【技术实现步骤摘要】
本专利技术涉及海面风反演方法领域，特别是指一种卫星高频次海面风估测方法。背景方法大气导风(amv；atmospheric motion vector)为海洋区域提供了高价值、高频次、大范围大气风矢量分布信息；海面风(ssw；sea surface wind)是海洋与大气中的重要物理参数，直接影响着海洋上层运动，在水文与能量循环、全球与局地气候中有不可替代的作用，ssw与船舶航行直接相关，影响着船舶航行，对于社会、经济等方面具有重要意义；由amv计算获得的海面风被称为基于大气导风的海面风(aswind；amv-based sea-surfacewind)，aswind可以更详细地为我们提供热带气旋螺旋云系大气风的海面风场信息；。大数据时代的到来使以人工神经网络为基础的深度学习方法广泛应用于各学科领域，特别对于非线性问题的解决尤为适用，卫星遥感资料数量大、种类多、精度高的特点使其适应于深度学习方法，以卷积神经网络(cnn；convolutional neural network)为代表的深度神经网络常用于卫星遥感影像处理，在卫星遥感领域，cnn为云识别、台风强度预测、海表面流、海面风场反演等提供了强大的方法手段；虽然cnn及其衍生出的一系列深度学习模型能充分考虑影像数据的空间特征，实现“由面到面”的计算，但却不适用于高度离散数据，此时，相对传统的全连接神经网络不失为一种选择。全连接神经网络(fcnn；fully-connected neural network)自适应、自学习、非线性的特性使其可以在低层amv与ssw之间建立高度非线性关系，但仅在amv与s
技术介绍
技术实现思路
1、本专利技术提供一种卫星高频次海面风估测方法，解决了模型物理解释性较弱、代价函数约束单一，难以在物理框架下全面引导模型参数迭代的方法问题。
2、为解决上述方法问题，本专利技术的方法方案如下：
3、一种卫星高频次海面风估测方法，所述方法包括：
4、获取amv数据，并对amv数据进行预处理，以得到amv样本数据；
5、根据amv样本数据，参考物理框架，以获得awm特征数据；
6、将amv特征数据输入全连接神经网络，并对全连接神经网络进行训练；
7、将输入数据传播到全连接神经网络每一层，通过数值微分实现梯度下降，更新网络参数；
8、使用全连接神经网络进行估测，以得到估测结果。
9、进一步的，获取amv数据，并对amv数据进行预处理，以得到amv样本数据，包括：
10、使用abi fd模式生成的amv数据；
11、对amv数据进行时间匹配，筛除时间差在15分钟以上的配对样本；
12、对amv数据进行空间匹配，将等经纬投影网格中距离0.05°以下的两个最邻近样本点相互匹配；
13、对amv数据进行高度匹配，将不同高度的浮标测风转换到10m高度；
14、将amv数据与era5数据进行时空匹配后的数据作为样本数据集。
15、进一步的，根据amv样本数据，参考物理框架，以获得awm特征数据，包括：
16、使用对数分布描述近地层中风随高度的变化；
17、参考埃克曼层中风随高度的分布；
18、将amv中存在强因果关系的风速、风向、高度以及表征科里奥利力参数的纬度信息作为特征数据。
19、进一步的，将amv特征数据输入全连接神经网络，并对全连接神经网络进行训练，包括：
20、构建全连接神经网络；
21、将amv的风速、风速u-v分量、高度和纬度作为输入特征；
22、全连接神经网络每两层之间的神经元全部连接，并使用激活函数hardswish引入非线性拟合能力；
23、采用均方误差mse作为代价函数，计算全连接神经网络的三项输出与era5相应分量之间的mse，将风速及其东西、南北分量作为标签；
24、将所有标签mse的平均作为最终的代价函数。
25、进一步的，对样本数据集以50的间隔采样，将间隔采样得到的25％作为测试集，用于测试模型的训练效果和泛化能力，75％作为训练集，迭代更新模型参数。
26、进一步的，将输入数据传播到全连接神经网络每一层，通过数值微分实现梯度下降，更新网络参数，包括：
27、使用线性回归模型描述因变量的预测值与自变量之间的关系；
28、当线性回归模型偏置为0时，线性回归模型变为经验模型，对台风区aswind进行估测。
29、进一步的，将输入数据传播到全连接神经网络每一层，通过数值微分实现梯度下降，更新网络参数，还包括：
30、使用反距离加权平均插值法，将amv和aswind插值到等经纬网格中；
31、反距离加权平均计算方法如下：
