买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!
申请/专利权人:自然资源部第一海洋研究所;中国石油大学(华东)
摘要:本发明涉及叶绿素a浓度预测领域,公开了一种基于深度学习的海洋次表层叶绿素a浓度预测方法,包括如下步骤:将卫星遥感获得的海表温度和海表叶绿素a浓度数据以及由生物地球化学浮标获得的次表层叶绿素a浓度、次表层温度和盐度剖面数据进行预处理,输入多维数据融合的深度学习模型中进行模型训练,模型包括输入层、传输层以及输出层;输入层包括Embedding模块和1DCNN‑Transformer模块;传输层为DNN模块,包括五个隐藏层,每个隐藏层由一个全连接层和一个ELU激活函数组成。本发明使用深度学习技术的融合,实现对复杂多维数据的深度挖掘和高效利用,可以精确预测次表层中叶绿素a浓度。
主权项:1.一种基于深度学习的海洋次表层叶绿素a浓度预测方法,其特征在于,包括如下步骤:步骤1,将卫星遥感获得的海表温度和海表叶绿素a浓度数据以及由生物地球化学浮标获得的次表层叶绿素a浓度、次表层温度和盐度剖面数据进行预处理,构建数据集,并划分为训练集和测试集;步骤2,将训练集输入多维数据融合的深度学习模型中进行模型训练,其中,次表层叶绿素a浓度数据作为模型的目标输出,并用测试集的数据对模型精度进行评估;所述模型包括输入层、传输层以及输出层;所述输入层包括Embedding模块和1DCNN-Transformer模块;所述Embedding模块用于将时间和空间离散的、高维的信息转换为低维的、稠密的连续向量;所述1DCNN-Transformer模块用于提取次表层温度和盐度剖面特征;Embedding模块和1DCNN-Transformer模块的输出以及海表温度和海表叶绿素数据整合为模型的输入特征矩阵,输出到传输层;所述传输层为DNN模块,包括五个隐藏层,每个隐藏层由一个全连接层和一个ELU激活函数组成,用于学习输入数据中更为抽象和深层次的特征表示;所述输出层用于将数据调整维度后输出最终的次表层叶绿素a浓度预测结果;步骤3,将待预测海域的卫星遥感获得的海表温度和海表叶绿素a浓度数据以及由生物地球化学浮标获得的次表层温度和盐度剖面数据进行预处理后,输入到评估合格的模型中进行次表层叶绿素a浓度预测;步骤1中预处理包括插值处理、整合匹配、日期转换和归一化处理;在输入层中,将经度、纬度、年份以及数据输入Embedding模块进行处理,对于具有小数点的数据,将整数和小数部分进行分离,将整数部分经过Embedding模块后再和小数部分进行结合;将线性插值后的次表层温度和盐度剖面数据经过1DCNN-Transformer模块提取剖面特征,1DCNN-Transformer模块包括4个一维卷积层和两个Transformer编码器;线性插值后的次表层温度和盐度剖面数据首先经过具有2×1的卷积核的一维卷积层,以实现对输入信号局部特征的有效抽取;然后经过批量归一化、激活和Dropout处理后,再经过Transformer编码器一,Transformer编码器一的输入和输出维度设定为64,使用4个注意力头来进行多头自我注意力计算;随后,数据流经另一个4×1卷积核的一维卷积层,进一步细化特征;然后经过批量归一化、激活和Dropout处理后,再经过Transformer编码器二继续深化对长期依赖关系的理解,Transformer编码器二的输入和输出的维度设定为128,使用8个注意力头来进行多头自我注意力计算;然后,数据通过4×1卷积核的一维卷积层后,经过批量归一化、激活和Dropout处理后,再经过3×1卷积核的一维卷积层;最后,将Embedding模块以及1DCNN-Transformer模块的输出和海表温度以及海表叶绿素a浓度数据整合为模型的输入特征矩阵,输出到传输层;在传输层中,输入数据首先通过全连接层,将673维的输入数据变成大小为64维的数据;随后,使用ELU函数作为激活函数;这一过程重复进行,剩余四个隐藏层的尺寸同样为64维,且同样采用ELU激活函数;最终,经过五轮隐藏层变换后,将数据纬度变成300维,得到最终预测结果。
全文数据:
权利要求:
百度查询: 自然资源部第一海洋研究所 中国石油大学(华东) 一种基于深度学习的海洋次表层叶绿素a浓度预测方法
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。