一种基于U型卷积神经网络的海面温度空间统计降尺度方法技术

本发明专利技术属于海洋数据再分析空间预报及图像超分辨率技术领域，具体涉及一种基于U型卷积神经网络的海面温度空间统计降尺度方法，步骤1：获取统计待分析数据并进行归一化预处理；步骤2：构建网络训练的数据集，划分训练集和测试集；步骤3：构建U型卷积神经网络；并通过训练集和测试集对U型卷积神经网络进行训练，输出训练后的U型卷积神经网络；步骤4：评判U型卷积神经网络降尺度效果；步骤5：获取实时的低分辨率的海洋温度数据，并进行预处理后，使用训练完成的U型卷积神经网络输出降尺度后的高分辨率的海洋温度数据。本发明专利技术能够很好地提取并还原空间信息中的细节与非线性特征，能够提高统计降尺度的精度。

【技术实现步骤摘要】

本专利技术属于海洋数据再分析空间预报及图像超分辨率，具体涉及一种基于u型卷积神经网络的海面温度空间统计降尺度方法。

技术介绍

1、在海洋预报领域，海洋数据常以格点信息的形式输出。海洋数据矩阵内某一块区域的坐标点分布越密集，表明该区域海洋预报的精度越高。而目前国际上，降尺度法是海洋数据处理的常用方法。海洋数据的降尺度预报可以提供某一海域内更加丰富的海洋预测信息，使海洋局部地区的描述更加精准。降尺度方法就是建立起大尺度海洋信息变量与小尺度海洋信息变量之间的关系。其主要有动力降尺度法和统计降尺度法。动力降尺度是指低分辨率的海洋环境数据模型为高分辨率的区域海洋环境数据模型提供初始条件和边界条件，区域海洋环境数据通过其内部物理过程的作用，不仅可以包含低分辨率海洋环境数据中的大尺度特征，还能比低分辨率海洋环境数据模拟出更多区域海洋环境的信息特征。而统计降尺度不需要依赖大尺度海洋环境信息模型提供的边界初始条件，其是建立在局部观测信息与大尺度海洋环境信息之间的统计关系上。相比于需要庞大计算量的动力降尺度方法，统计降尺度方法具有计算效率高，计算量小，模型构造简单，容易实现的本文档来自技高网...

【技术保护点】

1.一种基于U型卷积神经网络的海面温度空间统计降尺度方法，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种基于U型卷积神经网络的海面温度空间统计降尺度方法，其特征在于：所述步骤1中数据归一化预处理过程是采用最大值最小值归一化方法，公式如下：

3.根据权利要求2所述的一种基于U型卷积神经网络的海面温度空间统计降尺度方法，其特征在于：所述步骤2中，首先选取海洋温度历史数据，并按照“训练集：测试集＝5:1”的比例将海洋温度历史数据划分为训练集和测试集；训练集的低分辨率图像作为网络训练时的输入数据，而高分辨率图像用于计算网络训练时的训练损失；测试集的低分辨图像...

【技术特征摘要】

1.一种基于u型卷积神经网络的海面温度空间统计降尺度方法，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种基于u型卷积神经网络的海面温度空间统计降尺度方法，其特征在于：所述步骤1中数据归一化预处理过程是采用最大值最小值归一化方法，公式如下：

3.根据权利要求2所述的一种基于u型卷积神经网络的海面温度空间统计降尺度方法，其特征在于：所述步骤2中，首先选取海洋温度历史数据，并按照“训练集：测试集＝5:1”的比例将海洋温度历史数据划分为训练集和测试集；训练集的低分辨率图像作为网络训练时的输入数据，而高分辨率图像用于计算网络训练时的训练损失；测试集的低分辨图像作为网络检验时的输入数据，而高分辨率图像用于计算网络检验时的测试损失以调整网络学习率。

4.根据权利要求3所述的一种基于u型卷积神经网络的海面温度空间统计降尺度方法，其特征在于：所述步骤3中，以u-net结构为核心的神经网络降尺度训练模型，对海洋温度历史数据中海面温度低分辨率图像数据进行降尺度学习，并在训练中采用动态调整学习率的方式对网络参数进行不断地学习调整，最终输出训练后的高分辨率图像数据；u型卷积神经网络训练的具体步骤分为：

5.根据权利要求1所述的一种基于u型卷积神经网络的海...

【专利技术属性】
技术研发人员：邓雄，何健新，王浩宇，吴昌哲，杨德利，张德鹏，王剑，赵玉新，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：