申请/专利权人：上海海洋大学

申请日：2020-11-08

公开（公告）日：2024-04-05

公开（公告）号：CN112541613B

主分类号：G06Q10/04

分类号：G06Q10/04;G06N3/0442;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.05#授权;2021.04.09#实质审查的生效;2021.03.23#公开

摘要：本发明公开了一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法，属于海洋遥感技术领域，本发明结合了卷积神经网络和循环神经网络的特点，能有效处理时间序列遥感数据的批量性问题，预测海表面温度季节性和年度长期趋势，并通过时间信息来展示空间信息要素，预测未来海表面温度在周期变化下的空间特征。方法包含如下步骤：接收卫星海表面温度遥感数据；遥感数据预处理；将归一化后的值作为生成器的标签值；建立样本生成器；随机选取生成器中的数据进行训练。海表面温度遥感数据时间序列长，本发明基于遥感数据预测海表面温度的方法，能有效处理时间序列遥感数据的批量性问题，预测海表面温度季节性和年度长期趋势。

主权项：1.一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法，其特征在于，包含如下步骤：步骤100，接收卫星海表面温度遥感数据；步骤101，遥感数据预处理，数据按时间排列删除闰日，创建一年中的每一天的时间序列并对总体的海表面温度数据进行归一化处理，公式如下： 其中，xnormalizatin为海表面温度数据0-1内归一化的值，Max为时间步长内海表面温度的最大值，Min为时间步长内海表面温度的最小值，x为时间步长内海表面温度的每日网格数据值；步骤102，将归一化后的值作为生成器的标签值，使得标签值符合测量月份的空间维度特征，同时也保证时间特征内其他月份的精度值；步骤103，建立样本生成器；步骤104，随机选取生成器中的数据进行训练；步骤105，利用Keras建立多层卷积长短记忆神经网络模型ConvLSTM；优化器使用Tensorflow内置Keras自带的keras.optimizers.Adam，Adam是自适应矩估计，在训练过程中Adam会根据一阶矩估计和二阶矩估计动态调整参数的学习率，以获得最佳的训练结果，训练的停止方式使用早停策略，早停策略可以有效地防止过拟合现象，ConvLSTM模型采用门结构控制信息流动，权重一部分放到了卷积核内，一部分放入循环层的循环核；卷积核Wi、Wf、Wo在空间二维矩阵滑窗，得到的卷积结果，按照门结构进行输入、更新细胞状态、遗忘、输出，公式如下： ht＝ot.tanhct6其中，it为输入门，ft为遗忘门，ct为细胞状态，ot为输出门，ht为隐含层输出，σ为sigmoid函数，b为偏置量，h为隐藏状态；步骤106，使用2D卷积网络层实现预测结果特征输出，并利用均方差MSE进行误差评估，公式如下： 其中，yreal为海表面温度数据的真实值，ypred为海表面温度数据的预测值；步骤107，海表面温度预测数据可视化的输出。

全文数据：

权利要求：

百度查询： 上海海洋大学 一种基于遥感数据的多层ConvLSTM海表面温度预测计算方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD