基于注意力机制的海表面温度数值预报偏差订正方法技术

本发明专利技术公开了基于注意力机制的海表面温度数值预报偏差订正方法，基本步骤为：对待订正模式预报数据进行预处理，构建输入序列；构建海表面温度订正模型；利用构建的模型对模式数据进行订正；评价模型订正精度。本发明专利技术不仅考虑了训练数据空间分布的影响，加入了盐度等特征因素，还考虑了历史信息的重要性。该模型可以有效地提取海温场数据之间的时空依赖关系，从而实现高精度的SST订正。从而实现高精度的SST订正。从而实现高精度的SST订正。

【技术实现步骤摘要】
基于注意力机制的海表面温度数值预报偏差订正方法


[0001]本专利技术属于海洋气象预报订正
，尤其涉及基于注意力机制的海表面温度数值预报偏差订正方法。

技术介绍

[0002]海洋占据地球表面积的70％以上,与人类活动息息相关。在全球气候研究、海洋生态系统研究和海洋相关应用中，海表温度都是一个重要的物理量。海水温度的变化对航海、海洋防灾减灾和海洋渔业等活动有着极为重要的影响，因此准确观测和预报海表温度具有重要意义。数值模式预报是海洋预报中一种常见的预报方法，但由于数值预报模式还不能完全描述海洋中的各种物理过程，模式还存在初始场的不确定性以及模式数值求解过程中难以避免的计算误差等问题，预报结果仍存在一定误差，使得数值预报产品的预报结果需要进一步的订正。基于机器学习的预报模型是一种纯数据驱动的预报模型，虽然其在捕捉预报因子和预报目标之间的非线性关系方面具有较大优势。但是，随着科技和社会的进步，仅基于深度学习方法开展的要素预报难以满足目前业务预报的需要，而基于数值模式的预报结果也存在难以避免的误差。数据驱动的机器学习方法与理论驱动的数值模式方法都无法满足海洋要素预报精度的需要。因此，迫切需要将理论驱动的数值模式方法与数据驱动的深度学习方法进行融合来预报海洋要素。利用机器学习方法对数值模式预报结果进行后处理等工作来订正数值预报产品的预报误差，以提高各种要素预报的准确性。在两者如何进行融合计算方面，亟须开展利用深度学习方法进行模式结果后处理等工作来订正数值预报产品的预报误差，以提高各种要素预报的准确性。
专利技术内容
[0003]有鉴于此，本专利技术提出了基于注意力机制的海表面温度数值预报偏差订正方法，基于ConvLSTM和CBAM的具有注意力机制的海表面温度订正方法，包括数据预处理，构建输入序列，构建订正模型，对模式数据进行订正和订正精度评价等。
[0004]本专利技术公开的基于注意力机制的海表面温度数值预报偏差订正方法，包括以下步骤：
[0005]步骤一：对模式预报数据及遥感卫星海温数据进行预处理，构建输入序列，包括：
[0006](1)获取模式预报数据及作为参考值的遥感卫星海温数据，提取海洋环境数据；
[0007](2)构建时间列，通过滑动窗口获得时间的特征数量，再添加海洋特征影响因素，海洋特征影响因素包括海温、盐度、水流的U和V向量，得到模型的输入历史SST序列；
[0008](3)将上述步骤获得的历史SST序列数据进行标准化处理；
[0009]步骤二：构建订正模型，包括：
[0010](1)空间特征提取：利用三维卷积将三维核与多个连续矩阵叠加形成的立方体进行卷积，提取海温数据的空间依赖性特征以及多个环境变量之间的联系；
[0011](2)对经过三维卷积后的数据序列利用3D
‑
CBAM注意机制提高三维卷积网络空间
特征的利用率，并显示不同环境变量对结果的重要性；所述3D
‑
CBAM注意力机制由通道注意模块和空间注意模块两个部分组成；
[0012]将Mc和输入特征矩阵F相乘得到空间注意模块的输入矩阵Ms；
[0013]将Ms和该模块的输入F
’
相乘，得到最终生成的特征矩阵；
[0014](3)将上述步骤得到的特征矩阵数据序列输入到模型的ConvLSTM部分；使用Attention机制，在ConvLSTM网络后面添加一个自定义的注意层，利用ConvLSTM模型每一步的隐藏层状态，将时间注意力权重分配到每个时间步的隐藏层状态；
[0015]调整最终的ConvLSTM输出，得到最终的订正结果；
[0016](4)搭建并训练上述步骤所得的订正模型，不断调整参数，择优选取参数获得海表面温度订正模型；
[0017]步骤三：利用订正模型对模式预报数据进行订正；
[0018](1)将标准化处理后的时间列预报数据输入步骤二获得的海表面温度订正模型，得到订正后的输出结果；
[0019](2)对模型输出结果反标准化处理，反标准化方法和步骤一中的标准化方法相对应，处理得到订正后的SST值；
[0020]步骤四：利用MAE、MAPE、MSE和RMSE评价指标对模型订正后结果精度进行评价。
[0021]进一步的，采用双线性插值的方法，统一预报数据和遥感卫星观测数据的时空分辨率。
[0022]进一步的，对于历史数据序列X，其中任意时刻t的SST数据和其他海洋环境变量组成的Xt都是W
×
H
×
C规格的网格数据，整个模型的输入为一个五维张量，表示为B
×
T
×
C
×
W
×
H，其中B是一批训练样本的数量，T是序列数据的长度，W和H是SST字段的长度和宽度，C是加入的海洋环境变量数。
