[发明专利]基于时空信息交互融合的海表温度预测方法、系统及应用

说明书

本发明属于海表面温度预测技术领域，公开了基于时空信息交互融合的海表温度预测方法、系统及应用，所述系统包括输入模块、时空矩阵构建模块、时空特征交互融合模块、时空矩阵聚合模块、海表面温度数据预测模块和输出模块，通过时空矩阵构建模块，构建空间中的每一点的时空矩阵，并从时空矩阵中抽取出时间视角和空间视角的特征表达；通过构建时空特征交互融合模块，利用Transformer中的自注意力机制和互注意力机制，充分挖掘不同时刻的时间特征的相互指导关系、不同空间的空间特征的相互指导关系、以及时间特征和空间特征的相互指导关系，实现海表面温度数据时空信息的交互融合，提高海表面温度预测准确度。

技术领域

本发明属于海表面温度预测技术领域，特别涉及基于时空信息交互融合的海表温度预测方法、系统及应用。

背景技术

海表面温度是海洋表面附近的水温，其时空变化反应海洋物理场理化性质的动态演变规律，因此海表面温度数据的时空分布预测对指导海洋生态环境有着重要的意义。在目前最先进的海表面温度数据预测方法中，能够综合考虑到时序特征、空间结构特征以及外界因素对海洋科学数据的影响，时间特征数据处理方面通常采用长短期记忆神经网络模型等时间序列模型，而在空间特征数据处理方面通常采用卷积神经网络模型。在时空融合策略中，多先进行空间融合，再进行时间融合，虽然实现了时序特征和空间特征融合，能够从一定程度上挖掘海表面温度数据的时空分布规律和变化趋势。但是，该方法存在以下问题：

第一，现有模型结构无法实现海表面温度数据时空信息的交互融合。现有海表面温度数据预测模型结构多采用空间特征聚合后再进行时间特征聚合的方法。由于空间维度先于时间维度融合，空间特征融合时无法得到其他时刻空间特征的指导，因此无法有效实现时空信息的交互融合。

第二，海洋物理场中存在物理过程变化缓慢的特点，因此时序预测需要考虑超长期依赖的问题，例如一个月前的海洋要素特征也会对当前时刻海洋科学数据预测产生影响。现有方法多采用长短期记忆神经网络模型等传统时序预测模型，在时序特征传递的过程中之前的时序信息会丢失，尽管模型中门机制的结构一定程度上缓解了长期依赖的问题，但是对于超长期依赖现象，现有时序预测方法均无能为力。

发明内容

针对现有技术存在的不足，本发明提供基于时空信息交互融合的海表温度预测方法、系统及应用，通过时空矩阵构建模块，构建空间中的每一点的时空矩阵，并从时空矩阵中抽取出时间视角和空间视角的特征表达；通过构建时空特征交互融合模块，利用Transformer中的自注意力机制和互注意力机制，充分挖掘了不同时刻的时间特征的相互指导关系、挖掘不同空间的空间特征的相互指导关系以及充分挖掘时间特征和空间特征的相互指导关系，实现海表面温度数据时空信息的交互融合，提高海表面温度预测准确度。

为了解决上述技术问题，本发明采用的技术方案是：

基于时空信息交互融合的海表温度预测方法，包括以下步骤：

S1、将n个时刻维度为M*N*V的海表面温度数据矩阵在V维度上进行矩阵平均操作并将矩阵聚合，得到维度为n*M*N的矩阵S；M、N、V为三个维度；

S2、从矩阵S中抽取每一空间点的时空矩阵，其中；抽取方法为抽取t天中点i的特征值与其邻域内D-1个空间点的特征值作为该点的，维度为；之后将进行矩阵变换，得到i点的维度为t*D的时空网格，从而得到所有时刻的时空网格；

S3、将进行特征聚合，得到时间特征矩阵，的维度为M*N*t*D，M*N代表存在M*N个空间点，对于每个空间点存在一个维度为t*D的二维时间特征矩阵，其中每一行代表海表面温度的时间特征，即每个空间点时刻的时间特征，维度为1*D；

S4、将的后两维度进行转置操作得到空间特征矩阵，的维度为M*N*D*t，M*N代表存在M*N个空间点，对于每个空间点存在一个维度为D*t的二维空间特征矩阵，其中每一行代表海表面温度的空间特征，即每个空间点上的空间特征，维度为1*t；