[发明专利]一种近海面气温反演方法

说明书

本发明公开了一种近海面气温反演方法，具体包括步骤一：选择海区并对区域内的数据进行提取和预处理。步骤二：确定输入、输出参量，建立基于循环神经网络近海面气温反演模型。步骤三：权重初始化。步骤四：加入L₂参数范式罚项。步骤五：进行BPTT算法的初始化。步骤六：前向传播获得预测值。步骤七：反向传播更新连接权值。步骤八：计算损失函数。步骤九：返回存储网络参数相比于大多数近海面气温方法仅仅利用线性回归及浅层神经网络的方法建模，本发明使用深度神经网络进行建模和训练，从而提高近海面气温反演的精度。

技术领域

本发明涉及一种近海面气温反演方法，属于大气海洋数据处理方法研究的技术领域。

背景技术

近海面气温是一个非常重要，却难以获得的海气参数。由于海气参数之间存在着一定的相关性，因此可以利用相关的海气参数，通过反演的手段实现近海面气温的获取。近海面气温的反演有利于海洋大气相互作用的研究，也有利于人们对气候变化的理解。同时，通过反演的手段获取近海面气温也能够为海洋大气的多方面研究提供支持，有助于海洋资源开发、海洋环境保护等领域的发展。

大数据是近年来众多领域中的热点话题，其特点有数据规模大、类型繁多、时效性强、价值密度低等。海气数据往往是通过多种观测手段获得的，经过长时间的积累，数据体量十分庞大，同时，海气数据的资料来源广泛，包括遥感数据、船测数据、浮标数据等，具有多样性，且不同属性的数据相互依赖相互影响。在先进技术的推动之下，海气数据采集的周期不断缩短，更新更加频繁，也导致了海气数据的价值密度低。大量的数据在给海洋大气领域带来机遇的同时，也带来了许多挑战。

传统的海气数据处理手段需要耗费大量的人力物力，在数据量与日俱增的今天，这些方法已经不再适用。深度学习是一种以海量数据为基础，通过多层神经网络的逐层处理，从输入数据中提取信息，并建立变量之间关系的一种人工智能方法，在当代信息技术领域占据着十分重要的地位，且在一定程度上能够提高数据处理的质量。因此，将深度学习应用于海洋信息处理的意义深远。

发明内容

针对上述现有技术，本发明要解决的技术问题是提供一种近海面气温反演方法，使用深度神经网络进行建模和训练，从而提高近海面气温反演的精度。

为解决上述技术问题，本发明的一种近海面气温反演方法，包括以下步骤：

步骤一：选择海区并对区域内的数据进行提取和预处理，预处理包括重复性检验、相关性分析与归一化处理。

步骤二：确定输入、输出参量，根据控制变量法确定循环神经网络输入层、隐藏层、以及输出层的节点数，建立采用循环神经网络近海面气温反演模型；

步骤三：选择He initialization对网络权重矩阵进行初始化；

步骤四：加入L₂参数范式罚项，具体为：

其中，θ为两节点之间的权重；

步骤五：进行BPTT算法的初始化

步骤六：前向传播获得预测值，具体为：

x为输入，h为隐藏单元，o为输出，y为训练集标签，L为损失函数，右上角的t表示t时刻，t时刻前向传播时，隐层单元表示为：

h^(t)＝f(Ux^(t)+Wh^(t-1)+b)

其中，f为激活函数，b为偏置；

t时刻的输出可以表示如下：

o_t＝Vh^(t)