一种海洋温盐预测方法及系统

1.本发明属于海洋预测技术领域，具体说是一种海洋温盐预测方法及系统。


背景技术：

2.随着时间的推移，海洋温度和盐度的变化对海洋生态系统和全球气候变化有重要影响。海洋中发生的许多现象和过程，也常与海水温盐的变化有关。因此，对于海洋温度和盐度变化规律的研究，在海洋科学上占有重要的地位。研究、掌握海水温度和盐度的时空分布及变化规律，是海洋学的重要内容，对于海上捕捞、水产养殖，及海上作战等都有重要意义，对气象、航海和水声等学科也很重要。
3.海洋温盐预测在海洋相关领域的研究中一直占有重要地位。目前的研究主要是基于海洋表面的温盐，但对海洋内部温盐的预测在实际应用中更为重要。目前，关于海洋内部温盐预测的研究大多是基于时间序列的，其中很少有人考虑时间和空间的对偶特征。因此，相关方法的预测精度不够高，特别是对于温跃层和深海位置的预测。因此，一个能够充分考虑时间、空间双重特征的预测模型对提高海洋温盐预测的准确度具有重要意义。


技术实现要素：

4.针对现有技术的不足，本发明提供一种海洋温盐预测方法及系统，利用四维卷积模型对海洋温度或盐度数据进行时间及空间的双重特征提取，再利用残差网络进一步获取海洋温度或盐度的空间特征，最后将特征结果输入再校准模块，对每个特征进行加权求和，实现海洋温度或盐度预测。提出的方法考虑了海洋数据本身的三维栅格化特点，克服现有温盐预测方法通常考虑时间序列的特性，而对空间关系提取不足等局限，这对海洋温盐预测领域具有理论和实际意义。
5.本发明为实现上述目的所采用的技术方案是：
6.一种海洋温盐预测方法，包括如下步骤：
7.步骤1、对一段时间内定点位置的原始海洋温度或盐度实时数据进行预处理，使得满足四维卷积模型的数据维度；
8.步骤2、建立四维卷积模型，对预处理后的海洋温度或盐度实时数据分批次进行四维卷积操作，实现海洋数据时空特征的充分提取；
9.步骤3、建立由多个基本残差单元串联组成残差网络，进一步获取突出空间特征的海洋温度或盐度时空数据；
10.步骤4、对获取的海洋温度或盐度的空间特征进行再校准加权求和，预测海洋温度或盐度；
11.步骤5、反复迭代以上步骤2-4，选用adam优化器，以平均绝对误差作为损失函数，反向传播调整海洋温度或盐度预测模型参数，从而优化海洋温度或盐度预测模型；
12.步骤6、实时采集待预测定点位置的现场海洋温度或盐度并预处理后，输入优化的海洋温度或盐度预测模型，实现海洋温度或盐度预测；
13.步骤7、将海洋温度或盐度预测的结果以颜色或图表进行二维平面或三维立体网格图像形式的可视化显示。
14.所述原始海洋温度或盐度实时数据是通过gps定位装置、深度传感器、温度传感器、盐度计采集的经度、纬度和深度的三维张量温度或盐度数据。
15.所述预处理包括以下步骤：
16.步骤1-1、归一化，映射范围为[-1，1]；
[0017]
步骤1-2、将归一化后的原始海洋温度或盐度实时数据处理为四维卷积需要的六维形式为(u
×c×s×
l
×h×
w)；
[0018]
其中，u是数据的批次大小，c是通道数，s是时间序列的样本数，数据形状是l
×h×
w，l是数据层数，h是数据高度，w是数据宽度；
[0019]
所述参数l、h、w的定义选取原则为：在海洋数据中，横截面方向表示为：l是深度范围，h是纬度范围，w是经度范围；剖面方向分别表示为：l、h、w为纬度、深度和经度的范围。
[0020]
所述建立四维卷积模型包括以下步骤：
[0021]
步骤2-1、设置卷积核个数、卷积核大小、步长参数，卷积层的激活函数设置为relu函数，建立m层的四维卷积神经网络；
[0022]
步骤2-2、计算过程中，将步骤1获取的六维数据输入m层卷神经网络；依次完成各层的四维卷积操作，最终获取表征海洋数据时间、空间双重特征的温度或盐度数据。
[0023]
所述每一层四维卷积神经网络都是以三维卷积模型为基础搭建的，公式如下：
[0024][0025]
其中，bj是偏置项，c是输入通道，j是输出通道，r
×
x
×y×
