于所述预测时间的初始潮位值；将所述潮位图像数据中包含的至少一个位置点确定为预测位置点；根据所述潮位图像数据以及潮位预测模型，预测与所述预测位置点相对应的预测潮位值；其中，潮位预测模型为神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述潮位预测模型通过以下方式训练得到：获取与历史时间相对应的样本图像数据；其中，所述样本图像数据根据所述潮位生成模型生成，且所述样本图像数据用于描述所述预设区域内的各个位置点对应于所述历史时间的历史潮位值；根据所述样本图像数据中的各个位置点对应于所述历史时间的历史潮位值，生成潮汐特征序列；根据所述潮汐特征序列进行训练，得到所述潮位预测模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述样本图像数据中的各个位置点对应于所述历史时间的历史潮位值，生成潮汐特征序列包括：将所述样本图像数据中对应于观测位置的位置点确定为标记位置点，获取所述标记位置点对应于所述历史时间的历史潮位值；根据所述观测位置的潮位观测数据，确定所述标记位置点对应于所述历史时间的观测潮位值；根据所述观测潮位值对所述样本图像数据设置训练标签，通过所述训练标签对所述样本图像数据进行标注，得到标注后的样本图像数据，根据所述标注后的样本图像数据生成潮汐特征序列。4.根据权利要求3所述的方法，其特征在于，所述与历史时间相对应的样本图像数据包括：多个对应于不同的历史时间点的图像数据，且各个图像数据按照历史时间点的顺序依次排列。5.根据权利要求1所述的方法，其特征在于，所述潮位生成模型包括以下中的至少一个：数据同化模型、动力约束模型以及经验分析模型。6.根据权利要求1-4任一所述的方法，所述潮位预测模型包括：基于卷积操作的第一网络模型，用于学习样本图像数据中的任一位置点与局部子区域中的其余位置点之间的关联关系；和/或，所述潮位预测模型包括：基于注意力机制的第二网络模型，用于学习样本图像数据中的任一位置点与全局区域中的其余位置点之间的关联关系。7.根据权利要求1-4任一所述的方法，其特征在于，所述潮位图像数据根据潮位生成模型、历史观测数据以及同化算法生成。8.一种潮位预测装置，所述装置包括：图像数据获取模块，适于获取与预测时间相对应的潮位图像数据；其中，所述潮位图像
数据根据潮位生成模型生成，且所述潮位图像数据用于描述预设区域内的各个位置点对应于所述预测时间的初始潮位值；确定模块，适于将所述潮位图像数据中包含的至少一个位置点确定为预测位置点；预测模块，适于根据所述潮位图像数据以及潮位预测模型，预测与所述预测位置点相对应的预测潮位值；其中，潮位预测模型为神经网络模型。9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的方法。10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-7中任一项所述的方法。

技术总结
本发明涉及海洋潮汐预测领域，具体公开了一种潮位预测方法、装置、电子设备及计算机存储介质。该方法包括：获取与预测时间相对应的潮位图像数据；其中，潮位图像数据根据潮位生成模型生成，且潮位图像数据用于描述预设区域内的各个位置点对应于预测时间的初始潮位值；将潮位图像数据中包含的至少一个位置点确定为预测位置点；根据潮位图像数据以及潮位预测模型，预测与预测位置点相对应的预测潮位值；其中，潮位预测模型为深度学习神经网络模型。该方式通过潮位预测模型，能够精准预测位置点的预测潮位值，提升预测的准确性。提升预测的准确性。提升预测的准确性。


技术研发人员：王延强 仉天宇 林波 江文胜
受保护的技术使用者：国家海洋环境预报中心 广东海洋大学
技术研发日：2022.05.23
技术公布日：2022/7/1