CN115114841A - 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法 - Google Patents

基于U-net框架的边缘海高时空分辨率次表层温度场重构方法 Download PDF

Info

Publication number
CN115114841A
CN115114841A CN202210439952.8A CN202210439952A CN115114841A CN 115114841 A CN115114841 A CN 115114841A CN 202210439952 A CN202210439952 A CN 202210439952A CN 115114841 A CN115114841 A CN 115114841A
Authority
CN
China
Prior art keywords
sea
data
sea surface
resolution
ocean
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210439952.8A
Other languages
English (en)
Inventor
徐青
谢华荣
殷晓斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202210439952.8A priority Critical patent/CN115114841A/zh
Publication of CN115114841A publication Critical patent/CN115114841A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Fluid Mechanics (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于海洋信息技术领域，公开了基于U‑net框架的边缘海高时空分辨率次表层温度场重构方法：收集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，并依据海面风场数据，计算得到海面风应力旋度；确定目标边缘海海域的空间范围以及训练组、验证组和测试组中样本的时间范围，并对海洋表面数据和温度剖面数据进行预处理；搭建注意力U‑net框架，将训练组的海洋表面数据作为输入，相应的温度剖面作为真值，完成边缘海高时空分辨率的次表层温度场重构模型的训练；将测试组的海洋表面数据输入确定的模型中，得到重构的边缘海高时空分辨率次表层温度场。本发明克服了具有复杂动力过程的边缘海水下温度重构精度低的难题。

