【技术实现步骤摘要】
本申请涉及海洋温度预测，具体涉及一种基于分布式跨尺度联合学习的海表面温度预测方法及系统。
技术介绍
1、海表面温度预测是海洋科学领域的一项重要研究内容，海表面温度数据多来自于卫星遥感、浮标和其他传感器，数据量大且多样，涉及敏感信息。基于深度神经网络的海表面温度时空数据场预测是将人工智能应用于海洋科学领域的一项重要尝试。常用方法包括基于物理模型和基于数据驱动的机器学习方法，基于物理模型的方法通常无法准确建模某些复杂的非线性关系，而基于数据驱动的机器学习通过学习大量历史海洋数据中的模式和特征来更准确的预测海表面温度，从而做出更准确的预报预测。
2、目前，基于深度学习的海表面温度预测使用集中学习的训练方法，多采用循环神经网络（rnn）处理时序海表面温度数据，包括长短期记忆（lstm）和门控循环单元（gru）变体，对sst时间序列数据之间的时间关系进行建模，应用全连接层映射到最终预测结果，取得了较好的预测结果。
3、但是，当前方法存在几个问题：第一，未考虑海温数据的跨尺度特征。例如，当前方法仅针对单一尺度图像进行训练，没...
【技术保护点】
1.基于分布式跨尺度联合学习的海表面温度预测方法，其特征在于，构建基于分布式跨尺度联合学习的海表面温度预测模型，所述预测模型采用本地系统和分布式系统架构，所述本地系统包括有数个本地节点，每个本地节点之间的通信关系由连接矩阵定义，矩阵元素包含0或1用以表示本地节点间能否通信，每个本地节点上分布有不同来源但数据结构相同的海表面温度图像序列，作为所述预测模型的输入，所述预测模型包括：
2.根据权利要求1所述的方法，其特征在于，所述本地特征学习模块对本地节点上存储的海表面温度图像序列进行本地特征学习包括：将海表面温度图像的采样点构建为图节点，每个采样点包含经纬度坐...
【技术特征摘要】
1.基于分布式跨尺度联合学习的海表面温度预测方法，其特征在于，构建基于分布式跨尺度联合学习的海表面温度预测模型，所述预测模型采用本地系统和分布式系统架构，所述本地系统包括有数个本地节点，每个本地节点之间的通信关系由连接矩阵定义，矩阵元素包含0或1用以表示本地节点间能否通信，每个本地节点上分布有不同来源但数据结构相同的海表面温度图像序列，作为所述预测模型的输入，所述预测模型包括：
2.根据权利要求1所述的方法，其特征在于，所述本地特征学习模块对本地节点上存储的海表面温度图像序列进行本地特征学习包括：将海表面温度图像的采样点构建为图节点，每个采样点包含经纬度坐标及温度值，基于采样点间的欧几里德距离生成邻接矩阵，邻接矩阵表示为：
3.根据权利要求2所述的方法，其特征在于，所述本地特征学习模块对本地节点上存储的海表面温度图像序列进行本地特征学习，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述跨尺度联合学习模块通过图学习模块学习不同本地节点上的不同尺度海表面温度图像特征包括：所述分布式图卷积模块的输出通过所述图学习模块学习分布式梯度聚合时的通信权重，根据图学习模块返回的值进行跨尺度联合学习，优化所述网络权重，所述图学习模块表示为：
5.根据权利要求4所述的方法，其特征在于，所述跨尺度联合学习模块动态优化每个本...
【专利技术属性】
技术研发人员：梁馨月，张诺青，聂婕，姜文鑫，陈江光，于弋甯，温琦，魏志强，
申请(专利权)人：中国海洋大学，
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。