【技术实现步骤摘要】
基于深度学习的三维海洋环境场的智能融合方法及系统
[0001]本专利技术属于海洋科学和机器学习领域,特别涉及基于深度学习的三维海洋环境场的智能融合方法及系统。
技术介绍
[0002]高质量的海洋资料是海洋科学研究、全球变化研究以及海上高效生产作业的重要前提和必要条件。要进一步深入揭示和预测气候变化以及海洋环境的演变,需获长时间序列、高分可靠海洋环境资料,并在此基础上开展科学研究、数值模拟,已成为领域研究的共识。
[0003]当前海洋观测手段日益丰富,可获得的海洋数据量迅速增长,而不同的海洋资料(数据)各有优劣。常规的海洋站、浮标、潜标、走航等常规的海洋观测可探测海洋内部信息,具有准确性高等优点,但由于观测范围有限,在全球范围内十分稀疏、时空连续性较差;而海洋卫星遥感数据具备探测范围广、时空连续性好等优势,但观测层深受限,无法探测海洋内部数据信息;现有体量最大的模式模拟预报或再分析数据为三维网格化的数据,时空连续性最好,但其精确程度远不及观测数据。因此,需要将多种海洋资料的优势相结合,得到高精度、高分辨率、时空连续的三维海洋要素融合场。
[0004]随着观测资料的种类、数量的增多,多源海洋数据的融合对计算能力、数值方法以及同化技术提出了巨大的挑战。海洋统计分析与海洋环境数值预报两种传统方法的发展均遇到一定的瓶颈:受传统线性方法模型过于简单、对海洋过程的理解不够全面深入、数值模式的不确定性以及模式分辨率的限制等原因,无法满足日益精细化、精准化研究与生产的需求。
[0005]近年来,以深度学习为核心 ...
【技术保护点】
【技术特征摘要】
1.基于深度学习的三维海洋环境场的智能融合方法,其特征在于,包括以下步骤:S1、获取多源海洋数据,其中,所述多源海洋数据包括一维观测数据、二维海洋卫星观测数据和三维网格化海洋模式及再分析数据;S2、对获得的多源海洋数据进行数据处理,包括对多源海洋数据进行质量控制处理、时空插值处理以及归一化处理;S3、制作样本集,并划分训练集、测试集和验证集;S4、搭建深度学习网络模型,并采用训练集对深度学习网络模型进行训练,构建海洋数据智能融合模型;S5、将待融合多源海洋数据输入海洋数据智能融合模型中,输出智能融合结果。2.根据权利要求1所述基于深度学习的三维海洋环境场的智能融合方法,其特征在于,还包括S6、将测试集输入海洋数据智能融合模型中,输出模型测试结果,根据模型在测试时的速度、参数量,分析模型的性能;同时根据模型测试结果与测试样本标签,计算误差指标并可视化,评估验证模型的精度和数据融合质量。3.根据权利要求1所述基于深度学习的三维海洋环境场的智能融合方法,其特征在于,所述一维观测数据包括Argo、以及浮标、潜标和船载设备所观测的海温剖线数据;所述二维海洋卫星观测数据包括海表温度数据、海面高度异常数据和海面风场数据;所述三维网格化海洋模式及再分析数据包括HYCOM数据、SODA海洋再分析数据和EN4
‑
analysis数据。4.根据权利要求3所述基于深度学习的三维海洋环境场的智能融合方法,其特征在于,步骤S2中,所述数据处理包括对获得的多源海洋数据依次进行质量控制处理、时空插值处理以及归一化处理。5.根据权利要求4所述基于深度学习的三维海洋环境场的智能融合方法,其特征在于,所述对多源海洋数据进行质量控制处理,具体为:对多源海洋数据中的一维观测数据进行异常值和缺失值的查询、剔除、修正与填充。6.根据权利要求5所述基于深度学习的三维海洋环境场的智能融合方法,其特征在于,所述对多源海洋数据进行时空插值处理,具体包括以下步骤:A21、将一维观测数据采用线性插值的方法插值到垂直方向标准层{z1,z2,
…
,zk};A22、将水平方向上离散分布的一维观测数据采用时空权重插值的方法插值到水平网格{x1,x2,
…
,xm}
×
{y1,y2,
…
,yn}对应网格点;A23、将二维海洋卫星观测数据采用双线性插值的方法插值到水平网格{x1,x2,
…
,xm}
×
{y1,y2,
…
,yn};A24、将三维网格化海洋模式及再分析数据采用...
【专利技术属性】
技术研发人员:王明清,黄小猛,王丹妮,梁逸爽,周峥,
申请(专利权)人:无锡九方科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。