多源海面物理要素的机器学习融合方法、设备及介质技术

本发明专利技术公开一种多源海面物理要素的机器学习融合方法、设备及介质，涉及海洋数据处理技术领域，方法包括：获取多源数据和NWP模式数据/再分析数据；基于目标时刻和时间窗口从多源数据中提取出目标时刻卫星数据，然后进行混合得到混合卫星数据、进行插值得到标准卫星数据；以标准卫星数据作为学习目标，以卫星插值格点及相邻的NWP模式数据/再分析数据作为训练特征建立训练样本；将多个训练样本输入至XGBoost机器学习模型中进行训练，以得到风场数据融合模型；将待处理的NWP模式数据/再分析数据输入至风场数据融合模，得到融合风场。本发明专利技术通过训练得到融合模型后即可快速进行数据融合，操作简单，硬件要求低。硬件要求低。硬件要求低。

【技术实现步骤摘要】
多源海面物理要素的机器学习融合方法、设备及介质
[0001]本专利技术是专利技术名称为“多源海面物理要素的机器学习融合方法和模型”的分案申请，其中，母案的申请号为202210253149.5，申请日为2022.03.15。


[0002]本专利技术涉及海洋数据处理
，特别是涉及一种多源海面物理要素的机器学习融合方法、设备及介质。

技术介绍

[0003]在海洋领域的研究中，数据融合必不可少，它为进一步分析海洋发展以及规律提供了强有力的数据支持。当前有许多数据融合算法被研究者提出并利用。以海面风场的数据融合为例，目前主要的融合方法有插值类融合算法和同化变分类融合算法。其中插值算法有Cressman插值、Kriging插值和时空加权分析，同化变分算法包括最优插值、三维变分等。凌征等通过Cressman插值融合了中国近海的卫星风场和沿岸气象站风场资料。Zhang等对包括SSM/I、TMI、QuikSCAT、AMSR
‑
E等在内的多颗卫星海面风速数据进行了时空权重插值融合，产生了全球范围的自1987年至2006年的时间分辨率本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多源海面物理要素的机器学习融合方法，其特征在于，包括：获取多源数据和NWP模式数据/再分析数据；所述多源数据包括HY
‑
2B卫星、中法海洋卫星及MetOp
‑
B卫星的海面风场数据；选取0时和12时作为目标时刻，选取时间窗口为3小时，基于所述目标时刻和所述时间窗口，从所述多源数据中提取出目标时刻卫星数据；对所述目标时刻卫星数据中HY
‑
2B卫星、中法海洋卫星以及MetOp
‑
B卫星的数据进行混合，以得到混合卫星数据；采用反距离加权插值算法对所述混合卫星数据进行插值，以得到标准卫星数据；所述标准卫星数据为0.25
°×
0.25
°
的标准网格数据；以所述标准卫星数据作为学习目标，以卫星插值格点及相邻的NWP模式数据/再分析数据作为训练特征，建立训练样本；将多个训练样本输入至XGBoost机器学习模型中进行训练，以得到最优的XGBoost机器学习模型；所述最优的XGBoost机器学习模型为风场数据融合模型；获取待处理的NWP模式数据/再分析数据；将所述待处理的NWP模式数据/再分析数据输入至所述风场数据融合模型，以得到融合风场。2.根据权利要求1所述的多源海面物理要素的机器学习融合方法，其特征...

【专利技术属性】
技术研发人员：张巍，杜超凡，高志一，宋晓姜，郭安博宇，逄仁波，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：