Description

基于U-net框架的边缘海高时空分辨率次表层温度场重构 方法
技术领域
本发明属于海洋信息技术领域，特别涉及一种基于U-net框架的边缘海高时空分辨率次表层温度场重构方法。
背景技术
卫星遥感为海洋学研究提供了大量高空间分辨率的表层观测数据，而绝大多数海洋动力过程对海洋的影响并不仅局限于表层，对海洋内区也有一定影响。目前现场观测是用于探测海洋表层以下海水温度的主要手段，受观测仪器等因素的限制，所得数据的连续性以及空间分辨率较低，可能无法满足一些海洋现象的研究要求。因此，如何使用海洋表层数据挖掘海洋次表层温度信息，得到连续且时空分辨较高的垂向温度剖面数据，仍是海洋学研究中的一个重要课题。
传统的海洋次表层温度场重构方法主要包括动力学方法和统计方法。由于不同海域的海面变量与次表层温度间的物理关系不同，这使得动力学方法在次表层温度场重构研究中的适用性受限，通常仅能在某些特定条件下得以应用。相较于动力学方法，统计方法在次表层温度场重构研究中具备更强的灵活性和实用性，通过建立海面因子与次表层温度间的统计关系，可以有效重构不同海域的次表层温度场。但对于复杂海域，简单的统计方法难以建立复杂度较高的统计关系模型，从而使得次表层温度场的重构精度降低。
近几年，人工智能尤其是深度学习为次表层温度场的重构研究带来了新的契机。它可以通过学习历史数据的特征，深度挖掘各个海面要素与次表层温度间的关系，从而重构出具有较高精确度的海洋次表层温度场。但是对于动力现象复杂的边缘海海域的温度场的重构，现有研究较少，因此本发明针对边缘海复杂海域构建次表层温度场模型。
发明内容
针对现有技术存在的不足，本发明提供一种基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，通过采集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，搭建注意力U-net框架，训练得到边缘海高时空分辨率次表层温度场重构模型。
为了解决上述技术问题，本发明采用的技术方案是：
基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，包括以下步骤：
步骤1、收集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，并依据海面风场数据，计算得到海面风应力旋度；
步骤2、确定目标边缘海海域的空间范围以及训练组、验证组和测试组中样本的时间范围，并对海洋表面数据和温度剖面数据进行预处理；
步骤3、搭建注意力U-net框架，将训练组的海洋表面数据作为输入，相应的温度剖面作为真值，完成边缘海高时空分辨率的次表层温度场重构模型的训练；
步骤4、将测试组的海洋表面数据输入步骤3确定的模型中，得到重构的边缘海高时空分辨率次表层温度场。
进一步的，步骤1中，采集的高时空分辨率卫星遥感数据均是空间分辨率为0.25°×0.25°的日平均网格化产品，其中海面温度为NOAAOISST数据，海平面高度异常为CMEMSSLA数据，海面风场为CCMP风场数据。
进一步的，步骤1中，采集的高时空分辨率海洋温度剖面数据来自空间分辨率为0.5°×0.5°、5天平均的网格化SODA数据集。
进一步的，海面风场通过海面风应力旋度引起的Ekman抽吸和输运作用对海洋三维温度场结构产生影响，所述的步骤1中，海面风应力旋度curlτ的计算公式为：
Figure BDA0003614690760000021
其中,τx和τy分别为海面风应力τ的纬向和经向分量，CD为拖曳系数，ρa为空气密度，u和v分别为海面风速U10的纬向和经向分量。
进一步的，步骤2中，训练组和验证组中的样本为同一时间范围内的所有样本数据按照9:1的比例随机分配。
进一步的，步骤2中，进行海面数据和温度剖面数据的预处理具体包括如下步骤：
1)利用MATLAB软件打开海面温度、海平面高度异常和海面风场的原始数据以及海面风应力旋度的计算数据，计算各海面变量的5天平均值；
2)以SODA数据集中的温度剖面网格点为参考，通过线性插值，将5天平均后的各海面变量的空间分辨率统一到0.5°×0.5°；
3)依据边缘海海域的空间范围和所有样本的时间范围，对统一时空分辨率后的海洋表面数据进行筛选，并对筛选后的各海面变量做归一化处理，其表达式为：
Figure BDA0003614690760000031
其中，x为所有样本中海面变量的原始值，μ和σ分别为x的平均值和标准差，X即为归一化后的海面变量；
4)将海洋表面数据和温度剖面数据中受边缘海周围陆地影响的数值均赋值为与原数据值有明显差异的-999，消除陆地区域的数据对海域次表层温度重构结果的影响。
进一步的，步骤3中，注意力U-net框架是一种端对端的神经网络，包括卷积层、注意力机制模块、特征拼接模块，网络的输入为一个大小为M*N*5的矩阵，经过两次卷积后得到大小为M*N*64的特征层C1；C1进入注意力机制模块得到同等大小的特征层A1；同时C1经过最大池化后得到M/2*N/2*64的特征层M2，M2经过两次卷积得到同等大小的特征层C2，C2进入注意力机制模块得到特征层A2，A2通过上采样过程得到M*N*64的特征层U2；特征层A1与U2拼接得到大小为M*N*128的特征层C3；C3经过两次卷积得到M*N*64的特征层C4，最终经过一个1*1的卷积核，得到大小为M*N*1的输出矩阵；注意力U-net网络训练时，采用的损失函数为huber_loss，优化函数为adam。
进一步的，步骤3中，边缘海高时空分辨率的次表层温度场重构模型为不同水深处的次表层温度重构模型的组合；对于每一层水深，以海洋表面因子为输入，以该深度的次表层温度作为真值进行模型训练，建立一个独立的次表层温度重构模型。
进一步的，步骤3中，边缘海高时空分辨率的次表层温度场重构模型为验证组中样本误差达到最小的注意力U-net模型。
与现有技术相比，本发明优点在于：
本发明的一种基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，通过使用高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和温度剖面数据，采用深度学习算法建立了边缘海次表层温度场重构模型，克服了具有复杂动力过程的边缘海水下温度重构精度低的难题，提供了一种高精度、高时空分辨率的次表层温度场重构方法。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
