[發(fā)明專利]基于LightGBM模型的水下三維溫鹽并行預報方法

在審

• 申請?zhí)枺?/td>: 202111261491.1
• 申請日: 2021-10-28
• 公開（公告）號: CN113946978A
• 公開（公告）日: 2022-01-18
• 發(fā)明（設計）人: 苑黎明;杜星悅;陳慶作;李甜甜;姜浩;唐炳玲;張寶強;趙明;錢漢明;林春霏;周春;劉聰;李同宇
• 申請（專利權）人: 中船海洋探測技術研究院有限公司;中國船舶重工集團公司第七0七研究所
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62;G06T3/40;G06F119/08
• 代理公司: 無錫華源專利商標事務所(普通合伙) 32228
• 代理人: 過顧佳

1.一種基于LightGBM模型的水下三維溫鹽并行預報方法，其特征在于，所述方法包括：

獲取海表溫度歷史數(shù)據(jù)、海表高度歷史數(shù)據(jù)以及Argo浮標歷史數(shù)據(jù)；

對獲取到的海表溫度歷史數(shù)據(jù)、海表高度歷史數(shù)據(jù)以及Argo浮標歷史數(shù)據(jù)進行數(shù)據(jù)預處理，篩選得到時空分辨率統(tǒng)一的海表溫度異常值、海表高度異常值和Argo浮標異常值；

構建訓練數(shù)據(jù)集，所述訓練數(shù)據(jù)集包括若干組訓練樣本，每組訓練樣本的輸入為所述海表溫度異常值和所述海表高度異常值、輸出為同一時空維度下的水下一個深度層的Argo浮標異常值，所述訓練數(shù)據(jù)集中包括各個水下深度層的Argo浮標異常值；

利用所述訓練數(shù)據(jù)集基于LightGBM模型進行并行訓練得到水下三維溫鹽預報模型；

利用所述水下三維溫鹽預報模型基于海表實時溫度和海表實時高度進行水下三維溫鹽預報。

2.根據(jù)權利要求1所述的方法，其特征在于，所述對獲取到的海表溫度歷史數(shù)據(jù)、海表高度歷史數(shù)據(jù)以及Argo浮標歷史數(shù)據(jù)進行數(shù)據(jù)預處理，包括：

對海表溫度歷史數(shù)據(jù)、海表高度歷史數(shù)據(jù)以及Argo浮標歷史數(shù)據(jù)進行時空分辨率的統(tǒng)一；

從完成時空分辨率統(tǒng)一處理的海表溫度歷史數(shù)據(jù)中移除海表溫度在相同時空維度的歷史平均值得到所述海表溫度異常值；

從完成時空分辨率統(tǒng)一處理的海表高度歷史數(shù)據(jù)中移除海表高度在相同時空維度的歷史平均值得到所述海表高度異常值；

從完成時空分辨率統(tǒng)一處理的每個水下深度層的Argo浮標歷史數(shù)據(jù)中移除相同水下深度層在相同時空維度的歷史平均值得到所述Argo浮標異常值。

3.根據(jù)權利要求2所述的方法，其特征在于，通過對低分辨率的數(shù)據(jù)進行區(qū)間平均處理，和/或，通過對高分辨率的數(shù)據(jù)進行插值處理完成時空分辨率的統(tǒng)一。

4.根據(jù)權利要求3所述的方法，其特征在于，海表溫度歷史數(shù)據(jù)和海表高度歷史數(shù)據(jù)的時間分辨率為每天、空間分辨率為0.25°×0.25°，Argo浮標歷史數(shù)據(jù)的時間分辨率為每月、空間分辨率為1°×1°，則對海表溫度歷史數(shù)據(jù)和海表高度歷史數(shù)據(jù)分別進行月平均處理、將時間分辨率處理為每月與Argo浮標歷史數(shù)據(jù)對齊，對Argo浮標歷史數(shù)據(jù)進行最近鄰插值坐標變換、將空間分辨率處理為0.25°×0.25°與海表溫度歷史數(shù)據(jù)和海表高度歷史數(shù)據(jù)對齊。

5.根據(jù)權利要求2所述的方法，其特征在于，完成時空分辨率統(tǒng)一后得到時間分辨率為每月的海表溫度歷史數(shù)據(jù)、海表高度歷史數(shù)據(jù)以及Argo浮標歷史數(shù)據(jù)，則：

對第i月的海表溫度歷史數(shù)據(jù)移除相同空間區(qū)域的海表溫度在第i月的歷史平均值得到第i月的海表溫度異常值；

對第i月的海表高度歷史數(shù)據(jù)移除相同空間區(qū)域的海表高度在第i月的歷史平均值得到第i月的海表高度異常值；

對第i月的水下第d深度層的Argo浮標歷史數(shù)據(jù)移除相同空間區(qū)域的第i月的水下第d深度層的歷史平均值得到第i月的水下第d深度層的Argo浮標異常值；

其中，i為參數(shù)且1≤i≤12。

6.根據(jù)權利要求1所述的方法，其特征在于，所述Argo浮標異常值包括水下溫度異常值和水下鹽度異常值，則構建所述訓練數(shù)據(jù)集包括構建第一訓練數(shù)據(jù)集和第二訓練數(shù)據(jù)集，所述第一訓練數(shù)據(jù)集中的每組訓練樣本的輸入均為所述海表溫度異常值和所述海表高度異常值、輸出為水下一個深度層的水下溫度異常值，所述第二訓練數(shù)據(jù)集中的每組訓練樣本的輸入均為所述海表溫度異常值和所述海表高度異常值、輸出為水下一個深度層的水下鹽度異常值；

則利用所述訓練數(shù)據(jù)集基于LightGBM模型并行訓練得到的水下三維溫鹽預報模型，包括：利用所述第一訓練數(shù)據(jù)集基于LightGBM模型并行訓練得到的水下三維溫度預報模型，以及，利用所述第二訓練數(shù)據(jù)集基于LightGBM模型并行訓練得到的水下三維鹽度預報模型。

7.根據(jù)權利要求1所述的方法，其特征在于，所述Argo浮標異常值包括水下58個不同深度層的Argo浮標異常值，則利用所述訓練數(shù)據(jù)集基于LightGBM模型對水下58個不同深度層對應的訓練樣本進行并行訓練。