[發明專利]一種基于遙感數據的多層ConvLSTM海表面溫度預測計算方法

在審

• 申請號: 202011235234.6
• 申請日: 2020-11-08
• 公開（公告）號: CN112541613A
• 公開（公告）日: 2021-03-23
• 發明（設計）人: 韓震;張雪薇;周瑋辰
• 申請（專利權）人: 上海海洋大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 上海申浩律師事務所 31280
• 代理人: 張潔

本發明公開了一種基于遙感數據的多層ConvLSTM海表面溫度預測計算方法，屬于海洋遙感技術領域，本發明結合了卷積神經網絡和循環神經網絡的特點，能有效處理時間序列遙感數據的批量性問題，預測海表面溫度季節性和年度長期趨勢，并通過時間信息來展示空間信息要素，預測未來海表面溫度在周期變化下的空間特征。方法包含如下步驟：接收衛星海表面溫度遙感數據；遙感數據預處理；將歸一化后的值作為生成器的標簽值；建立樣本生成器；隨機選取生成器中的數據進行訓練。海表面溫度遙感數據時間序列長，本發明基于遙感數據預測海表面溫度的方法，能有效處理時間序列遙感數據的批量性問題，預測海表面溫度季節性和年度長期趨勢。

技術領域

本發明涉及海洋遙感技術領域，尤其涉及一種基于遙感數據的多層ConvLSTM海表面溫度預測計算方法。

背景技術

海水溫度是海洋最基本的環境參數之一。海水溫度在漁業資源、海洋環境污染監測、海洋動力學和海氣相互作用等方面都有著廣泛的應用。海水表面溫度的測量通常包括現場實測和衛星遙感，現場實測數據主要是來自船只測量和固定或移動浮標網絡的測量，這些數據在校正衛星數據和提供大量實測溫度數據方面起著關鍵作用。但其覆蓋面有限，且得到的海水溫度數據僅是幾個點或斷面的，無法實現大范圍海域海水溫度的同步測量。衛星遙感是進行海表面溫度監測的有效手段之一，可以獲得實時、動態和大面積的海洋表面溫度數據。時間序列上某個時間點的數據與其周圍的時間點上的數據有一定的相關性，而這種相關性就是系統具有的動態規律。結合衛星遙感技術和時間序列分析方法來預測海表面溫度可以更加有效地對海表面溫度時空特性進行研究。

Casal G等(2017年)對1982-2015年的AVHRR海表面溫度遙感數據進行時空變化分析，并將季節變暖趨勢和年際變暖趨勢進行了對比。Xiao C等(2019年)在東海某區域利用36年星載海表面溫度遙感數據，建立了長短記憶神經網絡模型，該模型對短期和中期海表面溫度的預測精度較高。基于傳統的時間序列網絡，其沒有將時間性與空間性很好地相結合，對批量處理多年的海表面溫度數據的效果較差。因此，業內存在一種技術需求：發明一種考慮遙感數據時空相關性，能克服傳統處理時間序列遙感數據的批量性問題，更為有效的海表面溫度預測計算方法。

發明內容

本發明的目的是提供一種基于遙感數據的多層ConvLSTM海表面溫度預測計算方法，本發明的技術方案如下：

一種基于遙感數據的多層ConvLSTM海表面溫度預測計算方法，包含如下步驟：

步驟100，接收衛星海表面溫度遙感數據；

步驟101，遙感數據預處理，數據按時間排列(刪除閏日，創建一年中的每一天的時間序列并對總體的海表面溫度數據進行歸一化處理，公式如下：

其中，x_normalizatin為海表面溫度數據0-1內歸一化的值，Max為時間步長內海表面溫度的最大值，Min為時間步長內海表面溫度的最小值，x為時間步長內海表面溫度的每日網格數據值。

步驟102，將歸一化后的值作為生成器的標簽值，使得標簽值符合測量月份的空間維度特征，同時也保證時間特征內其他月份的精度值；

步驟103，建立樣本生成器；

步驟104，隨機選取生成器中的數據進行訓練；

步驟105，利用Keras建立多層卷積長短記憶神經網絡模型 (ConvLSTM)；

優化器使用Tensorflow內置Keras自帶的keras.optimizers.Adam， Adam是自適應矩估計，在訓練過程中Adam會根據一階矩估計和二階矩估計動態調整參數的學習率，以獲得最佳的訓練結果。訓練的停止方式使用早停策略，早停策略可以有效地防止過擬合現象。