一种长时间尺度的海面温度智能预报方法技术

本发明专利技术属于海洋信息技术领域，本发明专利技术涉及一种长时间尺度的海面温度智能预报方法

【技术实现步骤摘要】
一种长时间尺度的海面温度智能预报方法


[0001]本专利技术属于海洋信息
，本专利技术涉及一种长时间尺度的海面温度智能预报方法
。

技术介绍

[0002]海面温度
(Sea surface temperature
，
SST)
不仅是用于描述海洋表层热状况的主要指标，而且海表面温度异常
(Sea surface temperature anomaly
，
SSTA)
还是海洋影响大气环流和气候变化的重要因子
。
所以，海面温度一直是人们观测
、
研究和预报的重点对象
。
且随着卫星技术和数值模式的不断发展，大量的表层海洋遥感实时资料，结合日益成熟的高时空分辨率的数值模式结果和大范围的现场观测数据，基于大数据的预报研究逐渐成为研究的热点之一
。
[0003]常用的海洋要素传统预测方法如人工经验和数值模型，这些方法受参数设置和人类认知程度的影响较大，且复杂的海洋过程不能通过复杂的公式和繁琐的计算获得较好的结果
。
在大数据背景下，基于人工智能的纯数据驱动海洋信息来构建复杂海洋现象的模型与预报方法逐渐成为热门，具有广阔的应用前景
。
人工神经网络是最受欢迎和最有影响力的模型之一，由于其灵活性和强大的非线性处理能力而被广泛应用
。
将神经网络应用于海洋大数据的预测研究，是将新一代技术与海洋现象预测应用相结合，拓展人工智能等关键技术在海洋中应用的重要方法
。
[0004]目前，智能预报方法己经应用于海洋要素预测中
。
其预测方法主要分为两类，一类是将海洋中每一个空间格点看作是孤立的，通过挖掘时间序列中的有用信息来实现预测
。
这种模型考虑了不同格点的差异性，但每个格点需要足够的训练数据，计算成本很高
。
另一类是可以考虑空间相关性，但预测时效较短
。

技术实现思路

[0005]为了克服现有技术的不足，本专利技术提供一种长时间尺度的海面温度智能预报方法，基于传统的经验正交函数分析
(Empirical orthogonal function
，
EOF)、
自适应噪声完全集合经验模态分解
(Complete ensemble empirical mode decomposition with adaptive noise
，
CEEMDAN)
结合长短时记忆神经网络
(Long short
‑
term memory
，
LSTM)
，开发纯海洋数据驱动的混合模型
(EOF
‑
CEEMDAN
‑
LSTM)
，目的是实现南海海面温度的长期预报
。
[0006]本专利技术的上述目的是通过以下技术方案实现的：一种长时间尺度的海面温度智能预报方法，其特征是，包括以下步骤：
[0007]S1.
数据预处理：基于高分辨率卫星遥感融合最优插值的海表面温度资料，剔除季节信号和全球变暖趋势后，得到逐日海表面温度距平矩阵，作为后续分析的样本矩阵；
[0008]S2.
预报模型的构建与训练：首先，对数据矩阵采用
EOF
，得到空间模态
EOFs
和相应的主成分
PCs
；然后，对主成分
PCs
进行
CEEMDAN
分解，得到
CEEMDAN
衍生的
PCs
作为后续输入；
最后，使用
LSTM
神经网络方法对衍生的
PCs
进行训练与验证；
[0009]S3.
温度的预测与评估：将混合模型预测出的的
PCs
与第二步中的
EOFs
相结合，得到预测的温度矩阵；采用均方根误差
RMSE
和空间距平相关系数
ACC
评估模型预报效果
。
[0010]所述数据预处理，具体包括以下步骤：
[0011]基于卫星融合最优插值的南海海域海表面温度数据集，时间范围为
1982
年1月1日到开始预测时，空间分辨率为
0.25
°
；将数据集分为训练集
、
验证集和测试集，选取前
80
％的年限数据进行训练，剩下后
20
％的年限数据用于验证和测试；最后，剔除季节信号和全球变暖趋势后，得到逐日海表面温度距平矩阵，作为后续分析的样本矩阵
。
[0012]所述剩下后
20
％的年限数据用于验证和测试中，选择最远的1年数据作为验证期，其余年用于测试和评判模型标准
。
[0013]所述预报模型的构建与训练，具体包括以下步骤：
[0014]S21.
经验正交函数分析
[0015]将海面温度数据集以矩阵形式给出：
[0016][0017]其中，
m
为空间格点个数，
n
为时间序列长度或样本数；在海洋学中，更多的研究海表面温度异常，故需减去气候态：
[0018][0019]其中，为气候态；
X
即为后续研究的数据矩阵；求其协方差矩阵为：
[0020][0021]计算协方差矩阵的特征根和特征向量：
[0022]CV
＝
V
Λ
(4)
[0023]其中，
Λ
＝
diag(
λ1，
...
，
λ
m
)
，
V
为空间模态，时间系数
PC
＝
V
T
×
X
；
[0024]对训练集数据进行
EOF
，获得空间模态
EOFs
和时间系数
PCs
，当累积方差达到
98
％时，认为重构数据足以保留原始数据的主要特征；假设可以认为时间序列是平稳的，训练数据量足够大，将测试集投影到上述
EOFs
生成相应的伪
PCs
，用于验证预测结果；
[0025]S22.
自适应噪声完全集合经验模态分解
[0026]设
E
j
(.)
为经过
CEEMDAN
分解后的第
j
个本征模态分量，
w
i
(t)
为满足标准正态分布的高斯白噪声信号，
i
＝
1,2,
…
l
为加入白噪声次数，
∈0为噪声系数；
...