图2为本发明中注意力U-net框架结构示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的说明。
实施例1
结合图1所示，基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，包括以下步骤：
步骤1、收集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，并依据海面风场数据，计算得到海面风应力旋度。
本步骤1中，采集的高时空分辨率卫星遥感数据均是空间分辨率为0.25°×0.25°的日平均网格化产品，其中海面温度为NOAAOISST数据，海平面高度异常为CMEMSSLA数据，海面风场为CCMP风场数据。
本步骤1中，采集的高时空分辨率海洋温度剖面数据来自空间分辨率为0.5°×0.5°、5天平均的网格化SODA数据集。
海面风场主要通过海面风应力旋度引起的Ekman抽吸和输运等作用对海洋三维温度场结构产生影响，海面风应力旋度curlτ的计算公式为：
Figure BDA0003614690760000041
其中,τx和τy分别为海面风应力τ的纬向和经向分量，CD为拖曳系数，ρa为空气密度，u和v分别为海面风速U10的纬向和经向分量。
步骤2、确定目标边缘海海域的空间范围以及训练组、验证组和测试组中样本的时间范围，并对海洋表面数据和温度剖面数据进行预处理。
本步骤2中，训练组和验证组中的样本为同一时间范围内的所有样本数据按照9:1的比例随机分配。
步骤2中，进行海面数据和温度剖面数据的预处理具体包括如下步骤：
1)利用MATLAB软件打开海面温度、海平面高度异常和海面风场的原始数据以及海面风应力旋度的计算数据，计算各海面变量的5天平均值；
2)以SODA数据集中的温度剖面网格点为参考，通过线性插值，将5天平均后的各海面变量的空间分辨率统一到0.5°×0.5°；
3)依据边缘海海域的空间范围和所有样本的时间范围，对统一时空分辨率后的海洋表面数据进行筛选，并对筛选后的各海面变量做归一化处理，其表达式为：
Figure BDA0003614690760000051
其中，x为所有样本中海面变量的原始值，μ和σ分别为x的平均值和标准差，X即为归一化后的海面变量；
4)将海洋表面数据和温度剖面数据中受边缘海周围陆地影响的数值均赋值为与原数据值有明显差异的-999，消除陆地区域的数据对海域次表层温度重构结果的影响。
步骤3、搭建注意力U-net框架，将训练组的海洋表面数据作为输入，相应的温度剖面作为真值，完成边缘海高时空分辨率的次表层温度场重构模型的训练。
结合图2所示，本步骤3中，注意力U-net框架是一种端对端的神经网络，包括卷积层、注意力机制模块、特征拼接模块，网络的输入为一个大小为M*N*5的矩阵，经过两次卷积后得到大小为M*N*64的特征层C1；C1进入注意力机制模块得到同等大小的特征层A1；同时C1经过最大池化后得到M/2*N/2*64的特征层M2，M2经过两次卷积得到同等大小的特征层C2，C2进入注意力机制模块得到特征层A2，A2通过上采样过程得到M*N*64的特征层U2；特征层A1与U2拼接得到大小为M*N*128的特征层C3；C3经过两次卷积得到M*N*64的特征层C4，最终经过一个1*1的卷积核，得到大小为M*N*1的输出矩阵。注意力U-net网络训练时，采用的损失函数为huber_loss，优化函数为adam。
步骤3中，边缘海高时空分辨率的次表层温度场重构模型为不同水深处的次表层温度重构模型的组合；对于每一层水深，以海洋表面因子为输入，以该深度的次表层温度作为真值进行模型训练，建立一个独立的次表层温度重构模型。
步骤3中，边缘海高时空分辨率的次表层温度场重构模型为验证组中样本误差达到最小的注意力U-net模型。
步骤4、将测试组的海洋表面数据输入步骤3确定的模型中，得到重构的边缘海高时空分辨率次表层温度场。
实施例2
本实施例结合具体数据对基于U-net框架的边缘海高时空分辨率次表层温度场重构方法做说明，该方法包括：
步骤1、本发明实施例收集的高时空分辨率的卫星遥感数据和海洋温度剖面数据均为全球范围内的数据。
步骤2、本发明实施例的目标边缘海海域为南海，空间范围为105-121°E，0-23°N。训练组和测试组样本的时间范围为1993-2016年，样本数共1753个；测试组样本的时间范围为2017年，样本数共71个。利用MATLAB软件对所有海洋表面数据和温度剖面数据进行预处理。
步骤3、本发明实施例利用南海1993-2016年共1753个海面变量矩阵(矩阵大小为32*46)及其对应的温度剖面，建立基于注意力U-net框架的南海高时空分辨率次表层温度场重构模型，其中1577个样本(训练组)用于训练模型，余下176个样本(验证组)用于确定模型的超参数。
步骤4、本发明实施例利用训练完成的如图2所示的注意力U-net模型重构了2017年南海高时空分辨的次表层温度场。
与传统的统计方法(多元线性回归方法)和流行的机器学习方法(extremegradientboosting,XGBoost)相比，本发明构建的南海高时空分辨率的次表层温度场重构模型的重构精度更高(下表1)。
下表1为其它方法与本实施例次表层温度场重构方法的重构精度对比
Figure BDA0003614690760000071
综上所述，本发明提供了一种高精度、高时空分辨率的次表层温度场重构方法，通过使用高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和温度剖面数据，采用深度学习算法建立了边缘海次表层温度场重构模型，考虑了边缘海地形和周围陆地对海洋表面数据和温度剖面数据的影响，克服了具有复杂动力过程的边缘海水下温度重构精度低的难题。
当然，上述说明并非是对本发明的限制，本发明也并不限于上述举例，本技术领域的普通技术人员，在本发明的实质范围内，做出的变化、改型、添加或替换，都应属于本发明的保护范围。

