[发明专利]一种基于CNN-LSTM的区域海表面温度预测方法

权利要求书

1.一种基于CNN-LSTM的区域海表面温度预测方法，具体包括以下步骤：

步骤一，建立训练数据集；

(1)从全球海表面温度数据集中对任意区域的海表面温度数据进行抽取，形成当前时刻的二维海表面温度数据场；

(2)将抽取的二维海表面温度数据场按照时间顺序进行叠加，形成三维海表面温度体数据；

(3)对三维海表面温度体数据按照时间序列采用留出法，形成70％的训练样本、20％的验证样本和10％的测试样本，采用每A天预测B天的参数设置方法，对所有样本进行划分和整理，形成训练数据集；

步骤二，建立海表面温度预测模型；

(1)采用Tensorflow搭建深度学习框架；

(2)搭建CNN与LSTM相结合的模型，对CNN的卷积核数及层数、LSTM的隐藏单元数量和层数进行设置，将CNN的输出作为LSTM的输入，即完成对CNN-LSTM模型的初步建立；

(3)根据训练数据集的大小，初步设置学习率、模型训练次数和批次大小的模型训练参数；

(4)将步骤一中的训练数据集作为输入数据，对初步建立的CNN-LSTM模型进行训练，初步建立海表面温度预测模型；

步骤三，模型参数调整；

根据步骤二中(4)得出模型输出的预测精度，采用试错法重复上述步骤二中的(1)和(2)，对模型参数进行调整训练，以期在兼顾效率的情况下，获得更高的模型预测准确度，最终建立区域海表面温度预测模型；

所述步骤二中，模型为完全自主建立；其中CNN的训练层在LSTM训练层的前面，以保证先提取海表面温度的空间特征后提取时间特征。

2.根据权利要求1所述的一种基于CNN-LSTM的区域海表面温度预测方法，其特征在于：所述步骤一中，区域海表面温度数据是二维标量场数据，训练数据集构造过程中，先将二维区域数据进行提取，再按照时间维度进行组合形成三维体数据；70％的训练样本、20％的验证样本和10％的测试样本在时间和空间上没有重叠，相互独立。