[发明专利]一种基于深度时空残差网络的海洋温跃层预测方法

权利要求书

1.一种基于深度时空残差网络的海洋温跃层预测方法，其特征在于，包括如下步骤：

步骤一、采集目标海域指定时间内的海洋温度数据，并将所述海洋温度数据进行预处理；

步骤二、将预处理后的海洋温度数据按照时间轴分为按照最近的时间、较近的时间和较远的时间的三个时间片段数据后，作为预测模型的输入数据；

步骤三、在深度时空残存网络中按照确定的间隔时间分为接近性属性、周期性属性和趋势性属性，将所述输入数据分别输入到所述接近性属性、周期性属性和趋势性属性中；

步骤四、确定深度残差网络同时捕捉附近和远处海域之间的空间依赖关系，根据分配的矩阵，确定每一个残差网络的输出结果的权重并进行融合后输出；

步骤五、将所述融合后输出的结果通过激活函数对海洋温跃层进行预测；

在所述步骤三中，在所述接近性属性中，在预卷积层上堆叠L个残差单元，得到在第L个剩余单元上，附加一个卷积层，通过两个卷积和L个剩余单元，得到接近性分量的输出为

在所述周期性属性中，在预卷积层上堆叠L个残差单元，得到在第L个剩余单元上，附加一个卷积层，通过两个卷积和L个剩余单元，得到周期性分量的输出为

在所述趋势性属性中，在预卷积层上堆叠L个残差单元，得到在第L个剩余单元上，附加一个卷积层，通过两个卷积和L个剩余单元，得到趋势性分量的输出为

在所述步骤四中，确定每一个残差网络的输出结果的权重并进行融合的过程包括：

其中，是Hadamard乘积，Wc为接近性影响的程度，Wp为周期性影响的程度，Wq为趋势性影响的程度。

2.如权利要求1所述的基于深度时空残差网络的海洋温跃层预测方法，其特征在于，在所述步骤三中，所述接近性属性、周期性属性和趋势性属性共享具有相同卷积神经网络和残差单元序列的网络结构，其包括：预卷积和残差单元。

3.如权利要求1或2所述的基于深度时空残差网络的海洋温跃层预测方法，其特征在于，所述接近性属性的参数包括：时间点为4个，时间间隔为1个月，残差单元为7个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32；

所述周期性属性的参数包括：时间点为3个，时间间隔为2个月，残差单元为6个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32；以及

所述接近性属性的参数包括：时间点为3个，时间间隔为4个月，残差单元为6个，卷积核大小为3×3×3，步进为1，1，1，每层卷积数为32。

4.如权利要求3所述的基于深度时空残差网络的海洋温跃层预测方法，其特征在于，在所述步骤一中，所述海洋温度数据进行预处理得到数据格式为32×26×20×20。

5.如权利要求1所述的基于深度时空残差网络的海洋温跃层预测方法，其特征在于，在所述步骤一中，所述目标海域为95°W～115°W，9.5°N～9.5°S，且精度均为1°；以及

距离海面0～300m，精度为5m。

6.如权利要求1所述的基于深度时空残差网络的海洋温跃层预测方法，其特征在于，在所述步骤五中，所述激活函数为Tanh函数。