一种基于深度学习的赤道印度洋表层海流流速预测方法技术

本发明专利技术涉及海流流速预测技术领域，尤其涉及一种基于深度学习的赤道印度洋表层海流流速预测方法，首先导入海流数据，构建数据集；然后数据预处理，针对每个数据项进行特征构建，最后考虑到赤道印度洋表层海流流速预测是基于时序的回归预测，选择非线性自回归神经网络或卷积神经网络模型进行分析

【技术实现步骤摘要】
一种基于深度学习的赤道印度洋表层海流流速预测方法


[0001]本专利技术涉及海流流速预测
，尤其涉及一种基于深度学习的赤道印度洋表层海流流速预测方法
。

技术介绍

[0002]以
Wyrtki
急流为代表的赤道印度洋表层海流能够产生的热
、
盐和水团纬向再分配过程对维持赤道东
、
西印度洋以及全球海洋热
、
盐循环和平衡具有重要作用，对其变化特征进行更加细致的分析对于揭示热带海洋环流系统的复杂变化机制具有重要的科学意义
。
此外，海流对于船舶航行影响重大，构建更加准确
、
高效的海流计算模型对于推动海洋科学研究
、
航运安全
、
渔业持续发展具有重要作用和实际应用价值
。
[0003]海表面流场数据的获取一直以来都是海洋学研究中的一个难题，目前常用的表层海流资料一般有两种来源，一是由海洋漂流浮标直接观测所得，另一种是基于卫星遥感数据
(
海表面高度和海表面风场数据等
)
计算获取
。
然而，以
Wyrtki
急流为代表的赤道印度洋表层海流观测数据稀缺，并且在传统物理海洋学中，因为地转平衡关系在赤道附近海域研究中并不适用，基于地转平衡关系使用卫星遥感数据进行海流计算的方法，对亚中尺度海洋现象以及高频波
/
潮汐等评估困难，且误差较大
。
[0004]当前已有海流流速检测或预测的
技术介绍
相对较少，且均聚焦于硬件设备设计领域
。
专利
CN202533450U
提出了一种海流流速检测器设备，包括悬浮体
、
连接杆
、
压力传感器
、
压块
、
无线发射模块
、
吊耳
、
控制芯片和外壳；专利
CN210514355U
公开了一种底层海流测速装置，包括测量船
、
线缆
、
固定锚和海流流速检测器，可以根据实际需要灵活的调整检测器的深度，以便不同深度的海流流速进行测量，同时海流流速检测器至少设置有三组，三组海流流速检测器所测得的结果取平均数作为测量数据
。
以上两种方法均无法解决设备故障场景下的流速检测问题
。
除此之外，专利
CN114002666A
和专利
CN114353791A
从对海遥感和组合导航角度对海流流速进行监测，但仍未考虑设备天线或导航设备故障问题
。
以上海流流速检测设备故障可能带来检测数据缺失
。

技术实现思路

[0005]本专利技术提供了一种基于深度学习的赤道印度洋表层海流流速预测方法，从软件和算法的角度，减少了短时间内对洋流流速硬件设备的强依赖，提升了整个流速检测解决方案针对故障的鲁棒性和可靠性
。
[0006]为了实现本专利技术的目的，所采用的技术方案是：一种基于深度学习的赤道印度洋表层海流流速预测方法，该方法包括如下步骤：
[0007]S1、
导入海流数据，构建数据集，将数据集分为测试集和训练集；
[0008]S2、
数据预处理，对数据进行噪点去除和平滑处理，同时进行归一化处理；
[0009]S3、
特征选择：针对每个数据项进行特征构建，分别求取海表面温度
、
海表面高度
、
海表面经向风和海表面纬向风的一阶微分和二阶微分作为模型训练输入特征；
[0010]S4、
考虑到赤道印度洋表层海流流速预测是基于时序的回归预测，选择非线性自回归神经网络或卷积神经网络模型进行分析
、
训练和推理；
[0011]S5、
以
MSE
作为评价指标进行模型训练，若模型海流流速预测值与海流流速金标值的
MSE
大于
0.01
，则继续重复模型训练过程，否则进行五折交叉验证，取5个模型的输出均值作为最终输出
。
[0012]作为本专利技术的优化方案，在步骤
S1
中，数据集以天为单位，至少包括数据项
index、
数据项记录时间
、
海表面温度
、
海表面高度
、
海表面经向风
、
海表面纬向风和上
100m
平均纬向流流速
。
[0013]作为本专利技术的优化方案，在步骤
S2
中，归一化处理时，每个数据项中的每个值按照下式处理：
[0014][0015]其中：
x
’
是归一化处理后的数据，
x
是原始数据，
min(x)
是每个数据项中的最小值，
max(x)
是每个数据项中的最大值
。
[0016]作为本专利技术的优化方案，在步骤
S3
中，一阶微分指数据列中每个数据与上一个数据作差所得，二阶微分指一阶微分项列中每个数据与上一个数据作差所得
。
[0017]作为本专利技术的优化方案，在步骤
S4
中，搭建非线性自回归神经网络模型架构，设置非线性自回归神经网络模型训练参数，包括网络层数和神经元个数，网络层数包含输入层
、
隐含层和输出层，输入层节点数根据输入值个数设定，输出层节点数根据预测值个数设定，通过设置隐含层层数和节点数，构建非线性自回归神经网络
。
[0018]作为本专利技术的优化方案，在步骤
S5
中，五折交叉验证指的是将原数据集划分为5份，任选其中4份作为训练集，其中1份作为测试集，分别进行训练，以此获得5个训练模型
。
[0019]本专利技术具有积极的效果：
1)
本专利技术从软件和算法的角度，减少了短时间内对洋流流速硬件设备的强依赖，提升了整个流速检测解决方案短时间内针对设备故障的鲁棒性和可靠性；
[0020]2)
本专利技术降低了整个解决方案或系统的硬件设备成本或人力维修成本；
[0021]3)
本专利技术在呈现基本海洋数据基础上，还可给出渔业指数
、
航运安全推荐指数或常用气候变化参考指数如印度洋偶极子
(IOD)
指数
、Nino3.4
指数等，便于对赤道印度洋及其周边海域的渔业
、
航运和科研应用进行指导
。
附图说明
[0022]下面结合附图和具体实施方式对本专利技术作进一步详细的说明
。
[0023]图1是本专利技术总体框架图；
[0024]图2是本专利技术流程示意图；
[0025]图3是本专利技术模型推理和使用示意图；
[0026]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：所述方法包括如下步骤：
S1、
导入海流数据，构建数据集，将数据集分为测试集和训练集；
S2、
数据预处理，对数据进行噪点去除和平滑处理，同时进行归一化处理；
S3、
特征选择：针对每个数据项进行特征构建，分别求取海表面温度
、
海表面高度
、
海表面经向风和海表面纬向风的一阶微分和二阶微分作为模型训练输入特征；
S4、
赤道印度洋表层海流流速预测是基于时序的回归预测，选择非线性自回归神经网络或卷积神经网络模型进行分析
、
训练和推理；
S5、
以
MSE
作为评价指标进行模型训练，若模型海流流速预测值与海流流速金标值的
MSE
大于
0.01
，则继续重复模型训练过程，否则进行五折交叉验证，取5个模型的输出均值作为最终输出
。2.
根据权利要求1所述的一种基于深度学习的赤道印度洋表层海流流速预测方法，其特征在于：在步骤
S1
中，数据集以天为单位，至少包括数据项
index、
数据项记录时间
、
海表面温度
、
海表面高度
、
海表面经向风
、
海表面纬向风和上
100m
平均纬向流流速

【专利技术属性】
技术研发人员：曹国娇，王璐，杜泽栋，郭亚娜，张树奎，
申请(专利权)人：江苏海事职业技术学院，
类型：发明
国别省市：