Claims (9)

1.基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，包括以下步骤：
步骤1、收集高时空分辨率的海面温度、海平面高度异常和海面风场卫星遥感数据和海洋温度剖面数据，并依据海面风场数据，计算得到海面风应力旋度；
步骤2、确定目标边缘海海域的空间范围以及训练组、验证组和测试组中样本的时间范围，并对海洋表面数据和温度剖面数据进行预处理；
步骤3、搭建注意力U-net框架，将训练组的海洋表面数据作为输入，相应的温度剖面作为真值，完成边缘海高时空分辨率的次表层温度场重构模型的训练；
步骤4、将测试组的海洋表面数据输入步骤3确定的模型中，得到重构的边缘海高时空分辨率次表层温度场。
2.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤1中，采集的高时空分辨率卫星遥感数据均是空间分辨率为0.25°×0.25°的日平均网格化产品，其中海面温度为NOAA OISST数据，海平面高度异常为CMEMSSLA数据，海面风场为CCMP风场数据。
3.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤1中，采集的高时空分辨率海洋温度剖面数据来自空间分辨率为0.5°×0.5°、5天平均的网格化SODA数据集。
4.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，海面风场通过海面风应力旋度引起的Ekman抽吸与输运作用对海洋三维温度场结构产生影响，所述的步骤1中，海面风应力旋度curlτ的计算公式为：
Figure FDA0003614690750000011
其中,τx和τy分别为海面风应力τ的纬向和经向分量，CD为拖曳系数，ρa为空气密度，u和v分别为海面风速U10的纬向和经向分量。
5.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤2中，训练组和验证组中的样本为同一时间范围内的所有样本数据按照9:1的比例随机分配。
6.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤2中，进行海面数据和温度剖面数据的预处理具体包括如下步骤：
1)利用MATLAB软件打开海面温度、海平面高度异常和海面风场的原始数据以及海面风应力旋度的计算数据，计算各海面变量的5天平均值；
2)以SODA数据集中的温度剖面网格点为参考，通过线性插值，将5天平均后的各海面变量的空间分辨率统一到0.5°×0.5°；
3)依据边缘海海域的空间范围和所有样本的时间范围，对统一时空分辨率后的海洋表面数据进行筛选，并对筛选后的各海面变量做归一化处理，其表达式为：
Figure FDA0003614690750000021
其中，x为所有样本中海面变量的原始值，μ和σ分别为x的平均值和标准差，X即为归一化后的海面变量；
4)将海洋表面数据和温度剖面数据中受边缘海周围陆地影响的数值均赋值为与原数据值有明显差异的-999，消除陆地区域的数据对海域次表层温度重构结果的影响。。
7.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤3中，注意力U-net框架是一种端对端的神经网络，包括卷积层、注意力机制模块、特征拼接模块，网络的输入为一个大小为M*N*5的矩阵，经过两次卷积后得到大小为M*N*64的特征层C1；C1进入注意力机制模块得到同等大小的特征层A1；同时C1经过最大池化后得到M/2*N/2*64的特征层M2，M2经过两次卷积得到同等大小的特征层C2，C2进入注意力机制模块得到特征层A2，A2通过上采样过程得到M*N*64的特征层U2；特征层A1与U2拼接得到大小为M*N*128的特征层C3；C3经过两次卷积得到M*N*64的特征层C4，最终经过一个1*1的卷积核，得到大小为M*N*1的输出矩阵；注意力U-net网络训练时，采用的损失函数为huber_loss，优化函数为adam。
8.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤3中，边缘海高时空分辨率的次表层温度场重构模型为不同水深处的次表层温度重构模型的组合；对于每一层水深，以海洋表面因子为输入，以该深度的次表层温度作为真值进行模型训练，建立一个独立的次表层温度重构模型。
9.根据权利要求1所述的基于U-net框架的边缘海高时空分辨率次表层温度场重构方法，其特征在于，步骤3中，边缘海高时空分辨率的次表层温度场重构模型为验证组中样本误差达到最小的注意力U-net模型。
CN202210439952.8A 2022-04-25 2022-04-25 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法 Pending CN115114841A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210439952.8A CN115114841A (zh) 2022-04-25 2022-04-25 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210439952.8A CN115114841A (zh) 2022-04-25 2022-04-25 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法

