海洋表面温度区域预测方法技术

本发明专利技术公开了一种海洋表面温度区域预测方法，具体涉及海洋表面温度预测技术领域。该预测方法采用网格长短期记忆网络(Grid‑LSTM)对区域的海表温度数据进行建模和预测，三维的网格结构使用三维Grid‑LSTM块沿着经度、纬度和时间三个方向堆叠而成，前两个维度对空间关系进行建模，将每个网格的温度与它的邻近网格的温度相关联，第三个维度对时间关系进行建模，最后使用一个卷积层，将Grid‑LSTM的输出映射到最后的预测结果。本发明专利技术提出的方法与支持向量回归、多层感知机、长短期记忆网络相比，以区域平均的均方误差(RMSE)对预测结果进行了衡量，可以同时对整个区域进行建模和预测，具有明显的优势。

Regional Prediction Method of Ocean Surface Temperature

【技术实现步骤摘要】
海洋表面温度区域预测方法
本专利技术涉及海洋表面温度预测
，具体涉及一种海洋表面温度区域预测方法。
技术介绍
海洋表面温度(Seasurfacetemperature,SST)是地球表面能量平衡系统中的一个重要参数，也是衡量海水热量的一个关键指标，在地球表面和大气层热量交换中扮演非常重要的角色。由于海洋占据了地球表面积的近四分之三，海表温度对于全球气候和生态系统都有着不可估量的影响。近年来人们对于海表温度越来越关注，对于海表温度的预测也成为了热点研究问题。在很多应用领域，如海洋气候预报、海上活动如钓鱼和采矿、海洋环境保护、海洋军事等，海表温度预测都是一个重要的基础问题。然而，由于许多不确定因素，特别是在沿海水域，海表温度预测的精度始终比较低。目前存在的预测海表温度的方法，根据建模方式的不同，大致可以分为两大类。一类方法基于物理学原理，也称为数值模式。另一类方法基于数据，也称为数据驱动模型。前者试图利用一系列微分方程来描述海温的变化，这个过程通常比较复杂，因此计算复杂度通常比较高。此外，在不同的海域需要建立不同的数值模型。而后者试图使用机器学习的方法从数据中学习规律，比如线性回归(linearregression)，支持向量机(SupportVectorMachines，SVM)，神经网络(NeuralNetwork)等等。现有技术有的使用长短期记忆(longshort-termmemory，LSTM)网络对海洋表面温度数据进行建模，将海表面温度预测问题归结为一个时间序列的回归问题，并进行了一天、三天的短期预测，和周平均、月平均的长期预测。网络结构包括LSTM层和全连接层。LSTM层用于建模时序关系，全连接层用于将LSTM层的输出映射为最终的预测结果。该研究工作于2017年10月发表于IEEEGeoscienceandRemoteSensingLetters期刊上。该方法的缺陷在于仅能对一个地点的海表面温度序列进行建模。如果需要对某个区域的海表面温度进行预测，则需要对每个点进行单独建模，然后单独进行预测，并且每个点彼此之间是互相独立的。
技术实现思路
本专利技术的目的是针对上述不足，提出了一种使用网格长短期记忆网络对待测区域的海洋表面的整个区域温度数据进行建模和预测的海洋表面温度区域预测方法。本专利技术具体采用如下技术方案：洋表面温度区域预测方法，具体包括：假设待预测区域的网格大小为w×h，每个网格中沿着时间轴都存在一个实数的时间海表面温度序列x1,x2,……,xt，将待预测区域表面温度预测描述为一个二维矩阵的回归：已知一个三维网格数据表示的海洋表面温度预测其未来n天的温度值；其中，w,h,t分别代表待预测区域网格化之后的宽度、长度和历史数据的时间长度，n表示要预测的时间长度；构建N维网格长短期记忆网络结构：将三维网格长短期记忆网络块沿着经度、纬度和时间三个方向堆叠而成，经度和纬度方向对区域的空间信息进行建模，每个长短期记忆网络块都对应于海表面区域的一个网格，每个块的输出都会作为相邻网格下一个时刻的输入，时间方向采用循环结构，对时序序列进行时间建模，其按照时间轴展开后的长度等于时间序列的长度；对时序的区域海表面温度进行时空建模，时空建模结束后，网格长短期记忆网络的输出应该是m个w*h的特征图，其中m为每个块的隐藏神经元个数，最后使用一个卷积层，将这m个w*h的特征图映射到最后的预测输出。优选地，N维网格长短期记忆网络结构引入了门机制，具体为：mt＝ft*mt-1+it*ct(5)ht＝tanh(ot*mt)(6)其中，xt代表t时刻的输入数据，it代表输入门(inputgate)，ft代表忘记门(forgetgate)，ot代表输出门(outputgate)，ct代表细胞状态(cellstate)，ht代表隐藏层状态(hiddenunit)，bi、bf、bo、bc分别代表偏置项。将上述公式简写为：N维网格长短期记忆网络结构接受N个h和N个m，如果是第一层还会有N个x输入，然后输出N个h′(即h′1，h′2…，h′N)和N个m’，具体如式(8)所示：(h′1，m′1)＝LSTM(H，m1，W1)(h′N，m′N)＝LSTM(H，mN，WN1)(8)其中，优选地，构建N维网格长短期记忆网络结构中，使用由NOAA/OAR/ESRLPSD，Boulder，Colorado，USA提供的NOAAHighResolutionSST数据集，该数据集包含了12868天的每天海表平均温度，覆盖范围包括89.875S至89.875N，0.125E至359.875E，空间分辨率为0.25×0.25度。本专利技术具有如下有益效果：该海洋表面温度区域预测方法采用网格长短期记忆网络(Grid-LSTM)对区域的海表温度数据进行建模和预测，网格结构将每个网格的温度与它的邻近网格的温度相关联，可以同时对整个区域进行建模和预测。附图说明图1为传统的长短期记忆网络单元(LSTMcell)示意图；图2为N等于1时的Grid-LSTMblock示意图；图3为N等于2时的Grid-LSTMblock示意图；图4为N等于3时的Grid-LSTMblock示意图；图5为三维的Grid-LSTM网络示意图。具体实施方式下面结合附图和具体实施例对本专利技术的具体实施方式做进一步说明：Grid-LSTM代表网格长短期记忆网络。如图1-图5所示，假设待预测区域的网格大小为w×h，每个网格中沿着时间轴都存在一个实数的时间海表面温度序列x1，x2，……，xt，将待预测区域表面温度预测描述为一个二维矩阵的回归：已知一个三维网格数据表示的海洋表面温度预测其未来n天的温度值；其中，w，h，t分别代表待预测区域网格化之后的宽度、长度和历史数据的时间长度，n表示要预测的时间长度；构建N维网格长短期记忆网络结构，其中图1为传统的LSTMblock结构图，将三维网格长短期记忆网络块沿着经度、纬度和时间三个方向堆叠而成，经度和纬度方向对区域的空间信息进行建模，每个长短期记忆网络块都对应于海表面区域的一个网格，每个块的输出都会作为相邻网格下一个时刻的输入，时间方向采用循环结构，对时序序列进行时间建模，其按照时间轴展开后的长度等于时间序列的长度；对时序的区域海表面温度进行时空建模，时空建模结束后，网格长短期记忆网络的输出应该是m个w*h的特征图，其中m为每个块的隐藏神经元个数，最后使用一个卷积层，将这m个w*h的特征图映射到最后的预测输出。N维网格长短期记忆网络结构引入了门机制，具体为：mt＝ft*mt-1+it*ct(5)ht＝tanh(ot*mt)(6)其中，xt代表t时刻的输入数据，it代表输入门(inputgate)，ft代表忘记门(forgetgate)，ot代表输出门(outputgate)，ct代表细胞状态(cellstate)，ht代表隐藏层状态(hiddenunit)，bi、bf、bo、bc分别代表偏置项。将上述公式简写为：N维网格长短期记忆网络结构接受N个h和N个m，如果是第一层还会有N个x输入，然后输出N个h′(即h′1，h′2…，h′N)和N个m’，具体如式(8)所示：(h′1，m′1)＝LSTM(H，m1，W1)(h′N，m′N)＝LSTM(H，mN，WN1本文档来自技高网...