z是卷积核的大小，是模型中位置(r,x,y,z)处对应的权重，对应输入通道c，输出通道j。vc是位置(s r,l x,h y,w z)在通道c的输入，是位置(s,l,h,w)在通道j的输出。
[0026]
所述各层的四维卷积操作包括以下步骤：
[0027]
由于六维数据中有三个维度表示数据的形状，因此展开其中一个维度，以获得若干个五维数据，对每个五维数据应用三维卷积计算，将计算得到的数据按照对应位置进行相加，完成一次四维卷积操作；所述四维卷积通过三维卷积计算的公式如下：
[0028][0029]
所述利用残差网络进一步获取突出空间特征的海洋温度或盐度时空数据，包括以下步骤：
[0030]
步骤3-1：所述基本残差单元包括：激活单元
→
三维卷积
→
激活单元
→
三维卷积组成；
[0031]
步骤3-2：利用残差网络进一步获取海洋温度或盐度的空间特征；通过以下公式得到：
[0032]
x
l 1
＝x
l
f(x
l
；θ
l
)
ꢀꢀꢀ
(2)
[0033]
其中，θ
l
是第l个残差单元中所有可学习参数的集合，x
l
是第l个残差单元的输入，x
l 1
是第l个残余单元的输出。
[0034]
所述对获取的海洋温度或盐度的空间特征进行再校准加权求和，获取预测温度或盐度xc，包括：
[0035][0036]
其中，为c通道中特征k的输入，即所获取的突出空间特征的海洋温度或盐度时空数据；为对应的权重；是按照元素进行计算的乘法；通过学习参数来量化空间中各个特征的作用程度。
[0037]
所述二维平面的可视化显示，为同一深度下，由经纬度构成的海洋水平面的温度或盐度等值线图或同一纬度下，由深度和经度构成的海洋剖面的温度和盐度等值线图；
[0038]
所述三维立体网格图像形式的可视化显示，为包含经度、纬度、深度三个维度的某一海域的温度或盐度等值线立体图。
[0039]
一种海洋温盐预测系统，包括传感器设备、处理器、存储器；所述传感器设备包括gps定位装置、深度传感器、温度传感器、盐度计，用于采集的经度、纬度和深度的三维张量温度或盐度数据发送给处理器；存储器中存储有程序，处理器读取程序执行如上所述的方法步骤，实现海洋温盐预测。
[0040]
本发明具有以下有益效果及优点：
[0041]
本发明提供一种海洋温盐预测方法及系统，通过将四维卷积模型、残差结构和再校准模块结合，先利用四维卷积模型对海洋温度或盐度数据进行时间及空间的双重特征提取，再利用残差网络进一步获取海洋温度或盐度的空间特征，最后将特征结果输入再校准模块，对每个特征进行加权求和，实现海洋温度或盐度预测。考虑了海洋数据本身的三维栅格化特点，克服现有温盐预测方法通常考虑时间序列的特性，而对空间关系提取不足等局限，对海洋温盐预测领域具有理论和实际意义。本发明的可视化显示可以将海洋温盐预测的结果以颜色或图表进行二维平面或三维立体网格图像形式的直观展示。
附图说明
[0042]
图1为本发明的方法流程图。
[0043]
图2为水下0-10m的温度预测结果和真实值的对比图。
[0044]
图3为水下1000m-1200m的温度预测结果和真实值的对比图。
[0045]
图4为夏季海洋剖面温度的预测结果和真实值对比图。
[0046]
图5为冬季海洋剖面温度的预测结果和真实值对比图。
具体实施方式
[0047]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方法做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违
背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0048]
除非另有定义，本文所使用的所有技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
[0049]
如图1所示，为本发明的方法流程图。
[0050]
海洋温盐预测方法，将海洋实测温度或盐度数据进行归一化处理，并构成六维数据的形式，利用四维卷积和残差网络进行时间及空间的双重特征提取，再利用再校准模块，对每个特征进行加权求和，实现海洋温盐预测。本发明的程序执行步骤所采用的编程语言不限于matlab、python等。
