[發明專利]海表流速獲取方法、裝置、計算機設備和存儲介質

有效

• 申請號: 202010076256.6
• 申請日: 2020-01-23
• 公開（公告）號: CN111288973B
• 公開（公告）日: 2021-09-24
• 發明（設計）人: 任磊;潘廣維;姬進財;楊清書;張文雅
• 申請（專利權）人: 中山大學
• 主分類號: G01C13/00
• 分類號: G01C13/00
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 周清華

1.一種海表流速獲取方法，其特征在于，所述方法包括：

根據當前風場數據獲取與所述當前風場數據對應的特征海流模態；其中，每一海流模態中包括相同數據特征的歷史海表流速；所述特征海流模態為與所述當前風場數據具有采集時間對應關系的海表流速所屬的海流模態；

獲取所述特征海流模態中的歷史海表流速，作為目標海表流速；

根據監測數據的變量重要性值獲取目標監測數據；其中，所述變量重要性值用于表征所述監測數據對于海表流速的影響程度；

將所述目標海表流速和所述目標監測數據輸入預設的預測模型，得到所述海表流速；其中，所述預測模型為采用預測訓練數據訓練得到的神經網絡模型，所述預測訓練數據包括歷史海表流速和與歷史海表流速時間對應的監測數據。

2.根據權利要求1所述的方法，其特征在于，所述根據當前風場數據獲取與所述當前風場數據對應的特征海流模態，包括：

獲取與當前風場數據的相關性最大的歷史風場數據所屬的風場模態，作為特征風場模態；其中，每一風場模態中包括相同數據特征的歷史風場數據；

根據預設的對應關系獲取所述特征風場模態對應的海流模態，作為特征海流模態；其中，所述對應關系為時間對應關系。

3.根據權利要求2所述的方法，其特征在于，所述獲取與當前風場數據的相關性最大的歷史風場數據所屬的風場模態，作為特征風場模態，包括：

獲取當前風場數據與每一所述歷史風場數據之間的均方差；

將得到所述均方差最小的所述歷史風場數據所屬的所述風場模態，作為所述特征風場模態。

4.根據權利要求2所述的方法，其特征在于，根據預設的對應關系獲取所述特征風場模態對應的海流模態，作為特征海流模態之前，包括：

獲取多個時刻的所述歷史風場數據和與每個所述歷史風場數據時刻對應的所述歷史海表流速；

對每個時刻的所述歷史風場數據和所述歷史海表流速采用非監督式機器學習方法進行數據分析，得到所述風場模態和與所述海流模態之間基于時間的所述對應關系。

5.根據權利要求1所述的方法，其特征在于，所述根據監測數據的變量重要性值獲取目標監測數據，包括：

獲取待測海域的初始監測數據；其中，所述初始監測數據包括當前氣壓數據、當前地形數據以及水體數據；

根據預設時間尺度，對所述初始監測數據進行數據插值，得到所述預設時間尺度的所述監測數據；

采用隨機森林算法獲取所述監測數據對于所述海表流速的所述變量重要性值；

將獲取的所述變量重要性值由大到小排序，得到變量重要性表；

獲取所述變量重要性表中至少前兩位所述變量重要性值對應的所述監測數據，作為所述目標監測數據。

6.根據權利要求1所述的方法，其特征在于，所述預測模型的訓練過程包括：

將所述預測訓練數據劃分為訓練集、驗證集以及測試集；

分別采用所述訓練集和所述驗證集對初始預測模型進行訓練和驗證，確定所述初始預測模型中的模型參數，得到所述預測模型；

將所述測試集輸入所述預測模型，根據所述預測模型預測結果的準確率確定所述預測模型是否準確；其中，所述預測結果的準確率為由所述測試集輸入所述預測模型得到的預測海表流速與所述測試集對應的實際海表流速得出的準確率；

若所述預測結果的準確率大于等于預設的準確率閾值，則確定所述預測模型準確，執行所述將所述目標海表流速和目標監測數據輸入預設的預測模型，得到所述海表流速的步驟；

若所述預測結果的準確率小于所述預設的準確率閾值，則確定所述預測模型不準確，并對所述初始預測模型進行重新訓練，執行所述將所述預測訓練數據分為訓練集、驗證集以及測試集的步驟。