【技术保护点】
1.海洋表面温度区域预测方法，其特征在于，具体包括：假设待预测区域的网格大小为w×h，每个网格中沿着时间轴都存在一个实数的时间海表面温度序列x1,x2,……,xt，将待预测区域表面温度预测描述为一个二维矩阵的回归：已知一个三维网格数据表示的海洋表面温度

【技术特征摘要】
1.海洋表面温度区域预测方法，其特征在于，具体包括：假设待预测区域的网格大小为w×h，每个网格中沿着时间轴都存在一个实数的时间海表面温度序列x1,x2,……,xt，将待预测区域表面温度预测描述为一个二维矩阵的回归：已知一个三维网格数据表示的海洋表面温度预测其未来n天的温度值；其中，w,h,t分别代表待预测区域网格化之后的宽度、长度和历史数据的时间长度，n表示要预测的时间长度；构建N维网格长短期记忆网络结构：由三维网格长短期记忆网络块沿着经度、纬度和时间三个方向堆叠而成，经度和纬度方向对区域的空间信息进行建模，每个长短期记忆网络块都对应于海表面区域的一个网格，每个块的输出都会作为相邻网格下一个时刻的输入，时间方向采用循环结构，对时序序列进行时间建模，其按照时间轴展开后的长度等于时间序列的长度；对时序的区域海表面温度进行时空建模，时空建模结束后，网格长短期记忆网络的输出应该是m个w*h的特征图，其中m为每个块的隐藏神经元个数，最后使用一个卷积层，将这m个w*h的特征图映射到最后的预测输出。2.如权利要求1所述的海洋表面温度区域预测方法，其特征在于，N维网格长短期记忆网络结构引入了门机制，具体为：...

【专利技术属性】
技术研发人员：张琴，
申请(专利权)人：青岛农业大学，
类型：发明
国别省市：山东,37