一种基于卷积循环神经网络的海洋要素格点数值订正方法技术

本发明专利技术涉及数值误差订正技术领域，具体涉及一种基于卷积循环神经网络的海洋要素格点数值订正方法，其包括以下步骤:S1、从数值预报产品与再分析资料中提取海洋要素数据，并通过预处理获得具有相同格点的处理后数值预报产品及处理后再分析资料；S2、特征工程和训练；S3、建立误差订正模型，并完成要素参数调整。S1中先利用CDO的双线性插值法，使所述数值预报产品与所述再分析资料具有相同的格点；再利用torch.utils.data中的Dataset，从所述处理后数值预报产品和处理后再分析资料中提取要素数据，并构建学习训练所需要的数据集。本发明专利技术可有效提高海洋要素格点数值预报产品的精度。可有效提高海洋要素格点数值预报产品的精度。可有效提高海洋要素格点数值预报产品的精度。

【技术实现步骤摘要】
一种基于卷积循环神经网络的海洋要素格点数值订正方法


[0001]本专利技术涉及数值误差订正
，具体涉及一种基于卷积循环神经网络的海洋要素格点数值订正方法。

技术介绍

[0002]海洋要素格点数值预报产品的准确性对人类进行海上航行、海上军事活动、渔业捕捞和海上施工作业等相关活动至关重要。海洋生态系统的复杂，使得海洋环境相关数据具有的复杂性和多样性。由于水温、气温、PH值、总有机碳、重金属、波浪高度、波浪周期、风力、风向等海洋环境数据，采用浮标系统、导航系统和数据库系统共同协作采集，各个采集系统受外界条件的干扰，使得数据增加了异质性、突变性、波动性、异常性、缺失性等特征。人工智能技术可以模拟海洋系统复杂的非线性数学行为，而不需要事先了解海洋内部各元素的相互关系，通过合理的搭建和训练网络模型，可以对复杂的海洋状态参数进行预测，提高海洋要素格点数值预报产品的精确度，对海洋资源的研究和开发具有重要意义。为此，需要一种基于卷积循环神经网络的数值误差订正方法，用来提高海洋要素格点数值预报产品的精度。

