基于深度卷积神经网络的海雾实时反演模型的构建方法技术

本发明专利技术公开了基于深度卷积神经网络的海雾实时反演模型的构建方法，包括步骤：S1：按照预设记录数据获取规则获取预设反演海区内的气象记录信息，并建立数据样本集；S2：按照深度残差卷积网络算法，构建海雾实时反演模型；S3：将预设反演海区当前的气象格点记录信息，输入到海雾实时反演模型，通过海雾实时反演模型输出当前预设海区内的海雾状态，所述输出的海雾状态包括有雾和无雾；S4：获取预设反演海区的能见度数据信息，将获取的预设反演海区的能见度数据信息以及输出的当前预设反演海区内的海雾状态，按照预设融合分析算法，形成预设反演海区对应的实时能见度反演格点数据产品。本方法能够实现高精度高频次的海雾有效观测。方法能够实现高精度高频次的海雾有效观测。方法能够实现高精度高频次的海雾有效观测。

【技术实现步骤摘要】
基于深度卷积神经网络的海雾实时反演模型的构建方法


[0001]本专利技术涉及气象模型构建领域，尤其涉及一种基于深度卷积神经网络的海雾实时反演模型的构建方法。

技术介绍

[0002]当前对海雾的观测，相较与陆地上的天气现象，直接观测资料比较匮乏，只有沿海气象站、少量海岛站、浮标站以及船舶的观测资料。无法实现对海雾的大范围长时间连续监测。而且海雾，很多个例上具有沿海岸线分布的明显边界特征，并具有晚上生成扩展，白天退居海上的特点。
[0003]因此沿海站点观测到雾是少于海域内实际发生的。随着具有相对快速、覆盖范围广、可连续观测等优势的卫星遥感技术的发展和应用，能够对海雾的发生、发展、消亡进行实时观测,尤其是卫星激光雷达的出现,雾的探测精度得到了很大的提升。但基于被动卫星遥感器的海雾识别探测，不管是阈值法、纹理识别还是双通道差值法，都存在着海雾与低云的识别区分困难；利用星载激光雷达能够获取大量准确的海雾和低云样本，但局限于只能对星下点进行单点探测,且重访周期较长等缺陷,无法实现对海雾高时间分辨率和大空间范围的连续探测。当前有综合利用被动和主动的遥感观测资料，发展基于深度学习的低云和海雾识别算法，已经成为一种重要的研究方向。同时，由于港口周边地形复杂，容易形成团雾等局地性强的小尺度天气系统，依靠现有硬件设备，监测难度大，对航运有较大的影响。
[0004]深度卷积神经网络作为深度学习技术中应用最广泛，影响程度最深的网络模型，近年来相关的研究越来越深入。一般情况下，深度卷积神经网络(DCNN)层次越深，检测效果也越好，但是计算量大，网络难以训练的问题也随之产生。传统的卷积网络或者全连接网络在信息传递的时候或多或少会存在信息丢失，损耗等问题，同时还有导致梯度消失或者梯度爆炸，导致很深的网络无法训练。

