一种基于可解释性深度学习的海洋热浪事件预测方法技术

本发明专利技术提供了一种基于可解释性深度学习的海洋热浪事件预测方法，所述方法包括步骤：选取可定量化的海洋环境要素，并基于

【技术实现步骤摘要】
一种基于可解释性深度学习的海洋热浪事件预测方法


[0001]本专利技术涉及海洋热浪发现
，具体地，涉及一种基于可解释性深度学习的海洋热浪事件预测方法
。

技术介绍

[0002]海洋热浪通常定义为发生在一个特定位置的
、
一个离散的
、
延长的异常暖水事件，可能对海洋生态系统
、
渔业
、
航运和旅游业等产生影响，同时也可能对人类健康造成影响，其通常被定义为海洋表面温度在某个时间段内持续高于预期或历史平均水平的现象
。
[0003]在海洋热浪预测领域，目前已经有一些方法用于预测海洋热浪，这些方法通常基于气象
、
海洋学和物理学等领域的模型和算法，例如，基于卷积神经网络的方法被用于预测海洋热浪
。
然而，在深度学习方法中，传统的神经网络结构往往存在过拟合问题，导致预测结果不够准确，同时也缺乏可解释性
。
在海表温预测任务中，由于海洋环境的复杂性，传统的深度学习方法往往难以对海表温的变化趋势进行准确预测和解释，同时也很难将海洋环境要素和气候变化等因素融入到预测模型中，使得预测结果的可靠性和可解释性受到较大的影响
。
此外，传统的深度学习方法往往需要大量的标注数据和计算资源，且在训练过程中容易出现过拟合等问题，限制了其在实际应用中的广泛使用
。
[0004]因此，需要一种可解释性较好的深度学习方法来预测海洋热浪，能够克服传统方法和现有深度学习方法的不足之处，能够对海洋热浪的形态和特性进行准确的识别和预测，并能够解释预测结果的原因和机制，提高海洋热浪的预测准确性和可解释性，为海洋生态系统
、
渔业
、
航运和旅游业等领域提供更好的服务
。

技术实现思路

[0005]针对现有技术中的缺陷，本专利技术的目的在于提供一种基于可解释性深度学习的海洋热浪事件预测方法，能够对海洋热浪事件进行准确的识别和预测，并能够解释预测结果的原因和机制
。
[0006]为解决上述问题，本专利技术的技术方案为：
[0007]一种基于可解释性深度学习的海洋热浪预测方法，包括以下步骤：
[0008]选取可定量化的海洋环境要素，并基于
LSTM
模型建立目标海域环境要素与海表温度之间的预测关系；
[0009]结合相对阈值法来识别海洋热浪事件，并将期望梯度方法应用于
LSTM
模型，以量化输入要素在海洋热浪预测中的时间特征重要性；
[0010]从特征重要性评分中解释海洋热浪事件和海洋观测数据之间的关系，实现对海洋热浪事件的可解释性分析
。
[0011]优选地，所述选取可定量化的海洋环境要素，并基于
LSTM
模型建立目标海域环境要素与海表温度之间的预测关系的步骤具体包括：将气压
、
风速作为输入变量来预测海表温度，并基于
LSTM
模型建立目标海域环境要素与海表温度之间的非线性预测关系
。
[0012]优选地，所述
LSTM
模型包括一个
LSTM
层和一个全连接层，使用气压和风速两个海洋环境变量作为输入，
180
个时间步长的历史数据为输入序列来预测海表面温度
。
[0013]优选地，所述
LSTM
网络模型包含一个承担网络长期记忆的细胞状态向量
[c
t
]和一个作为细胞状态的非线性转换输出的隐藏状态向量
[h
t
]，在每个时间步
t
上，循环单元接收来自前一个单元的单元状态和隐藏状态，以及当前输入
x
t
作为输入，并计算当前单元状态
c
t
和隐藏状态
h
t
以供应后续单元使用，最后一个时间步的隐藏状态
h
T
最终通过一个全连接层映射到单个神经元上，实现海表面温度预测
。
[0014]优选地，所述
LSTM
网络模型用数学公式表述为：
[0015]f
t
＝
σ
(W
fx
x
t
+W
fh
h
t
‑1+b
f
)
[0016][0017]i
t
＝
σ
(W
ix
x
t
+W
ih
h
t
‑1+b
i
)
[0018]o
t
＝
σ
(W
ox
x
t
+W
oh
h
t
‑1+b
o
)
[0019][0020]h
t
＝
o
t
⊙
tanh(c
t
)
[0021]式中，每个
W
和
b
代表训练期间估计的可学习权重和偏差项，
LSTM
模型使用
sigmod
激活函数
σ
(
·
)
和双曲正切函数
tanh(
·
)
来进行计算，公式中的
⊙
表示元素相乘
。
[0022]优选地，所述结合相对阈值法来识别海洋热浪事件，并将期望梯度方法应用于
LSTM
模型，以量化输入要素在海洋热浪预测中的时间特征重要性的步骤中，当海水温度超过基于长期气候学的
90
百分位阈值并持续至少5天时，就认为发生了一次海洋热浪事件，为了计算这个阈值，使用每日海水温度值，并在以该日为中心的
11
天窗口内计算一年中每个日历日的气候阈值和平均值，然后使用
31
天移动窗口进行平滑处理，海洋热浪事件的强度被定义为热浪期间的温度峰值与气候态温度的差
。
[0023]优选地，所述结合相对阈值法来识别海洋热浪事件，并将期望梯度方法应用于
LSTM
模型，以量化输入要素在海洋热浪预测中的时间特征重要性的步骤中，所述期望梯度方法的公式表示为：此公式表示第
i
个特征的
EG
评分其中
x
i
和
x'
i
分别代表第
i
个基线和目标输入，表示网络
f
在基线和目标输入之间插值点的局部梯度，
x'+
α
(x
‑
x')
表示基线
(
α
＝
0)
到目标输入
(...

