一种基于深度学习的风暴潮智能预测方法、设备及介质技术

本申请提供了一种基于深度学习的风暴潮智能预测方法、设备及介质，涉及风暴潮灾害风险评估领域，方法包括：获取台风风暴潮灾害的多源异构数据并进行预处理；多源异构数据包括：气象和海洋观测数据以及高精度地理信息数据；构建台风和风暴潮预测网络；台风和风暴潮预测网络包括：多尺度时空特征模块、物理机制强化模块、以及基于融合注意力机制和图卷积网络的时空序列预测模型；通过多源异构数据对台风和风暴潮预测网络进行训练；获取气象和潮位实况数据；将气象和潮位实况数据，输入训练后的台风和风暴潮预测网络，得到台风和风暴潮的状态预测结果。通过在神经网络中引入物理机制对台风和风暴潮的状态进行预测，显著提高预测的精度和效率。

【技术实现步骤摘要】

本申请涉及风暴潮灾害风险评估领域，尤其涉及一种基于深度学习的风暴潮智能预测方法、设备及介质。

技术介绍

1、风暴潮预测对人类有重要意义，传统的研究范式主要基于指标体系法。通过从孕灾环境、致灾因子、承灾体三个维度选取代表性指标，采用层次分析法、熵权法等方法确定指标权重，最后加权求和得到综合风险指数。国际上，undp、undrr、fema、noaa等机构均发布了一系列风暴潮灾害风险评估的指南和标准，并在实践中得到广泛应用。

2、但这类方法仍存在一些不足：一是评估多局限于静态情景，缺乏与实时和未来的灾害预测信息的动态耦合；二是对指标量化、分级、权重和阈值的确定主要依赖专家经验判断，主观性较强，缺乏不确定性分析；三是对承灾体内部的物理结构、功能联系考虑不够细致，难以精准刻画其脆弱性。

3、近年来，国内外开始探索将人工智能技术引入灾害风险评估领域，如利用遥感大数据和机器学习自动提取承灾体信息，采用深度学习对指标权重和阈值进行优化，构建多智能体模型模拟灾害情景等。

4、现有技术的缺点：

5、(1)现有的风暴潮预测方法普遍本文档来自技高网...

【技术保护点】

1.一种基于深度学习的风暴潮智能预测方法，其特征在于，方法包括以下步骤：

2.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤S1包括：

3.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤S2包括：

4.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤S2还包括：

5.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤S2还包括：

6.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤S3包括：

7....

【技术特征摘要】

1.一种基于深度学习的风暴潮智能预测方法，其特征在于，方法包括以下步骤：

2.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤s1包括：

3.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤s2包括：

4.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤s2还包括：

5.如权利要求1所述的一种基于深度学习的风暴潮智能预测方法，其特征在于，步骤s2还包括：

...

【专利技术属性】
技术研发人员：牟林，李琰，牛茜如，秦浩，王道胜，
申请(专利权)人：深圳大学，
类型：发明
国别省市：