[0023]进一步的，所述标准化公式如下：
[0024][0025]其中，X
max
,X
min
为分别为序列数据中的最大值和最小值。
[0026]进一步的，所述通道注意模块计算公式如下：
[0027]Mc(F)＝σ(MLP(MaxPool3D(F))+MLP(AvgPool3D(F)))
[0028]其中MLP表示多层感知机，MaxPool3D表示最大池化，AvgPool3D表示平均池化，F是输入的特征矩阵；
[0029]所述空间注意模块的输入矩阵Ms为：
[0030]Ms(F)＝σ(f3×3([MaxPool3D(F)；AvgPool3D(F)]))
[0031]其中，f是一个3
×
3的卷积操作。
[0032]进一步的，所述ConvLSTM网络的计算公式如下：
[0033]i
t
＝σ(w
xi
*x
t
+w
hi
*h
t
‑1+w
ci
·
c
t
‑1+b
i
)
[0034]f
t
＝σ(w
xf
*x
t
+w
hf
*h
t
‑1+w
cf
·
c
t
‑1+b
f
)
[0035]c
t
＝f
t
·
c
t
‑1+i
t
·
tanh(w
xc
*x
t
+w
hc
*h
t
‑1+b
c
)
[0036]o
t
＝σ(w
xo
*x
t
+w
ho
*c
t
‑1+w
co
·
c<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于注意力机制的海表面温度数值预报偏差订正方法，其特征在于，包括以下步骤：步骤一：对模式预报数据及遥感卫星海温数据进行预处理，构建输入序列，包括：(1)获取模式预报数据及作为参考值的遥感卫星海温数据，提取海洋环境数据；(2)构建时间列，通过滑动窗口获得时间的特征数量，再添加海洋特征影响因素，海洋特征影响因素包括海温、盐度、水流的U和V向量，得到模型的输入历史SST序列；(3)将上述步骤获得的历史SST序列数据进行标准化处理；步骤二：构建订正模型，包括：(1)空间特征提取：利用三维卷积将三维核与多个连续矩阵叠加形成的立方体进行卷积，提取海温数据的空间依赖性特征以及多个环境变量之间的联系；(2)对经过三维卷积后的数据序列利用3D
‑
CBAM注意机制提高三维卷积网络空间特征的利用率，并显示不同环境变量对结果的重要性；所述3D
‑
CBAM注意力机制由通道注意模块和空间注意模块两个部分组成；将Mc和输入特征矩阵F相乘得到空间注意模块的输入矩阵Ms；将Ms和该模块的输入F
’
相乘，得到最终生成的特征矩阵；(3)将上述步骤得到的特征矩阵数据序列输入到模型的ConvLSTM部分；使用Attention机制，在ConvLSTM网络后面添加一个自定义的注意层，利用ConvLSTM模型每一步的隐藏层状态，将时间注意力权重分配到每个时间步的隐藏层状态；调整最终的ConvLSTM输出，得到最终的订正结果；(4)搭建并训练上述步骤所得的订正模型，不断调整参数，择优选取参数获得海表面温度订正模型；步骤三：利用订正模型对模式预报数据进行订正；(1)将标准化处理后的时间列预报数据输入步骤二获得的海表面温度订正模型，得到订正后的输出结果；(2)对模型输出结果反标准化处理，反标准化方法和步骤一中的标准化方法相对应，处理得到订正后的SST值；步骤四：利用MAE、MAPE、MSE和RMSE评价指标对模型订正后结果精度进行评价。2.根据权利要求1所述的基于注意力机制的海表面温度数值预报偏差订正方法，其特征在于，采用双线性插值的方法，统一预报数据和遥感卫星观测数据的时空分辨率。3.根据权利要求1所述的基于注意力机制的海表面温度数值预报偏差订正方法，其特征在于，对于历史数据序列X，其中任意时刻t的SST数据和其他海洋环境变量组成的Xt都是W
×
H
×
C规格的网格数据，整个模型的输入为一个五维张量，表示为B
×
T
×
C
×
W
×
H，其中B是一批训练样本的数量，T是序列数据的长度，W和H是SST字段的长度和宽度，C是加入的海洋环境变量数。4.根据权利要求1所述的基于注意力机制的海表面温度数值预报偏差订正方法，其特征在于，所述标准化公式如下：其中，X
max
,X
min
为分别为序列数据中的最大值和最小值。
5.根据权利要求1所述的基于注意力机制的海表面温度数值预报偏差订正方法，其特征在于，所述通道注意模块计算公式如下：Mc(F)＝σ(MLP(MaxPool3D(F))+MLP(AvgPool3D(F)))其中MLP表示多层感知机，MaxPool3D表示最大池化，AvgPool3D表示平均池化，F是输入的特征矩阵；所述空间注意模块的输入矩阵Ms为：Ms(F)＝σ(f3×3([MaxPool3D(F)；AvgPool3D(F)]))其中，f是一个3
×
3的卷积操作。6.根据权利要求1所述的基于注意力机制的海表面温度数值预报偏差订正方法，其特征在于，所述ConvLSTM网络的计算公式如下：i
t
＝σ(w
xi
*x
t
+w
hi
*h
t
‑1+w
...

【专利技术属性】
技术研发人员：汪祥，朱俊星，费童涵，张卫民，陈祥国，王辉赞，陈妍，
申请(专利权)人：中国人民解放军国防科技大学，
类型：发明
国别省市：