[發明專利]基于機器學習的三維海洋要素場智能構建方法及系統

在審

• 申請號: 202011188788.5
• 申請日: 2020-10-30
• 公開（公告）號: CN112308973A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 黃小猛;王明清;梁逸爽;周崢
• 申請（專利權）人: 無錫九方科技有限公司
• 主分類號: G06T17/20
• 分類號: G06T17/20;G06N20/00;G06F16/2458;G06F16/28
• 代理公司: 無錫知之火專利代理事務所(特殊普通合伙) 32318
• 代理人: 袁粉蘭

本發明提供的一種基于機器學習的三維海洋要素場智能構建方法，包括：獲取訓練數據，訓練數據包括一維現場觀測數據、二維海表觀測數據及三維網格化背景場資料；處理訓練數據，將處理后的訓練數據輸出為訓練樣本特征；訓練機器學習模型，利用訓練樣本特征對機器學習模型進行訓練得到預測模型；構建三維海洋要素場，將海表要素信息、空間網格信息、預測時間信息以及可選背景場要素信息實時加載到預測模型進行三維海洋要素場的構建。本發明能夠解決現有技術中的三維海洋要素場構建方法無法滿足精細化、精準化需求的缺陷，將多源、多維度數據進行有機融合，利用機器學習技術實現海洋三維要素場的智能重構，滿足精細化、精準化的海洋研究及生產需求。

技術領域

本發明涉及數據處理技術和機器學習技術領域，尤其涉及基于機器學習的三維海洋要素場智能構建方法及系統。

背景技術

準確、可靠的海洋觀測資料是海洋科學研究、全球變化研究以及海上高效生產作業的重要前提和必要條件。要進一步深入揭示和預測氣候變化以及海洋環境的演變，需獲取高時空分辨率、高精度、高可靠的海洋環境資料，并在此基礎上開展科學研究、數值模擬，已成為大氣海洋科學研究的共識。然而，當前的觀測資料已經難以滿足對海洋數據廣域、高精度以及時空連續的現實需求。因此，高時空分辨率海洋要素場的構建引起廣泛關注，并相繼出現了一些解決方案用于科學研究以及生活生產中。

三維要素場的構建通常需要現場觀測數據、多衛星觀測數據以及背景場等多源數據的有機融合。然而隨著觀測資料的種類、數量的增多，對計算能力、數值方法以及同化技術提出了巨大的挑戰。海洋統計分析與海洋環境數值預報兩種傳統的認知海洋環境的主流方法的發展均遇到一定的瓶頸：受傳統線性方法模型過于簡單、對海洋過程的理解不夠全面深入、數值模式的不確定性以及模式分辨率的限制等原因，無法滿足日益精細化、精準化研究與生產的需求。

發明內容

本發明提供的一種基于機器學習的三維海洋要素場智能構建方法及系統，以解決現有技術中的三維海洋要素場構建方法無法滿足精細化、精準化需求的缺陷。

為解決上述技術問題，本發明提供的技術方案為：

本發明提供的一種基于機器學習的三維海洋要素場智能構建方法，包括：

獲取訓練數據，訓練數據包括一維現場觀測數據、二維海表觀測數據及三維網格化背景場資料；

處理訓練數據，將一維現場觀測數據進行質量控制，進行異常值檢測與剔除，并將一維現場觀測數據插值到標準層；將二維海表觀測數據以及三維網格化背景場資料進行質量控制，將二維海表觀測數據、三維網格化背景場資料插值到同一空間分辨率網格上，將三維網格化背景場資料插值到與一維數據相同的標準層；將處理后的訓練數據輸出為訓練樣本特征；

訓練機器學習模型，利用訓練樣本特征對機器學習模型進行訓練得到預測模型；

構建三維海洋要素場，將海表要素信息、空間網格信息、預測時間信息以及可選背景場要素信息實時加載到預測模型進行三維海洋要素場的構建。

本發明提供的基于機器學習的三維海洋要素場智能構建方法，所述一維現場觀測數據至少包括GTS、ARGO浮標以及海洋站數據之一；所述二維海表觀測數據至少包括海表衛星遙感數據和再分析數據之一；所述三維網格化背景場資料至少包括再分析數據、模式預報數據之一，例如HYCOM再分析及預報數據、CORA再分析數據、WOA數據。

本發明提供的基于機器學習的三維海洋要素場智能構建方法，所述訓練樣本特征包括二維海表觀測要素場、一維現場觀測數據空間信息、一維現場觀測數據時間信息及可選背景場要素信息。

本發明提供的基于機器學習的三維海洋要素場智能構建方法，所述步驟“處理訓練數據”還包括：將多源大氣、海洋數據插值到相同的時間分辨率。