【技术保护点】

【技术特征摘要】
1.
一种长时间尺度的海面温度智能预报方法，其特征是，包括以下步骤：
S1.
数据预处理：基于高分辨率卫星遥感融合最优插值的海表面温度资料，剔除季节信号和全球变暖趋势后，得到逐日海表面温度距平矩阵，作为后续分析的样本矩阵；
S2.
预报模型的构建与训练：首先，对数据矩阵采用
EOF
，得到空间模态
EOFs
和相应的主成分
PCs
；然后，对主成分
PCs
进行
CEEMDAN
分解，得到
CEEMDAN
衍生的
PCs
作为后续输入；最后，使用
LSTM
神经网络方法对衍生的
PCs
进行训练与验证；
S3.
温度的预测与评估：将混合模型预测出的
PCs
与第二步中的
EOFs
相结合，得到预测的温度矩阵；采用均方根误差
RMSE
和空间距平相关系数
ACC
评估模型预报效果
。2.
根据权利要求1所述的一种长时间尺度的海面温度智能预报方法，其特征是，所述数据预处理，具体包括以下步骤：基于卫星融合最优插值的南海海域海表面温度数据集，时间范围为
1982
年1月1日到开始预测时，空间分辨率为
0.25
°
；将数据集分为训练集
、
验证集和测试集，选取前
80
％的年限数据进行训练，剩下后
20
％的年限数据用于验证和测试；最后，剔除季节信号和全球变暖趋势后，得到逐日海表面温度距平矩阵，作为后续分析的样本矩阵
。3.
根据权利要求2所述的一种长时间尺度的海面温度智能预报方法，其特征是，所述剩下后
20
％的年限数据用于验证和测试中，选择最远的1年数据作为验证期，其余年用于测试和评判模型标准
。4.
根据权利要求1所述的一种长时间尺度的海面温度智能预报方法，其特征是，所述预报模型的构建与训练，具体包括以下步骤：
S21.
经验正交函数分析将海面温度数据集以矩阵形式给出：其中，
m
为空间格点个数，
n
为时间序列长度或样本数；在海洋学中，更多的研究海表面温度异常，故需减去气候态：其中，为气候态；
X
即为后续研究的数据矩阵；求其协方差矩阵为：计算协方差矩阵的特征根和特征向量：
CV
＝
V
Λ
(4)
其中，
Λ
＝
diag(
λ1，
...
，
λ
m
)
，
V
为空间模态，时间系数
PC
＝
V
T
×
X
；对训练集数据进行
EOF
，获得空间模态
EOFs
和时间系数
PCs
，当累积方差达到
98
％时，认为重构数据足以保留原始数据的主要特征；假设可以认为时间序列是平稳的，训练数据量足够大，将测试集投影到上述
EOFs
生成相应的伪
PCs
，用于验证预测结果；
S22.
自适应噪声完全集合经验模态分解设
E
j
(.)
为经过
CEEMDAN
分解后的第
j
个本征模态分量，
w
i
(t)
为满足标准正态分布的高
斯白噪声信号，
i
＝
1,2,
…
l
为加入白噪声次数，
∈0为噪声系数；
x(t)
为待分解的信号；在原始时间序列数据中加入白噪声得到新信号：
X
i
(T)
＝
x(t)+∈0w
i
(t)(5)
对产生的模态分量进行总体平均就得到了
CEEMDAN
分解的第一个本征模态分量：然后计算去除第一个模态分量后的残差：在
R1(t)
中加入正负成对的高斯白噪声得到新信号
R1(t)+
ε1E1(w
i
(t))
...

【专利技术属性】
技术研发人员：张蒙蒙，董智超，徐宾宾，杨润来，武晓博，韩桂军，李威，胡向锋，张友毕，武浩文，
申请(专利权)人：中交第一航务工程局有限公司中交一航局第三工程有限公司，
类型：发明
国别省市：