32、
33、其中xi、yi代表原始数据经纬度，x0、y0代表原始数据目标格点经纬度，zi代表原始数据，z0代表原始数据插值到目标格点后的数据，di代表原始数据到目标格点的距离，p为常数，取常用值2。
34、进一步的，将输入数据传播到全连接神经网络每一层，通过数值微分实现梯度下降，更新网络参数，还包括：
35、使用均方根误差rmse、偏差bias和相关系数r2模型，评价模型aswind计算结果；
36、均方根误差rmse为：
37、
38、偏差bias为：
39、
40、相关系数r2为：
41、
42、其中，和xn分别表示测试集中模型预测值与标签值，与分别为和xn的平均值，n表示测试集数据量。
43、进一步的，使用全连接神经网络对海面风进行估测，以得到估测结果，包括：
44、将amv和aswind与era5风速进行对比，以得到对比结果；
45、将amv和aswind与era5风向进行对比，以得到对比结果。
46、进一步的，使用全连接神经网络对海面风进行估测，以得到估测结果，还包括：
47、将amv和aswind与ndbc浮标数据进行风速对比，以得到对比结果；
48、将amv和aswind与ndbc浮标数据进行风向对比，以得到对比结果。
49、本专利技术的上述方案至少包括以下有益效果：
50、本专利技术的上述方案，将amv中的风速、风向、高度和纬度信息作为特征输入全连接神经网络中，利用神经网络的自适应、自学习和非线性特性，全连接神经网络可以充分考虑这些参量对aswind的影响，从而计算出aswind；在低层amv与ssw之间建立高度非线性关系，提高了模型的表达能力和估测精度。
本文档来自技高网...【技术保护点】
1.一种卫星高频次海面风估测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的卫星高频次海面风估测方法，其特征在于，获取AMV数据，并对AMV数据进行预处理，以得到AMV样本数据，包括：
3.根据权利要求2所述的卫星高频次海面风估测方法，其特征在于，根据AMV样本数据，参考物理框架，以获得AWM特征数据，包括：
4.根据权利要求3所述的卫星高频次海面风估测方法，其特征在于，将AMV特征数据输入全连接神经网络，并对全连接神经网络进行训练，包括：
5.根据权利要求4所述的卫星高频次海面风估测方法，其特征在于，对样本数据集以50的间隔采样，将间隔采样得到的25％作为测试集，用于测试模型的训练效果和泛化能力，75％作为训练集，迭代更新模型参数。
6.根据权利要求5所述的卫星高频次海面风估测方法，其特征在于，将输入数据传播到全连接神经网络每一层，通过数值微分实现梯度下降，更新网络参数，包括：
7.根据权利要求6所述的卫星高频次海面风估测方法，其特征在于，将输入数据传播到全连接神经网络每一层，通过数值微分实现梯度
8.根据权利要求7所述的卫星高频次海面风估测方法，其特征在于，将输入数据传播到全连接神经网络每一层，通过数值微分实现梯度下降，更新网络参数，还包括：
9.根据权利要求8所述的卫星高频次海面风估测方法，其特征在于，使用全连接神经网络对海面风进行估测，以得到估测结果，包括：
10.根据权利要求9所述的卫星高频次海面风估测方法，其特征在于，使用全连接神经网络对海面风进行估测，以得到估测结果，还包括：
...【技术特征摘要】
1.一种卫星高频次海面风估测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的卫星高频次海面风估测方法，其特征在于，获取amv数据，并对amv数据进行预处理，以得到amv样本数据，包括：
3.根据权利要求2所述的卫星高频次海面风估测方法，其特征在于，根据amv样本数据，参考物理框架，以获得awm特征数据，包括：
4.根据权利要求3所述的卫星高频次海面风估测方法，其特征在于，将amv特征数据输入全连接神经网络，并对全连接神经网络进行训练，包括：
5.根据权利要求4所述的卫星高频次海面风估测方法，其特征在于，对样本数据集以50的间隔采样，将间隔采样得到的25％作为测试集，用于测试模型的训练效果和泛化能力，75％作为训练集，迭代更新模型参数。
6.根据权利要...
【专利技术属性】
技术研发人员：徐娜，张云开，翟晓春，张鹏，赵可，
申请(专利权)人：国家卫星气象中心国家空间天气监测预警中心，
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。