技术实现思路

[0005]本专利技术实施例所要解决的技术问题在于弥补目前海上缺乏高精度、高频词的海雾有效观测手段的问题，提供了一种基于深度卷积神经网络的海雾实时反演模型的构建方法，实现了构建高频次，精细化的海雾识别的目的。
[0006]本专利技术实施例提供了基于深度卷积神经网络的海雾实时反演模型的构建方法，包括：步骤：
[0007]S1：按照预设记录数据获取规则获取预设反演海区内的气象记录信息；
[0008]所述气象记录信息包括预设反演海区内的气温记录信息、相对湿度记录信息、能见度记录信息、海气温差记录信息以及预设港区管制记录信息；
[0009]所述气温记录信息、相对湿度记录信息、能见度记录信息、海气温差记录信息按照预设插值算法插值形成气象格点数据；
[0010]将所述预设港区管制记录信息，按照预设对应时次标记算法标记在对应时次的格点数据上，形成海雾标签；
[0011]对气象格点数据和海雾标签按照预设筛选规则形成数据样本集；
[0012]所述数据样本集包括训练样本集和独立检验样本集；
[0013]S2：按照深度残差卷积网络算法，构建海雾实时反演模型；
[0014]S3：将预设反演海区当前的气象格点记录信息，输入到步骤S2中构建的海雾实时反演模型，通过海雾实时反演模型输出当前预设海区内的海雾状态，所述输出的海雾状态包括有雾和无雾；
[0015]S4：获取预设反演海区的能见度数据信息，将获取的预设反演海区的能见度数据信息以及步骤S3中输出的当前预设反演海区内的海雾状态，按照预设融合分析算法，形成预设反演海区对应的实时能见度反演格点数据产品。
[0016]本专利技术至少包括以下有益效果：
[0017]本专利技术采用深度残差卷积网络算法构建模型，深度残差卷积网络算法在网络中增加了直连通道，在保留之前网络层一定比例的输出的基础上，允许原始输入信息直接传到后面的层中，以此来保护信息的完整性，整个网络只需要学习输入、输出差别的那一部分，简化学习目标和难度。不仅可以学习更深层的特征，还可以解决深度神经网络中梯度弥散、计算量大等缺点。基于深度残差卷积网络算法的本海雾实时反演模型对港区海上的海雾识别，尤其是小范围团雾的识别以及能见度反演产品，命中率高，时间与空间的分辨率高。并能充分利用现有观测系统，建设与运行维护成本较低。
附图说明
[0018]为了更清楚地说明本专利技术实施例或
技术介绍
中的技术方案，下面将对本专利技术实施例或
技术介绍
中所需要使用的附图进行说明。
[0019]图1是本基于深度卷积神经网络的海雾实时反演模型的构建方法的实施例中的流程图一；
[0020]图2是本基于深度卷积神经网络的海雾实时反演模型的构建方法的实施例中流程图二；
[0021]图3是实施例中能见度站点插值与模型反演融合示意图。
具体实施方式
[0022]下面结合本专利技术实施例中的附图对本专利技术实施例进行描述。
[0023]实施例
[0024]本实施例提供了一种基于深度卷积神经网络的海雾实时反演模型的构建方法
[0025]请参见图1至图3；
[0026]整理2016年至2021年，每年1月至7月，11月至12月，预设反演海区(虾峙航道周边岛屿)上的气象自动监测站和浮标站的气温记录信息、相对湿度记录信息、能见度记录信息、海气温差记录信息的正点小时的观测资料，然后插值形成格点数据。
[0027]海气温差计算，T
st
＝T
s
‑
T
q
。其中，
[0028]T
st
:海气温差；T
s
:海温；T
q
：气温。鉴于海温观测点少，且变化幅度小，站点附件的
海温以最近的浮标站所测海温代替。
[0029]所述预设插值算法为反距离权重插值法；所述能见度记录信息的插值函数为三阶函数；所述相对湿度记录信息的插值函数为一阶函数；所述海气温差记录信息的插值函数为二阶函数。
[0030]由站点数据插值到0.01
×
0.01
°
网格数据，插值方法采用反距离权重插值法。各要素插值参数见下表(表1)。
[0031]表1各要素反距离权重插值参数
[0032]要素能见度海气温差相对湿度函数阶数三阶二阶一阶影响距离0.15
°
0.15
°
0.25
°
[0033]整理同时期的预设港区管制记录信息；所述预设港区管制记录信息为因能见度不良造成的港区管制记录，作为对应时次虾峙航道出现海雾的标签。并根据按照预设筛选规则形成数据样本集，鉴于海雾出现概率较小，数据量较大，因此首次预设筛选规则进行筛选能够初步筛选出较为精确数据，所述预设筛选规则为：预设反演海区的范围内的格点数据相对湿度最大值>95％；对样本集筛选后，形成数据样本集；按照预设时间分类算法将数据样本集中2016年至2020年分为训练样本集，2021年1月至7月分为独立检验样本集。
[0034]按照深度残差卷积网络算法，构建海雾实时反演模型；
...

【技术保护点】

【技术特征摘要】
1.基于深度卷积神经网络的海雾实时反演模型的构建方法，其特征在于，包括步骤：S1：按照预设记录数据获取规则获取预设反演海区内的气象记录信息；所述气象记录信息包括预设反演海区内的气温记录信息、相对湿度记录信息、能见度记录信息、海气温差记录信息以及预设港区管制记录信息；所述气温记录信息、相对湿度记录信息、能见度记录信息、海气温差记录信息按照预设插值算法插值形成气象格点数据；将所述预设港区管制记录信息，按照预设对应时次标记算法标记在对应时次的格点数据上，形成海雾标签；对气象格点数据和海雾标签按照预设筛选规则形成数据样本集；所述数据样本集包括训练样本集和独立检验样本集；S2：按照深度残差卷积网络算法，构建海雾实时反演模型；S3：将预设反演海区当前的气象格点记录信息，输入到步骤S2中构建的海雾实时反演模型，通过海雾实时反演模型输出当前预设海区内的海雾状态，所述输出的海雾状态包括有雾和无雾；S4：获取预设反演海区的能见度数据信息，将获取的预设反演海区的能见度数据信息以及步骤S3中输出的当前预设反演海区内的海雾状态，按照预设融合分析算法，形成预设反演海区对应的实时能见度反演格点数据产品。2.根据权利要求1所述的基于深度卷积神经网络的海雾实时反演模型的构建方法，其特征在于，所述预设插值算法为反距离权重插值法；所述能见度记录信息的插值函数为三阶函数；所述相对湿度记录信息的插值函数为一阶函数；所述海气温差记录信息的插值函数为二阶函数。3.根据权利要求1所述的基于深度卷积神经网络的海雾实时反演模型的构建方法，其特征在于，所述预设筛选规则为预设反演海区内将相对湿度记录信息大于预设湿度的格点数据放入数据样本集。4.根据权利要求3所述的基于深度卷积神经网络的海雾实时反演模型的构建方法，其特征在于，按照预设时间分类算法，将所述数据样本集分为训练样本集和独立检验样本集。5.根据权利要求1所述的基于深度卷积神经网络的海雾实时反演模型的构建方法，其...

【专利技术属性】
技术研发人员：孙军波，钱燕珍，潘婧茹，薛国强，孔扬，
申请(专利权)人：慈溪市气象局，
类型：发明
国别省市：