[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

说明书

本发明公开了一种基于深度时空残差网络的海洋温跃层预测方法，基于时空数据的特殊属性，本发明通过使用残差神经网络框架来模拟海洋温跃层演变的接近性，周期性和趋势性，针对每个属性，本发明设计了残余卷积单元的一个分支，每个单元内对海洋温度的空间属性进行建模，ST‑ResNet根据数据动态聚合三个残差神经网络的输出，为不同分支分配不同的权重以预测某一指定海域的最终温跃层情况，对经度95°W～115°W，纬度9.5°N～9.5°S海域的实验表明，所提出的ST‑ResNet相较于传统的SVM方法，在相同运行环境、不同的经度、纬度、深度的数据规格下，loss值分别降低了68、11、9倍，运行时间分别提升了3、35、53倍。

技术领域

本发明涉及海洋温度预测领域，具体涉及一种基于深度时空残差网络的海洋温跃层预测方法。

背景技术

近年来，随着人们对于海洋认识的加深，有关于海洋的活动——如海上运输、海上军事活动、海上经济、海洋环境保护与开发等都越来越丰富。与此同时，为了配合这些活动的顺利进行，对海洋科学的发展提出了更多要求。其中，如何快速而准确地预测特定海域的温跃层范围的问题越来越重要。

作为物理海洋学研究的重点内容之一，海洋温跃层的定义有很多，其中Hosoda.S等人提出：“温跃层是大量流体中的薄而不同的层，其中温度随深度变化更快速地高于或低于上层或下层。在海洋中，温跃层将上部混合层从平静的深水中分开。”即海洋中海水温度垂向梯度较大的水层。

温跃层对人类的生产活动有着重要的影响，包括渔业生产、气象预报、反潜战等。在渔业生产，温跃层限制了通过上升过程带到较浅的深度的养分量，极大地影响了当年的鱼类作物，因此海洋渔业捕捞中网具的施放深度要考虑温跃层的特征；其次，是在气象预报中，飓风预报员不仅要考虑海面温度，还要考虑温跃层以上的温水深度。从海洋蒸发的水汽是飓风的主要燃料，温跃层的深度是衡量其“油箱”尺寸的指标，这点有助于预测飓风形成的风险。还有在反潜战中，海洋温跃层的特征“负声速梯度”可以反映主动声纳和其他声学信号，使得温跃层在潜艇战中具有重要作用。

预测海洋某一范围内温跃层的演变趋势是非常具有挑战性的，受以下两个因素影响：(1)空间相关性：预测区域受附近区域以及远离区域的影响。同样，附近区域r₂也会影响如远离区域等其他区域，此外，预测区域也会影响其自身；(2)时间相关性：某一海域的温跃层受近期和远期影响，例如，某一范围内当日的温跃层状态将会影响次日的；其次，海洋温跃层的演变在连续数周里可能相似，数周重复一次；此外，这一演变可能在数年的更长的时间尺度上呈现一定的演变趋势。正因为上述的时间、空间属性，导致其他的深度神经网络结构如循环神经网络(RNN)和长短期记忆网络(LSTM)在这里不适用。因为直接用传统的RNN和LSTM，如果希望数据特征里包含周期性和趋势性，那么输入的数据在时间尺度上就必须很长，如果只用了最近两个小时的数据进行输入，难以从中体现周期性，也不能体现出趋势性，但如果将过去3个月的数据做了循环神经网络输入的话，这个模型不仅变得大而复杂，最后也是很难训练的，且效果不佳。此外，如果想捕捉很远的区域跟某一区域的相关性的话，网络层次就必须比较深。可一旦网络层次比较深，本发明的训练会变得非常复杂、非常困难。

发明内容

本发明设计开发了一种基于深度时空残差网络的海洋温跃层预测方法，本发明的发明目的之一是基于卷积的残差网络来模拟任何两个区域之间的邻近和远离的空间相关性，同时针对深层网络梯度弥散导致的SGD优化难题，残差结构很好的解决了模型退化问题。

本发明的发明目的之二是模拟海洋温跃层演变趋势的时间属性，将时间属性归纳为三类，包括接近性，周期性和趋势性，根据各个属性影响的不同，对海洋温跃层进行更好的预测。

本发明提供的技术方案为：

一种基于深度时空残差网络的海洋温跃层预测方法，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；