技术实现思路

[0003]本专利技术提供一种基于卷积循环神经网络的海洋要素格点数值订正方法，可有效提高海洋要素格点数值预报产品的精度。
[0004]为了达到上述目的，本专利技术提供如下技术方案：一种基于卷积循环神经网络的海洋要素格点数值订正方法，其包括以下步骤:
[0005]S1、从数值预报产品与再分析资料中提取海洋要素数据，并通过预处理获得具有相同格点的处理后数值预报产品及处理后再分析资料；r/>[0006]S2、特征工程和训练；
[0007]S3、建立误差订正模型，并完成要素参数调整。
[0008]优选的，所述S1中的预处理包括：
[0009]S11，利用CDO的双线性插值法，使所述数值预报产品与所述再分析资料具有相同的格点；
[0010]S12、利用torch.utils.data中的Dataset，从所述处理后数值预报产品和处理后再分析资料中提取要素数据，并构建学习训练所需要的数据集。
[0011]优选的，所述S1中，采用ConvLSTM网络在FC
‑
LSTM的基础上将input
‑
state和state
‑
state之间的连接改为卷积操作，达到让网络具有时空特征获取能力。
[0012]优选的，所述CDO的双线性插值法为：
[0013]已知函数f在Q11＝(x11,y11)，Q12＝(x12,y12)，Q21＝(x21,y21)及Q22＝(x22,y22)的值；未知函数f在点Q＝P(x,y)的值为：
[0014]在x方向进行线性插值，得到
[0015][0016][0017]然后在y方向进行线性插值，得到
[0018][0019]优选的，所述Dataset的处理过程为:先确定训练样本长度，然后确定输入数据内容及结构，并确定与之相对应的标签数据的内容及结构，并完成归一化；所述归一化公式如下：
[0020][0021]X＝X*2
–
1(2)
[0022]根据公式(1)、(2)的计算，所有数据的取值范围被修订为
‑
1到1。
[0023]优选的，所述S3包括如下步骤：
[0024]S31、误差订正模型搭建；
[0025]S32、调整参数；
[0026]S33、加载相同格点的数据集，并进行模型学习训练；
[0027]S34、得到模型。
[0028]本专利技术有益效果为：采用了上述方法，海洋要素格点数值预报产品精度相较于订正前有20％以上的提升，更加接近实际的海洋状况，从而更加有效的保障了出海人员的安全。
附图说明
[0029]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0030]图1为海洋要素数据提取流程图；
[0031]图2为ConvLSTM结构示意图；
[0032]图3为LSTM网络结构示意图；
[0033]图4为深度ConvLSTM网络结构示意图；
[0034]图5为误差订正模型训练搭建过程图；
[0035]图6为模型学习训练流程。
具体实施方式
[0036]下面将结合本专利技术的附图，对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]根据图1所示，一种基于卷积循环神经网络的海洋要素格点数值订正方法，该方法由以下步骤构成：
[0038]S1、海洋要素数据提取：读取数值预报产品和再分析资料，由于格点不相同，需要做特别的预处理，利用CDO(ClimateDataOperator)进行双线性插值，使得数值预报产品和再分析资料具有相同的格点，然后利用torch.utils.data中的Dataset，从处理后的数值预报产品和再分析资料中提取要素数据，并构建出学习训练所需要的数据集。算法流程如图1所示。
[0039]由于数值预报产品和再分析资料格点不同，无法对二者之间的误差进行一一对应的学习，因此需要将二者统一到相同格点上，S11中使用CDO的双线性插值法，完成对不同格点数据的预处理。
[0040]双线性插值是对线性插值在二维直角网格上的扩展，用于对双变量函数(例如x和y)进行插值。其核心思想是在两个方向分别进行一次线性插值。假如我们想得到未知函数f在点Q＝P(x,y)的值，假设已知函数f在Q11＝(x11,y11)，Q12＝(x12,y12)，Q21＝(x21,y21)及Q22＝(x22,y22)的值。
[0041]首先在x方向进行线性插值，得到
[0042][0043][0044]然后在y方向进行线性插值，得到
[0045][0046]S12中，将相关数据利用Dataset进行处理，先确定训练样本长度，然后确定输入数据内容及结构，并确定与之相对应的标签数据的内容及结构，并完成归一化，在这里采取的归一化公式如下：
[0047][0048]X＝X*2
‑
1(2)
[0049]根据公式(1)、(2)的计算，所有数据的取值范围被修订为
‑
1到1，然后开始后续的步骤。
[0050]S2、特征工程和训练：由于样本数据同时具有时间属性和空间属性，采用可提取时
间和空间特征的ConvLSTM网络。ConvLSTM(图2)在FC
‑
LSTM的基础上将input
‑
state和state
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积循环神经网络的海洋要素格点数值订正方法，其特征在于,包括以下步骤:S1、从数值预报产品与再分析资料中提取海洋要素数据，并通过预处理获得具有相同格点的处理后数值预报产品及处理后再分析资料；S2、特征工程和训练；S3、建立误差订正模型，并完成要素参数调整。2.根据权利要求1所述的一种基于卷积循环神经网络的海洋要素格点数值订正方法，其特征在于：所述S1中的预处理包括：S11，利用CDO的双线性插值法，使所述数值预报产品与所述再分析资料具有相同的格点；S12、利用torch.utils.data中的Dataset，从所述处理后数值预报产品和处理后再分析资料中提取要素数据，并构建学习训练所需要的数据集。3.根据权利要求2所述的一种基于卷积循环神经网络的海洋要素格点数值订正方法，其特征在于：所述S1中，采用ConvLSTM网络在FC
‑
LSTM的基础上将input
‑
state和state
‑
state之间的连接改为卷积操作，达到让网络具有时空特征获取能力。4.根据权利...

【专利技术属性】
技术研发人员：杨沁蒙，周纯葆，王彦棡，林鹏飞，刘海龙，李逸文，郑伟鹏，
申请(专利权)人：中国科学院大气物理研究所，
类型：发明
国别省市：