【技术实现步骤摘要】
本专利技术是关于一种疏浚施工海域波浪的监测和预测方法，具体涉及基于深度学习的多源监测预测数据融合的综合应用。
技术介绍
1、对于海上工程施工项目，波浪的准确监测和预测关系到船舶施工是否能安全高效地进行。高精度的监测预测结果有助于工程船舶安排作业路线和作业时间，有效避免或减少突变的海洋环境造成的损失。
2、现有的海洋波浪监测手段主要是浮标监测，但浮标数据具有空间分布不均，分布密度较小等缺陷，尤其疏浚工程的施工区域，往往较难找到适用的浮标信息(且浮标是单点的，对于海域施工理想地是希望区域性的波浪预测，)；除了浮标，那具有区域性特征的就有卫星遥感数据目前也有较多研究论证卫星遥感数据的可用性，但卫星遥感数据的解析和应用要耗费较高的经济和时间成本，不适用于工程船舶的海浪监测。
3、海洋波浪的预测方面，主要以大范围的海浪模式为主。这种方式存在以下几点缺陷：第一，对于建立大型波浪预测数值模型需要大范围的气象、地形等详尽资料，对于该数据的获取具有一定的难度。尤其针对近岸波浪的预测，海底地形对于波浪的影响更为复杂与重要，因此使用数值模型对预测近海岸波浪具有一定局限性。
4、第二，在计算成本方面，数值模型本身范围较广需要花费较大的时间成本，而针对于特定工程范围海域，需求在于预测的速度与准确性，相对来说并不是一个大范围的区域，因此利用海洋数值模型往往浪费计算资源，不是较为理想的方式。
5、第三，大型海洋数值模型的运行需要具有一定模型知识的预报员进行操作，目前已有的海洋波浪的研究多局限于学术层面。脱离专业
6、通常，数值模型如swan(simulation wave nearshore)被用来预测不规则的、随机的波。虽然计算成本通常昂贵，但由于其基于物理过程建模计算，因此具有较好的精度与解释性。而神经网络模型依赖于计算机硬件能力在计算速度方面明显提高，但其缺乏完整的理论支撑，更接近为一个黑箱模型。因此，2008年马莱克莫哈马迪等人就提出了结合数值建模和神经网络建模计算相结合的方法展开波浪特征的预测。
7、过去的几十年里，海洋数据(包括现场测量和再分析数据)迅速积累，这使利用人工智能手段进行海洋环境预测成为可能。随着深度学习理论与方法在工业领域逐渐崭露头角，在气象和陆地水文领域已经开展了广泛的研究与应用。研究发现，深度学习可以通过卷积操作和循环模式，跟踪海洋环境因素的空间特征和时间特征。
8、比如，braakmann-forlgmann的团队2017年的研究中应用卷积神经网络(cnn)通过输入显著波高图像的时间序列来预测海平面变化(braakmann-folgmann a,roscher r,wenzel s,et al.2017.sea level anomaly prediction using recurrent neuralnetworks.arxiv preprint arxiv:1710.07099)；kumar的团队在2017的研究中尝试利用最小资源分配网络的序列学习算法来预测不同地理区域的日平均波高，同时利用长短时记忆网络(lstm)对海面温度进行预测(kumar nk,savitha r,al mamun a.2017.regionalocean wave height prediction using sequential learning neural networks.oceanengineering,129:605–612,doi:10.1016/j.oceaneng.2016.10.033)；james等人2018年使用前馈神经网络(ffnn)对蒙特雷湾的swan数据进行数值建模，与基于物理的模型相比，将计算时间减少了超过1000倍。(james,s.c.,zhang,y.s.,o’donncha,f.,2018.a machinelearning framework to forecast wave conditions.coast.eng.137,1–10.https://doi.org/10.1016/j.coastaleng.2018.03.004.)
9、2020年，杨等人开发了用于水体分割的掩模r-cnn方法，宋涛等提出了一种基于深度学习的双路径门控循环的海面盐度预测单元模型(yang fengyu,feng tao,xu ganyang,et al.2020.applied method for water-body segmentation based on mask r-cnn.journal of applied remote sensing,14(1):014502)(song tao,wang zihe,xiepengfei,et al.2020.a novel dual path gated recurrent unit model for seasurface salinity prediction.journal of atmospheric and oceanic technology,37(2):317–325,doi:10.1175/jtech-d-19-0168.1)。
技术实现思路
1、本专利技术首次提出将巡测数据与模型数据结合，利用无人机搭载声学测波设备，对施工的局部波浪观测数据进行补充，解决了部分数据缺乏的问题。另外，本专利技术提出一种结合卷积运算与长短时记忆网络(lstm)结合的模型convlstm，该模型网络捕捉序列时空变化的性能优于深度前馈神经网络和其他先进的机器学习算法。本专利技术应用于数值模式预测数据(大网格)与局部地区的波浪巡测数据(小网格)的融合问题中，通过模型训练，获得数值模式预测波浪与局部波浪之间的关联模型，为工程作业船舶需求的高精度区域波浪预测提供技术支持。
2、本专利技术的核心就是建立一个将模拟数据和巡测数据关联的convlstm网络，预测船舶施工区域的波浪。无人机提供了小网格巡测数据；模拟数据是大范围数值模型计算得到。
3、本专利技术解决的技术问题：工程作业海域中，开发了一种基于深度学习框架的数据融合方式，以提高船舶周围小范围海域中海浪预测的精度。
4、为解决上述技术问题，本专利技术采用以下技术方案
5、一种基于图像预测模型的施工区域预测波高精度提高方法，其特征在于，包括以下步骤：
6、s1.应用无人机搭载便携式波浪的声学测量设备和摄像机，在工程船舶作业区域进行波浪要素测量，为s2做准备；
7、s2.工程施工水域的海洋波浪模式预测数据采集；
8、根据指定的工程领域，以及确定无人机可以进行采集数据的时间段，对该时段的波高进行数值预测；将大网格的数值模型预测结果的nc格式数据重构形成深度学习网络可用的张量格式，将每个区域的数据以时间为基准按顺序排列。将获取到的数值模型数据插值到小网格，得到时间序列网格数据；
9、s3.对数据归一化处理，并本文档来自技高网...
【技术保护点】
1.一种基于图像预测模型的施工区域预测波高精度提高方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，步骤1中：
3.如权利要求1所述的方法，其特征在于，步骤4中：
4.如权利要求1所述的方法，其特征在于，步骤2中，
5.如权利要求1所述的方法，其特征在于，步骤3中：
6.如权利要求1所述的方法，其特征在于，步骤3中：
【技术特征摘要】
1.一种基于图像预测模型的施工区域预测波高精度提高方法，其特征在于，包括以下步骤：
2.如权利要求1所述的方法，其特征在于，步骤1中：
3.如权利要求1所述的方法，其特征在于，步...
【专利技术属性】
技术研发人员：曲嘉铭，陈沁泽，郝宇驰，骆佳成，吕行行，
申请(专利权)人：中交疏浚技术装备国家工程研究中心有限公司，
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。