[0051]
本发明的具体步骤如下：
[0052]
步骤1数据处理及归一化：
[0053]
步骤1-1：将海洋的实测温度或盐度数据利用min-max标准化方法进行归一化处理，映射范围为[-1，1]；
[0054]
利用min-max标准化方法将海洋温度或盐度数据进行归一化处理，公式如下：
[0055][0056]
其中，xi表示海洋温度或盐度实测数据，海洋温度或盐度的实测数据为包括经度、纬度和深度特征的三维张量数据。
[0057]
步骤1-2：将数据处理为四维卷积需要的六维，形式为(u
×c×s×
l
×h×
w)。u是数据的批次大小，c是通道数，s是时间序列的样本数，数据形状是l
×h×
w，l是数据层数，h是数据高度，w是数据宽度。在海洋数据中，横截面方向表示为：l是深度范围，h是纬度范围，w是经度范围；剖面方向分别表示为：l、h、w为纬度、深度和经度的范围。在海洋数据中，通道数为1。经过实验，时间序列的样本数设置为9，u是537(原始546天海洋温盐数据)。目的是为了用前9天的温度或盐度数据预测第10天的温度或盐度，既能有效提取时间依赖特征，也不会因为时间样本选取太长而导致无用信息的堆积。将原始546天海洋温度或盐度数据，按照537批次分别处理成了六维数据。
[0058]
步骤2、建立四维卷积模型，利用该四维卷积模型对六维数据进行四维卷积操作，实现海洋数据时空特征的充分提取；
[0059]
步骤2-1：利用四维卷积模型对六维数据进行四维卷积操作，实现海洋数据时空特征的充分提取。
[0060]
本实例中的四维卷积模型为三层四维卷积神经网络。每一层都是以三维卷积模型为基础搭建四维卷积模型；四维卷积模型的搭建是通过以下公式得到：
[0061][0062]
其中，bj是偏置项，c是输入通道，j是输出通道，r
×
x
×y×
z是卷积核的大小，是模型中位置(r,x,y,z)处对应的权重，对应输入通道c，输出通道j。vc是位置(s r,l x,h y,w z)在通道c的输入，是位置(s,l,h,w)在通道j的输出。
[0063]
所述四维卷积可以通过三维卷积来实现，是通过以下公式得到：
[0064][0065]
步骤2-1、计算过程中，将步骤1获取的六维数据输入第一层卷积层。由于六维数据中有三个维度表示数据的形状。展开其中一个维度，以获得几个五维数据。对每个五维数据应用三维卷积计算，将计算得到的数据按照对应位置进行相加，这便完成了一次四维卷积操作。所述按照对应位置进行相加包括：对每组五维数据进行相同规格的三维卷积后会得到大小相同的多维矩阵，一组五维数据输出一组多维矩阵，将得到的若干组多维矩阵按照对应位置的元素进行相加，就将若干组多维矩阵变成了一组多维矩阵，就实现了四维卷积操作。这样依次完成三层四维卷积神经网络的卷积操作，获取表征海洋数据时间、空间双重特征的537批次温度或盐度数据。
[0066]
实例：四维卷积模型为三层四维卷积神经网络。第一层对每组展开后的五维数据选用64个卷积核，卷积核大小为(1，3，3)，步长为(1，1，1)。将计算后的数据按照对应位置相加，完成第一层四维卷积。第二层选用64个卷积核，卷积核大小为(3，3，3)，步长为(3，1，1)。第三层与第二层设置相同。每个卷积层的激活函数都设置为relu,卷积的border_mode都设置为same。
[0067]
步骤3、建立残差网络，利用该网络处理表征海洋数据时间、空间双重特征的537批次温度或盐度数据：
[0068]
步骤3-1：利用激活单元(relu)
→
三维卷积
→
激活单元(relu)
→
三维卷积组成基本残差单元。三维卷积中卷积核设置为64个，卷积核大小为(3，3，3)，边框参数border_mode设置为“same”。将当前残差单元的输入和输出相加，作为下一个残差单元的输入。
[0069]
步骤3-2：残差网络由4个基本残差结构串联组成。
[0070]
所述利用残差网络进一步获取海洋温度或盐度的空间特征，是通过以下公式得到：
[0071]
