【技术实现步骤摘要】
一种深度神经网络的平均海表面温度预报方法
[0001]本专利技术属于数值预报
,尤其涉及一种深度神经网络的平均海表面温度预报方法。
技术介绍
[0002]已有的基于机器学习的海表面温度预测模型通常数据驱动的预测方式,如LSTM模型或卷积神经网络CNN等,都需要大量数据的训练才有可能都达到比较理想的结果;同时,机器学习只是识别输入和模型感兴趣的系统变量之间的统计关系,并未考虑任何物理定律,可能会造成结果与物理定律的偏离;并且机器学习模型只能够反应输入变量数据之间一种相关关系而无法推广到训练数据以外的要素,可能会造成模型的泛化能力较弱。
技术实现思路
[0003]为解决上述问题,需要构建一种能够融合物理信息、要素的时空信息,同时能够进行多步预报的模型,本专利技术提出了一种深度神经网络的平均海表面温度预报方法,包括以下步骤:
[0004]S1:选取卫星观测数据和再分析格点数据用作模型数据样本;
[0005]S2:插值计算,通过线性插值方法,利用逐日混合层厚度数据、逐日海水表面纬向流速数据、逐日海水108m深处纬向流速数据、逐日海水表面经向流速数据、逐日海水108m深处经向流速数据、逐日海表面温度数据、逐日108m处海水温度数据,计算得到逐日混合层10m下海水流速数据和逐日混合层10m下海水温度数据;
[0006]S3:数据匹配,为使所述卫星观测数据与所述再分析数据匹配,首先选取空间分辨率最低的格网数据的空间信息作为基准格网点,将其余变量数据插值匹配到基准格网点上,然后,卫星观测 ...
【技术保护点】
【技术特征摘要】
1.一种深度神经网络的平均海表面温度预报方法,其特征在于,包括以下步骤:S1:选取卫星观测数据和再分析格点数据用作模型数据样本;S2:插值计算,通过线性插值方法,利用逐日混合层厚度数据、逐日海水表面纬向流速数据、逐日海水108m深处纬向流速数据、逐日海水表面经向流速数据、逐日海水108m深处经向流速数据、逐日海表面温度数据、逐日108m处海水温度数据,计算得到逐日混合层10m下海水流速数据和逐日混合层10m下海水温度数据;S3:数据匹配,为使所述卫星观测数据与所述再分析格点数据匹配,首先选取空间分辨率最低的格网数据的空间信息作为基准格网点,将其余变量数据插值匹配到基准格网点上,然后,卫星观测数据与再分析数据在时间尺度上匹配,最终实现两数据在空间、时间层面上匹配;S4:构建海表面温度预报训练集;其中卫星观测的海表面温度数据以及再分析格点数据用作训练样本特征,再分析数据中的海表面温度数据用作样本标签;S5:搭建融合空间偏导数值求解的深度神经网络平均海表面温度预报模型的多层网络结构,包括以下三部分:第一部分采用3D
‑
CNN卷积层作为数据特征抽取模块,得到特征降维后的特征矩阵数据作为输入;第二部分为卷积神经网络3D
‑
CNN,使用空间卷积层,采用2层空间卷积模块,时序上选择卫星观测数据与再分析数据时空特征融合降维后的矩阵作为输入;第三部分为时空卷积神经网络3D
‑
CNN
‑
ConvLSTM,包括以下:时空卷积LSTM层,采用3层时空卷积LSTM模块,时序上选择卫星观测数据与再分析数据时空特征融合降维后的矩阵作为输入;物理信息偏微分方程融合层,将混合层温度热收支方程中的偏微分项带入到网络中求解,得到的偏微分项与要素变量进行计算,结合传统求解中差分计算的方法,得到后一时刻预报输出;多步预报层,基于Runge
‑
Kutta方法,对i时刻的预报输出与i+1时刻的预报输出计算平均斜率,得到的平均斜率继续对i+2时刻的预报输出计算平均斜率,由此递推,得到多步预报的结果。2.根据权利要求1所述的深度神经网络的平均海表面温度预报方法,其特征在于,所述卫星观测数据和再分析格点数据包括逐日向下太阳短波辐射数据、逐日向上太阳短波辐射数据、逐日向下太阳长波辐射数据、逐日向上太阳长波辐射数据、逐日感热通量数据、逐日潜热通量数据、逐日海水表面纬向流速数据、逐日海水表面经向流速数据、逐日混合层厚度数据、逐日海表面温度数据、逐日混合层10m下温度数据以及逐日混合层10m下流速数据。3.根据权利要求2所述的深度神经网络的平均海表面温度预报方法,其特征在于,所述构建海表面温度预报训练集包括由卫星观测数据和再分析格点数据中的12个环境变量要素时空匹配组成的数据集,此外,将时间上连续的12个变量7日环境变量要素作为训练集的时序特征,并构建SST的经纬度数据信息并添加到训练集用作时序特征,最终分别得到两个空间、时间连续的图像形式的数据,包括逐日向下太阳短波辐射数据、逐日向上太阳短波辐射数据、逐日向下太阳长波辐射数据、逐日向上太阳长波辐射数据、逐日感热通量数据、逐日潜热通量数据、逐日海水纬向流速数据、逐日海水经向流速数据、逐日混合层厚度、逐日
混合层10m下海水流速数据和逐日混合层10m下海水温度数据;3D
‑
CNN采用3
×3×
3大小的卷积核进行要素特征提取降维融合,时空卷积LSTM中采用3
×3×
3大小的卷积核进行空间特征提取,而3层时空卷积LSTM各层神经元数目分别为64、64、64;3层空间卷积CNN各层神经元数目分别为16,32,64。4.根据权利要求1所述的深度神经网络的平均海表面温度预报方法,其特征在于,所述海表面温度计算公式为:Q
′
=Q
sw
+Q
lw
+Q
lhf
+Q
sfsfsf
其中T
′
m
表示日均海表面温度,x代表纬度的地理信息,y代表经度的地理信息,u代表海表面纬向流速,v代表海水的经向流速,h
m
代表混合层厚度,ρ代表海水密度,取为1025kg/m3,C
p
代表海水比热,为4000J*kg/K,R代表偏置项,Q
′
代表海面净热通量,Q
sw
为海表面吸收的净太阳短波辐射通量,Q
lw
为海表面吸收的净太阳长波辐射通量,Q
lhf
为潜热通量,Q
shf
为感热通量,均以海洋吸收热量方向为正;T
d
代表混合层10m下海水温度,w
e
为混合层10m下海水流速,二者均由插值法计算求得,h为海水深度;T
0.5
为混合层0.5m下海水温度,v
0.5
为混合层0.5m下海水流速,T
i
为混合层i米下海水温度,为温度随时间变化得趋势项,基于此项,同时基于Runge
‑
Kutta方法,实现温度的多步预报。5.根据权利要求1所述的深度神经网络的平均海表面温度预报方法,其特征在于,通过3D
‑
CNN层的特征提取过程,得到了特征融合数据,通过...
【专利技术属性】
技术研发人员:朱俊星,袁太康,任开军,王悟信,汪祥,李小勇,
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:
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。