[發明專利]一種基于STEOF-LSTM的海洋環境要素預測方法

有效

• 申請號: 202110659246.X
• 申請日: 2021-06-15
• 公開（公告）號: CN113297801B
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 趙玉新;郝日栩;周迪;陳力恒;鄧雄;張秋陽;楊德全;趙廷
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F17/16;G06F119/14
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于海洋動力環境要素預測技術領域，具體涉及一種基于STEOF?LSTM的海洋環境要素預測方法。本發明基于大范圍、長時間的海洋再分析數據，通過時域多尺度分析和深度學習方法挖掘海洋動力環境要素的規律，構建面向海洋動力環境要素的統計預測模型，以實現海洋動力環境要素的中長期時空統計預報。本發明可以有效彌補傳統的數值預報方法由于氣象驅動時效限制而導致的海洋動力環境要素預報時效較短的缺陷，且對計算資源的占用較少。大幅度提高了海洋動力環境要素的中長期預測能力，為解決海洋數值預報產品失效后的大范圍、長周期海洋動力環境要素預報預測這一技術難題提供技術支撐。并具有較強的科學意義和應用價值。

技術領域

本發明屬于海洋動力環境要素預測技術領域，具體涉及一種基于STEOF-LSTM的海洋環境要素預測方法。

背景技術

海洋預報主要包含數值預報和統計預報兩種模式。盡管數值預報是現階段海洋環境預報的主要手段，但存在諸如運算量大、對初始條件敏感性強及受時效性限制等缺點。因此，迫切需要一種相比于數值預報計算量更少、不受到時效性限制的預報方法來實現海洋動力環境要素的快速準確預報。

統計預報方法作為海洋預報中的重要手段之一，當樣本數據足夠大的時候，其能夠不考慮研究對象的物理規律而建立數據驅動的預報模型。因此，統計預報方法不存在類似數值預報方法的物理極限限制等問題。目前，全球各大機構在數值預報方面的研究已經趨于成熟，但是對于延伸期以及中長期的預報無法利用傳統的數值預報方法來完成，而需要考慮采用統計預報方法來實現。因此，對于海洋統計分析預報方法的研究是十分必要的，對海洋環境的精準預報和海洋信息的及時掌握也有著極為重要的作用。

傳統的海洋環境分析預報多采用人工手動分類識別、海洋模式模擬和傳統統計分析等方法。人工手動分類識別方法受主觀因素的影響而不能真實刻畫數據中的隱含信息；海洋模式模擬存在諸如運算量大、初始條件不精確及受時效性限制等缺點；而傳統統計分析對復雜的海洋過程不能通過復雜的公式和繁瑣的計算獲得較好的結果。且海洋時空數據多為非結構或半結構化數據，數據之間關系復雜或無關聯，對傳統的統計分析和海洋模式模擬提出了挑戰。而深度學習，以數據為驅動，通過多層學習提取數據中的有用信息，客觀挖掘數據之間的可能關系，能夠提高數據處理效率和精度，為海洋大數據的智能分析挖掘帶來新的契機。因此，將深度學習應用于海洋時空序列數據的預測研究，是將新一代技術與海洋現象預測應用相結合，打破傳統海洋模式預測技術瓶頸與認知水平的限制，拓展人工智能等關鍵技術在海洋中應用的重要方法，并對我國海洋環境的精準預報和海洋信息的及時掌握也有著極為重要的作用。

深度學習在海洋預報特別是海洋復雜時空序列的預報領域具有良好的應用效果和廣闊的應用前景；相比于動力學海洋模式預報和傳統統計預報方法，深度學習作為數據驅動模型，能夠客觀挖掘復雜時空數據之間的潛在關系，為海洋大數據的智能分析挖掘帶來新的契機。因此，將深度學習應用于海洋時空序列數據的預測研究，是將新技術與海洋現象預測應用相結合，打破傳統海洋模式預測技術瓶頸與認知水平的限制，對海洋環境的精準預報和海洋信息的及時掌握具有極為重要的作用。

發明內容

本發明的目的在于提供一種基于STEOF-LSTM的海洋環境要素預測方法。

本發明的目的通過如下技術方案來實現：包括以下步驟：

步驟1：基于待分析預測海域的再分析數據，利用隨機動態分析法和經驗正交函數方法分析研究海洋動力環境要素的年、月、日等多尺度時間和空間變化特征和規律；

將海洋動力環境要素對應的時間序列分解為趨勢、周期、隨機來進行動態近似分析：

SLH(t)＝T(t)+P(t)+R(t)

其中，T(t)為趨勢項，通過一元線性回歸分析計算獲得；P(t)為周期項，包含季節性、月、年、年際變化特征和規律，對去趨勢后的時間序列進行經驗正交函數分解分析，計算出主要空間分布模態和時間周期變化，從而獲得海洋環境動力要素的周期變化特征；R(t)為剩余隨機項，通過濾波獲得；