申请/专利权人：哈尔滨工程大学

申请日：2024-03-01

公开（公告）日：2024-06-25

公开（公告）号：CN118245746A

主分类号：G06F18/20

分类号：G06F18/20;G06F18/214;G06F18/213;G06N3/0455;G06N3/0464;G06N3/082

优先权：

专利状态码：在审-公开

法律状态：2024.06.25#公开

摘要：本发明提出了一种基于深度学习的中长期海表温度预测方法，属于海表温度预测技术领域。为了解决现有中长期海表温度预测速度慢、误差大的问题，本发明使用OISST和ERA5再分析数据构建训练数据集，构建的预测模型包含经验正交分解EOF部分、Informer模型和订正网络，由EOF提取空间特征和时间序列，由Informer预测中长期时间序列，订正网络对得到的SST预报数据进行进一步的矫正，使用训练数据集对预测模型进行训练，得到中长期海表温度预测模型。经实验验证，本发明方法能够有效提高中长期海表温度预测的准确性，并大大缩短了预测时间。

主权项：1.一种基于深度学习的中长期海表温度预测方法，其特征在于，包括如下步骤：步骤一：获得所要研究区域的历史海表温度观测数据以及气象数据，构建样本数据集，划分训练集和测试集；其中，设将待研究区域划分为k*k的网格，获取每个网格处在采样时间点上的海洋大气参数和海表面温度；所述的海洋大气参数包含2m气温；步骤二：基于深度学习方法构建中长期海表温度预测模型；所述模型包含经验正交分解部分、Informer模型和订正网络，该模型包含：1将训练集的所有样本数据排列为一个矩阵X，矩阵X的每列对应一个采样点，共有N列，X中包含k*k个网格位置的N个海表面温度以及N个2m气温，矩阵X的行对应网格位置；对X输入经验正交分解部分，分解得到不同的空间模态和相应的时间系数，按贡献率从大到小选取前h个空间模态，得到维度为h,2k*k的空间模态矩阵，使用该空间模态矩阵投影到测试集上，得到测试集的时间系数矩阵；设由训练集得到的时间系数矩阵的维度为h,N，由测试集得到的时间系数矩阵的维度为h,M，M为测试集的采样数量；2将由训练集得到的时间系数矩阵与由测试集得到的时间系数矩阵进行拼接，拼接后的矩阵维度为h,N+M，使用滑动窗口按照预设时间长度r1对拼接数据划分Informer模型的输入样本和样本标签；设Informer模型的输入样本的矩阵维度为h,r1，输出时间长度为r2的预报结果，预报结果矩阵维度为h,r2，其中，r1r2；将Informer模型输出的预报结果与选取的空间模态矩阵相乘，反变换回维度为r2,2k*k的原尺度矩阵，原尺度矩阵中包含k*k个网格位置的r2个海表面温度以及r2个2m气温，从中提取r2,k*k的海表面温度矩阵；3订正网络包括一个卷积层和一个全连接层，将得到的维度r2,k*k的海表面温度矩阵经卷积层订正空间位置的预报误差，再经全连接层订正时间上的非线性误差，最终得到k*k个网格位置的r2个时间长度的海表面温度预报值；步骤三：使用训练集对构建的中长期海表温度预测模型进行训练；在训练完成后，使用所得到的预测模型进行预测时，先获取当前时间前r1时间长度的海表面温度和2m气温，并利用选取的空间模态矩阵进行投影，获得Informer模型的输入，然后对Informer模型的输出反变换后，再经订正网络输出当前时间后r2时间长度的海表面温度。

全文数据：

权利要求：

百度查询： 哈尔滨工程大学 一种基于深度学习的中长期海表温度预测方法

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