【技术实现步骤摘要】
本专利技术属于海洋信息，本专利技术涉及一种基于深度学习的水位和海面温度预报偏差订正方法。
技术介绍
1、当前，业务化海洋学可以提供常规的海洋数值预报产品，服务于海洋交通运输、环境管理和国防安全等各个行业领域。但由于海洋数值预报系统中的海洋数值模式、初始条件和边界条件等均存在不确定性，海洋数值预报产品不可避免地存在着偏差。海洋数值预报起步和发展很多是借鉴了数值天气预报技术发展中得到的经验。对于海洋数值预报产品偏差订正方法研究来说，这一思路同样适用。像数值天气预报领域那样，对于海洋数值预报产品偏差订正通常分为两类：一类是离线偏差订正(offline bias correction)，一类是在线偏差订正(online bias correction)。前者是在预报完成后对结果的后处理，一般称之为事后订正，属于经验性订正，易于实现。后者是与模式积分同时进行的，需要考虑模式动力，且需要依赖于昂贵的计算资源，比如考虑了模式偏差的数据同化技术就属于这一类的偏差订正方法。本专利技术拟采用的海洋数值预报产品偏差订正方法属于前者。
2、随着越来越多且可靠的海洋观测资料的不断积累，近年来，基于这些海洋观测数据驱动的深度学习方法越来越多地被应用到海洋预报和气候预测等研究领域，且由于其具有自动提取这些数据中所蕴含的时空特征信息的优势而展现出广阔的应用前景。其中，卫星遥感融合sst数据集和卫星高度计融合海面ssha数据集是开展深度学习研究所依赖的非常好的数据源，也是本专利技术所采用的数据源。然而基于深度学习模型开展sst和ssha数值预报产品偏
技术实现思路
1、为了克服现有技术的不足，本专利技术提供一种基于深度学习的水位和海面温度预报偏差订正方法，通过多元经验正交函数(multivariate empirical orthogonal function，meof)分析方法以及反向传播(back propagation，bp)神经网络，构建海面温度(seasurface temperature，sst)和海面高度异常(sea surface height anomaly，ssha)偏差的联合订正模型，提高sst和ssha预报精度的方法。该方法主要应用于水位和海面温度预报偏差订正。
2、本专利技术的上述目的是通过以下技术方案实现的：一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，包括以下步骤：
3、s1.计算偏差时间序列：通过计算卫星观测数据与数值预报产品的差值，得到sst和ssha的多年数值预报偏差，选择无突显异常的两年偏差时间序列；
4、s2.meof分析：对sst和ssha偏差数据矩阵进行meof分解，得到相应的eof空间模态和pc时间序列；
5、s3.训练数据集和检验数据集：将前一年的pc时间序列输入bp神经网络中训练，再利用后一年的伪pc时间序列来进行检验；
6、s4.模型训练：通过输入前一天的时间序列来预报下一天的时间序列，以此方法来搭建并训练bp神经网络；
7、s5.模型预报：利用训练好的bp神经网络后一年的pc序列进行预报；
8、s6.偏差订正：利用预报得到的pc时间序列与eof空间模态重构sst和ssha偏差预报数据，得到订正后的sst和ssha偏差时间序列。
9、所述步骤s1中选择计算的时间为2008～2009年。
10、所述步骤s2中，meof分析为多元经验正交函数分析，当同时考虑ssha和sst两个变量时，meof方法实施步骤如下：
11、s21.将ssha和sst偏差数据矩阵进行处理，记为x2n×m：
12、
13、式中，n为空间网格点数，m为时间序列长度；
14、s22.由于不同的变量涉及不同的尺度和单位，对样本矩阵进行标准化，即扣除均值并除以标准差：
15、
16、s23.构造相关系数矩阵：
17、
18、s24.将x'分解为正交模态向量：
19、
20、式中，v表示eof空间模态，pc表示对应的主成分；
21、s25.还原x的原始样本：
22、
23、对前一年的sst和ssha偏差数据矩阵进行meof分解，得到相应的eof空间模态和pc时间序列；将后一年的sst和ssha偏差数据矩阵投影到eof空间模态上，得到伪pc时间序列pseudo-pc。
24、所述步骤s3中，通过对meof模态的累计方差贡献率的计算，选取前面占比99.90％的meof模态及其对应的pc时间序列，然后将前一年的pc时间序列输入bp神经网络中训练，再利用后一年的伪pc时间序列来进行检验；
25、bp神经网络，是基于梯度下降法使数据的实际输入值与期望输出值的均方根误差达到预期最小值的一种神经网络，以此来进行网络学习和构建；bp神经网络结构主要包含输入层、隐藏层和输出层，而bp神经网络算法主要包括数据的前向传播、误差的反向传播和结果输出三个部分；算法的主要步骤如下：
26、s31.数据的前向传播，bp神经网络先进行数据的正向输入，信号通过隐藏层作用于输出节点，若所产生的输出信号与期望的不符，则进入下一步；
27、s32.误差的反向传播，当输出信号与期望不符时，误差信号再从输出层反传到隐藏层，来不断调整隐藏层和输出层之间节点的阈值，误差在此过程中也逐渐降低，直到达到规定的最小误差时停止训练；
28、s33.结果输出，在训练阶段，输出层目标输出是已知的，以对比预测值计算最小目标函数，获取最优化超参数、权值和偏差；而在获取结果阶段，输出层的结果根据输入层、训练阶段所得固定权值就可得到。
29、本专利技术一方面，能联合sst和ssha预报场同时进行偏差订正，节省了大量的计算时间。另一方面，对于业务化海洋数值预报系统而言，其三个关键组成部分：模式、数据同化和观测，一直处于不断更新换代过程中，更新的时间周期可以短到1～2年，该方法的偏差订正模型需要的平稳偏差序列长度恰好可以与之吻合。本专利技术通过meof分析方法以及bp神经网络，构建sst和ssha数值预报产品偏差的联合订正模型，进而通过试验改进对sst和ssha预报的偏差订正效果，为提高sst和ssha数值预报精度提供技术支持，预期在水位和海面温度预报中具有良好的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，所述步骤S1中选择计算的时间为2008～2009年。
3.根据权利要求1所述的一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，所述步骤S2中，MEOF分析为多元经验正交函数分析，当同时考虑SSHA和SST两个变量时，MEOF方法实施步骤如下：
4.根据权利要求1所述的一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，所述步骤S3中，通过对MEOF模态的累计方差贡献率的计算，选取前面占比99.90％的MEOF模态及其对应的PC时间序列，然后将前一年的PC时间序列输入BP神经网络中训练，再利用后一年的伪PC时间序列来进行检验；
【技术特征摘要】
1.一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，所述步骤s1中选择计算的时间为2008～2009年。
3.根据权利要求1所述的一种基于深度学习的水位和海面温度预报偏差订正方法，其特征是，所述步骤s2中，meof分析为多元经验正交函数分析...
【专利技术属性】
技术研发人员：董婉秋，董智超，徐宾宾，杨润来，武晓博，韩桂军，李威，武浩文，胡向锋，张友毕，
申请(专利权)人：天津大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。