一种基于深度时空残差网络的海洋温跃层预测方法技术

本发明专利技术公开了一种基于深度时空残差网络的海洋温跃层预测方法，基于时空数据的特殊属性，本发明专利技术通过使用残差神经网络框架来模拟海洋温跃层演变的接近性，周期性和趋势性，针对每个属性，本发明专利技术设计了残余卷积单元的一个分支，每个单元内对海洋温度的空间属性进行建模，ST‑ResNet根据数据动态聚合三个残差神经网络的输出，为不同分支分配不同的权重以预测某一指定海域的最终温跃层情况，对经度95°W～115°W，纬度9.5°N～9.5°S海域的实验表明，所提出的ST‑ResNet相较于传统的SVM方法，在相同运行环境、不同的经度、纬度、深度的数据规格下，loss值分别降低了68、11、9倍，运行时间分别提升了3、35、53倍。

An ocean thermocline prediction method based on the deep spatiotemporal residual network

【技术实现步骤摘要】
一种基于深度时空残差网络的海洋温跃层预测方法
本专利技术涉及海洋温度预测领域，具体涉及一种基于深度时空残差网络的海洋温跃层预测方法。
技术介绍
近年来，随着人们对于海洋认识的加深，有关于海洋的活动——如海上运输、海上军事活动、海上经济、海洋环境保护与开发等都越来越丰富。与此同时，为了配合这些活动的顺利进行，对海洋科学的发展提出了更多要求。其中，如何快速而准确地预测特定海域的温跃层范围的问题越来越重要。作为物理海洋学研究的重点内容之一，海洋温跃层的定义有很多，其中Hosoda.S等人提出：“温跃层是大量流体中的薄而不同的层，其中温度随深度变化更快速地高于或低于上层或下层。在海洋中，温跃层将上部混合层从平静的深水中分开。”即海洋中海水温度垂向梯度较大的水层。温跃层对人类的生产活动有着重要的影响，包括渔业生产、气象预报、反潜战等。在渔业生产，温跃层限制了通过上升过程带到较浅的深度的养分量，极大地影响了当年的鱼类作物，因此海洋渔业捕捞中网具的施放深度要考虑温跃层的特征；其次，是在气象预报中，飓风预报员不仅要考虑海面温度，还要考虑温跃层以上的温水深度。从海洋蒸发的水汽是飓风的主要燃料，温跃层的深度是衡量其“油箱”尺寸的指标，这点有助于预测飓风形成的风险。还有在反潜战中，海洋温跃层的特征“负声速梯度”可以反映主动声纳和其他声学信号，使得温跃层在潜艇战中具有重要作用。预测海洋某一范围内温跃层的演变趋势是非常具有挑战性的，受以下两个因素影响：(1)空间相关性：预测区域受附近区域以及远离区域的影响。同样，附近区域r2也会影响如远离区域等其他区域，此外，预测区域也会影响其自身；(2)时间相关性：某一海域的温跃层受近期和远期影响，例如，某一范围内当日的温跃层状态将会影响次日的；其次，海洋温跃层的演变在连续数周里可能相似，数周重复一次；此外，这一演变可能在数年的更长的时间尺度上呈现一定的演变趋势。正因为上述的时间、空间属性，导致其他的深度神经网络结构如循环神经网络(RNN)和长短期记忆网络(LSTM)在这里不适用。因为直接用传统的RNN和LSTM，如果希望数据特征里包含周期性和趋势性，那么输入的数据在时间尺度上就必须很长，如果只用了最近两个小时的数据进行输入，难以从中体现周期性，也不能体现出趋势性，但如果将过去3个月的数据做了循环神经网络输入的话，这个模型不仅变得大而复杂，最后也是很难训练的，且效果不佳。此外，如果想捕捉很远的区域跟某一区域的相关性的话，网络层次就必须比较深。可一旦网络层次比较深，本专利技术的训练会变得非常复杂、非常困难。
技术实现思路
本专利技术设计开发了一种基于深度时空残差网络的海洋温跃层预测方法，本专利技术的专利技术目的之一是基于卷积的残差网络来模拟任何两个区域之间的邻近和远离的空间相关性，同时针对深层网络梯度弥散导致的SGD优化难题，残差结构很好的解决了模型退化问题。本专利技术的专利技术目的之二是模拟海洋温跃层演变趋势的时间属性，将时间属性归纳为三类，包括接近性，周期性和趋势性，根据各个属性影响的不同，对海洋温跃层进行更好的预测。本专利技术提供的技术方案为：一种基于深度时空残差网络的海洋温跃层预测方法，包括如下步骤：步骤一、采集目标海域指定时间内的海洋温度数据，并将所述海洋温度数据进行预处理；步骤二、将预处理后的海洋温度数据按照时间轴分为按照最近的时间、较近的时间和较远的时间的三个时间片段数据后，作为预测模型的输入数据；步骤三、在深度时空残存网络中按照确定的间隔时间分为接近性属性、周期性属性和趋势性属性，将所述输入数据分别输入到所述接近性属性、周期性属性和趋势性属性中；步骤四、确定深度残差网络同时捕捉附近和远处海域之间的空间依赖关系，根据分配的矩阵，确定每一个残差网络的输出结果的权重并进行融合后输出；步骤五、将所述融合后输出的结果通过激活函数对海洋温跃层进行预测。优选的是，在所述步骤三中，所述接近性属性、周期性属性和趋势性属性共享具有相同卷积神经网络和残差单元序列的网络结构，其包括：预卷积和残差单元。优选的是，所述接近性属性的参数包括：时间点为4个，时间间隔为1个月，残差单元为7个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32；所述周期性属性的参数包括：时间点为3个，时间间隔为2个月，残差单元为6个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32；以及所述接近性属性的参数包括：时间点为3个，时间间隔为4个月，残差单元为6个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32。优选的是，在所述步骤一中，所述海洋温度数据进行预处理得到数据格式为32×26×20×20。优选的是，在所述步骤三中，在所述接近性属性中，在预卷积层上堆叠L个残差单元，得到在第L个剩余单元上，附加一个卷积层，通过两个卷积和L个剩余单元，得到所述接近性分量的输出为在所述周期性属性中，在预卷积层上堆叠L个残差单元，得到在第L个剩余单元上，附加一个卷积层，通过两个卷积和L个剩余单元，得到所述接近性分量的输出为在所述趋势性属性中，在预卷积层上堆叠L个残差单元，得到在第L个剩余单元上，附加一个卷积层，通过两个卷积和L个剩余单元，得到所述接近性分量的输出为优选的是，在所述步骤四中，确定每一个残差网络的输出结果的权重并进行融合的过程包括：其中，是Hadamard乘积，Wc为接近性影响的程度，Wp为周期性影响的程度，Wq为趋势性影响的程度。优选的是，在所述步骤一中，所述目标区域为95°W～115°W，9.5°N～9.5°S，且精度均为1°；以及距离海面0～300m，精度为5m。优选的是，在所述步骤五中，所述激活函数为Tanh函数。本专利技术与现有技术相比较所具有的有益效果：1、目前海洋温跃层领域的大多数研究都是针对温度跃层计算方面的理论方法及其特征规律的研究，本项目前瞻性地提出通过预测海洋一定区域内某一点是否存在于温跃层之中以预测海洋温跃层的演变趋势；2、本专利技术采用深度时空残差网络。传统方法中，人们利用统计学的知识，对大量数据进行了收集、抽样、分析和计算。本项目利用深度时空残差网络，一方面，基于时空数据属性，基于TensorFlow框架搭建残差神经网络来模拟海洋温跃层演变趋势的时间属性，即接近性、周期性和趋势性，动态融合残差神经网络分支的输出，为不同分支分配不同的权重，进而优化预测效果，并利用卷积神经网络捕捉空间相关性；另一方面，本项目提出的方法相较于传统采用的SVM方法，在精度和效率上有了显著提升。附图说明图1为本专利技术所述的ST-ResNet模型结构图。图2为本专利技术所述的残差单元结构示意图。图3为本专利技术所述的ST-ResNet与SVM预测结果评价指标MSE对比示意图。图4为本专利技术所述的2017年1月至12月的实际结果(方形)与预测结果(圆形)示意图。具体实施方式下面结合附图对本专利技术做进本文档来自技高网...