【技术保护点】

【技术特征摘要】
1.
一种基于可解释性深度学习的海洋热浪事件预测方法，其特征在于，所述方法包括以下步骤：选取可定量化的海洋环境要素，并基于
LSTM
模型建立目标海域环境要素与海表温度之间的预测关系；结合相对阈值法来识别海洋热浪事件，并将期望梯度方法应用于
LSTM
模型上，以量化不同输入要素在海洋热浪预测中的时间特征重要性；从特征重要性评分中解释海洋热浪事件和海洋观测数据之间的关系，实现对海洋热浪事件的可解释性分析
。2.
根据权利要求1所述的基于可解释性深度学习的海洋热浪事件预测方法，其特征在于，所述选取可定量化的海洋环境要素，并基于
LSTM
模型建立目标海域环境要素与海表温度之间的预测关系的步骤具体包括：将气压
、
风速作为输入变量来预测海表温度，并基于
LSTM
模型建立目标海域环境要素与海表温度之间的非线性预测关系
。3.
根据权利要求2所述的基于可解释性深度学习的海洋热浪事件预测方法，其特征在于，所述
LSTM
模型包括一个
LSTM
层和一个全连接层，使用气压和风速两个海洋环境变量作为输入，
180
个时间步长的历史数据为输入序列来预测海表面温度
。4.
根据权利要求3所述的基于可解释性深度学习的海洋热浪事件预测方法，其特征在于，所述
LSTM
网络模型包含一个承担网络长期记忆的细胞状态向量
[c
t
]
和一个作为细胞状态的非线性转换输出的隐藏状态向量
[h
t
]
，在每个时间步
t
上，循环单元接收来自前一个单元的单元状态和隐藏状态，以及当前输入
x
t
作为输入，并计算当前单元状态
c
t
和隐藏状态
h
t
以供应后续单元使用，最后一个时间步的隐藏状态
h
T
最终通过一个全连接层映射到单个神经元上，实现海表面温度预测
。5.
根据权利要求4所述的基于可解释性深度学习的海洋热浪事件预测方法，其特征在于，所述
LSTM
网络模型用数学公式表述为：
f
t
＝
σ
(W
fx
x
t
+W
fh
h
t
‑1+b
f
)i
t
＝
σ
(W
ix
x
t
+W
ih
h
t
‑1+b
i
)o
t
＝
σ
(W
ox
x
t
+W
oh
h
t
‑1+...

【专利技术属性】
技术研发人员：贺琪，宋巍，黄冬梅，杜艳玲，徐慧芳，朱姿杭，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：