Publications (1)

Publication Number Publication Date
CN115114841A true CN115114841A (zh) 2022-09-27

Family

ID=83324612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210439952.8A Pending CN115114841A (zh) 2022-04-25 2022-04-25 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法

Country Status (1)

Country Link
CN (1) CN115114841A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094254A (zh) * 2023-10-20 2023-11-21 自然资源部第一海洋研究所 基于风场敏感度参数提高海洋模式模拟精度的方法及***
CN117421942A (zh) * 2023-12-19 2024-01-19 北京摩弈信息科技有限公司 一种海面温度确定方法和装置、电子设备
CN117665824A (zh) * 2023-12-22 2024-03-08 中山大学 一种海面风场重构方法及***

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117094254A (zh) * 2023-10-20 2023-11-21 自然资源部第一海洋研究所 基于风场敏感度参数提高海洋模式模拟精度的方法及***
CN117094254B (zh) * 2023-10-20 2024-01-09 自然资源部第一海洋研究所 基于风场敏感度参数提高海洋模式模拟精度的方法及***
CN117421942A (zh) * 2023-12-19 2024-01-19 北京摩弈信息科技有限公司 一种海面温度确定方法和装置、电子设备
CN117421942B (zh) * 2023-12-19 2024-03-12 北京摩弈信息科技有限公司 一种海面温度确定方法和装置、电子设备
CN117665824A (zh) * 2023-12-22 2024-03-08 中山大学 一种海面风场重构方法及***

Similar Documents

Publication Publication Date Title
CN115114841A (zh) 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN112836610A (zh) 一种基于遥感数据的土地利用变化与碳储量定量估算方法
CN112541572B (zh) 基于卷积编码器-解码器网络的剩余油分布预测方法
CN113935249B (zh) 基于压缩和激励网络的上层海洋热结构反演方法
Li et al. Multiscale dynamic fusion prototypical cluster network for fault diagnosis of planetary gearbox under few labeled samples
CN110347671B (zh) 构建海上风能数据资料库及海上风能发电量数据库的方法
CN113255210B (zh) 一种风电机组联邦故障诊断方法及***
CN114549925A (zh) 一种基于深度学习的海浪有效波高时间序列预测方法
CN111652443A (zh) 综合多源卫星遥感预测远洋渔业资源丰度的方法及其应用
CN111695473B (zh) 基于长短时记忆网络模型的热带气旋强度客观监测方法
CN114417693A (zh) 一种基于深度学习的海洋三维温度场反演方法
CN108229060B (zh) 基于有效波高、平均波周期和波向的参数化联合分布模型
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
Zheng et al. Tide-surge interaction in the Pearl River Estuary: a case study of Typhoon Hato
CN116822381A (zh) 一种基于人工智能的海洋温盐结构反演方法
CN115248992A (zh) 一种基于压缩激励PredRNN的海洋三维温盐时空预测方法
CN111461423A (zh) 一种高精度网格化空气质量推断方法、***、终端设备及存储介质
CN113361782A (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及***
CN112215281A (zh) 一种风机叶片结冰故障检测方法
CN111488974A (zh) 基于深度学习神经网络的海洋风能降尺度方法
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及***
CN115345245A (zh) 一种基于随机森林和迁移学习的热带气旋快速加强预报方法
CN114529809A (zh) 基于亥姆霍兹分解及深度学习的复合涡识别模型构建方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination