一种基于深度学习的海洋表面温度场预测方法技术

本发明专利技术公开了一种基于深度学习的海洋表面温度场预测方法，属于海洋观测技术领域，该方法首先获取含有海洋表面多个特征的数据样本库，对不同特征进行预处理，得到具有时空关联性的海洋表面温度场时空样本库；其次基于所述的海洋表面温度场时空样本库，利用卷积长短期记忆网络建立海洋表面温度预测模型：预测模型的输入为过去多个时刻的多个海洋表面环境特征，包括海表面温度、海表面盐度、海面高度，模型的输出为海洋表面未来时刻的温度场数据；预测模型的最终输出为目标海域t+1，t+2,t+3时刻的预测温度场。本发明专利技术利用深度学习的强非线性映射能力和多模态融合能力来开展海洋表面温度场的预测研究，实现了海洋表面温度场及时、准确、轻量化的预测。轻量化的预测。轻量化的预测。

【技术实现步骤摘要】
一种基于深度学习的海洋表面温度场预测方法


[0001]本专利技术涉及海洋观测
，特别涉及一种基于深度学习的海洋表面温度预测方法。

技术介绍

[0002]海表温度(SST，Sea Surface Temperature)是指海洋表面的水温。它是世界海洋的一个至关重要的参数，在海洋和大气之间的能量、动量和水分的交换中起着基础性的作用，它们可以影响降水的分布，从而可能导致干旱和洪水等极端天气事件，最终影响各种环境条件和动态。因此，对未来海温的预测对于我们更好地了解气候的动态变化具有重要的意义。
[0003]然而，由于近海面的热通量、辐射和日风变化较大，海温的预测具有高度的不确定性，难度较大。目前的海洋温度预报主要分为两类：一种是基于物理的数值模型。它通过一系列复杂的物理方程描述了海洋温度的变化规律。这些方程非常复杂，通常需要大量的计算工作。另一种是基于数据的数据驱动模型。它试图从海洋数据中了解温度变化的规律，并进一步使用学习模式推断未来的海温。它们远不如数值方法复杂，适合于预测特定地点的海温。这类方法包括传统的统计方法和最新的机器学习和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的海洋三维温度场反演方法，其特征在于，首先获取含有海洋表面特征的数据样本库，对不同特征进行预处理，得到具有时空关联性的海洋三维温度场样本库；其次基于所述的海洋三维温度场样本库，利用卷积长短期记忆网络建立海洋三维温盐场反演模型：反演模型的输入为海洋环境特征，包括海表面温度、海表面盐度、海面风，反演模型的输出为海洋次表面的温度场数据；反演模型的最终输出为海面下100米、200米、500米、1000米及2000米的反演温度场。本发明利用深度学习的强非线性映射能力和多模态融合能力来开展海洋三维时空温度场的反演分析，实现了次表层温度场及时、准确、轻量化反演。2.如权利要求1所述的方法，其特征在于，具体步骤如下：(1)基于海洋再分析资料构建海洋三维温度场样本库获取融合了卫星观测、再分析处理的海洋三维初始数据集，同时对样本进行预处理，提取得到对应的三维温度场特征样本库；(2)构建海洋三维温度场反演模型基于所述三维温度场特征样本库，利用卷积长短期记忆网络建立海洋三维温盐场反演模型：反演模型的输入为环境特征，包括海表面温度、海表面盐度、海面风，反演模型的输出为海洋次表面的温度场数据；该步骤具体为：S1：将所述海表面环境特征进行归一化处理，将不同的输入因素输入归一化网络中，最后融合得到t时刻的五维张量作为ConvLSTM神经网络模型的输入；S2：考虑到不同海表面特征对次表面温度场反演的贡献值大小是不同的，因此我们引入了Attention机制，对不同输入特征的重要性权重进行分配，在ConvLSTM每一步输出上建立注意力分配机制：对目标反演结果贡献大的特征分配较高的注意力值，贡献小的特征分配较小注意力值，注...

【专利技术属性】
技术研发人员：宋弢，魏伟，徐丹亚，王家荣，韩润生，孟凡，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：