x
l 1
＝x
l
f(x
l
；θ
l
)
ꢀꢀꢀ
(4)
[0072]
其中，θ
l
是第l个残差单元中所有可学习参数的集合，f()是残差函数，表示残差单元中的所有操作。在本方法中表示激活 三维卷积 激活 三维卷积，x
l
是第l个残差单元的输入，x
l 1
是第l个残余单元的输出。
[0073]
步骤3-3：将步骤2获取的表征海洋数据时间、空间双重特征的537批次温度或盐度数据输入该残差网络，获取突出空间特性的537批次温度或盐度数据。
[0074]
步骤4、再校准模块包括：
[0075]
步骤4-1：通过前面步骤3得到海洋数据的时间及空间特征，构建与所得特征同样大小的张量数据，数据表示各特征元素的权重。先生成[0,1)的随机张量数据，再将其设置为可学习的变量。
[0076]
步骤4-2：将前面步骤所得的特征与权重张量按照对应元素相乘，并进行特征间的求和，实现对不同特征进行加权求和。是通过以下公式得到：
[0077]
[0078]
为c通道中特征k的输入，即步骤3获取的突出空间特性的537批次温度或盐度数据特征；为对应的权重，是按照元素进行计算的乘法。通过学习参数来量化空间中各个特征的作用程度。每层神经网络有64个卷积核，经过四维卷积和残差网络，最终会生成64个对应的特征。特征k就是指前面步骤生成的64个特征。这里的通道c指模型输出的温度数据的通道，与输入时相同，都为1。
[0079]
步骤5、实例中，整体时空四维卷积模型的批尺寸设置为32，学习率设置为0.0005，优化器使用adam，损失函数使用平均绝对误差(mae)。反复迭代以上步骤2-4，反向传播调整海洋温度或盐度预测模型参数，从而优化海洋温度或盐度预测模型。所述模型是四维卷积、残差和再校准三个部分。模型参数就是这三个部分中所有的可学习参数，例如θ
l
。
[0080]
步骤6、海洋温度或盐度预测为单变量预测。对同一位置前9天的温度或盐度数据建模预测第10天的温度或盐度。进行如上标准化建模后得到了时空四维卷积模型，将实测的海洋温度或盐度数据输入标准模型后得到了各个位置的预测温度或盐度数据，实现了对整体海洋温度或盐度的预测，提高了海洋温度或盐度的预测精度，对海洋温盐预测领域具有理论和实际意义。
[0081]
步骤7、将海洋温度或盐度预测的结果以颜色或图表进行二维平面或三维立体网格形式的可视化显示。
[0082]
所述二维平面的可视化显示，为同一深度下，由经纬度构成的海洋水平面的温度和盐度等值线图或同一纬度下，由深度和经度构成的海洋剖面的温度或盐度等值线图。
[0083]
所述三维立体网格图像形式的可视化显示，为包含经度、纬度、深度三个纬度的一片海域的温度或盐度等值线立体图。
[0084]
同时，本发明的一种海洋温盐预测系统，包括传感器设备、处理器、存储器；所述传感器设备包括gps定位装置、深度传感器、温度传感器、光纤传感器(盐度计)，用于采集的经度、纬度和深度的三维张量温度或盐度数据发送给处理器；存储器中存储有程序，处理器读取程序执行如上所述的方法步骤，实现海洋温盐预测。
[0085]
如图2为水下0-10m的温度预测结果和真实值的对比图。图3为水下1000m-1200m的温度预测结果和真实值的对比图。图4为夏季海洋剖面温度的预测结果和真实值对比图。图5为冬季海洋剖面温度的预测结果和真实值对比图。可见，采用本方法可以有效预测海洋温度数据。
[0086]
综上所述，本发明通过将四维卷积模型、残差结构和再校准模块结合，先利用四维卷积模型对海洋温度或盐度数据进行时间及空间的双重特征提取，再利用残差网络进一步获取海洋温度或盐度的空间特征，最后将特征结果输入再校准模块，对每个特征进行加权求和，实现海洋温度或盐度预测。考虑了海洋数据本身的三维栅格化特点，克服现有温度或盐度预测方法通常考虑时间序列的特性，而对空间关系提取不足等局限，对海洋温盐预测领域具有理论和实际意义。
[0087]
以上说明所描述的实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变换和改进。这些都属于本发明的保护范围。