【技术保护点】
1.一种基于深度时空残差网络的海洋温跃层预测方法，其特征在于，包括如下步骤：/n步骤一、采集目标海域指定时间内的海洋温度数据，并将所述海洋温度数据进行预处理；/n步骤二、将预处理后的海洋温度数据按照时间轴分为按照最近的时间、较近的时间和较远的时间的三个时间片段数据后，作为预测模型的输入数据；/n步骤三、在深度时空残存网络中按照确定的间隔时间分为接近性属性、周期性属性和趋势性属性，将所述输入数据分别输入到所述接近性属性、周期性属性和趋势性属性中；/n步骤四、确定深度残差网络同时捕捉附近和远处海域之间的空间依赖关系，根据分配的矩阵，确定每一个残差网络的输出结果的权重并进行融合后输出；/n步骤五、将所述融合后输出的结果通过激活函数对海洋温跃层进行预测。/n

【技术特征摘要】
1.一种基于深度时空残差网络的海洋温跃层预测方法，其特征在于，包括如下步骤：
步骤一、采集目标海域指定时间内的海洋温度数据，并将所述海洋温度数据进行预处理；
步骤二、将预处理后的海洋温度数据按照时间轴分为按照最近的时间、较近的时间和较远的时间的三个时间片段数据后，作为预测模型的输入数据；
步骤三、在深度时空残存网络中按照确定的间隔时间分为接近性属性、周期性属性和趋势性属性，将所述输入数据分别输入到所述接近性属性、周期性属性和趋势性属性中；
步骤四、确定深度残差网络同时捕捉附近和远处海域之间的空间依赖关系，根据分配的矩阵，确定每一个残差网络的输出结果的权重并进行融合后输出；
步骤五、将所述融合后输出的结果通过激活函数对海洋温跃层进行预测。


2.如权利要求1所述的基于深度时空残差网络的海洋温跃层预测方法，其特征在于，在所述步骤三中，所述接近性属性、周期性属性和趋势性属性共享具有相同卷积神经网络和残差单元序列的网络结构，其包括：预卷积和残差单元。


3.如权利要求1或2所述的基于深度时空残差网络的海洋温跃层预测方法，其特征在于，所述接近性属性的参数包括：时间点为4个，时间间隔为1个月，残差单元为7个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32；
所述周期性属性的参数包括：时间点为3个，时间间隔为2个月，残差单元为6个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32；以及
所述接近性属性的参数包括：时间点为3个，时间间隔为4个月，残差单元为6个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32。...

【专利技术属性】
技术研发人员：姜宇，何丽莉，白洪涛，陈庆忠，刘志涛，李舞桂，詹锦其，欧阳丹彤，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22