[发明专利]一种基于CNN-LSTM的区域海表面温度预测方法

说明书

本发明的一种基于CNN‑LSTM的区域海表面温度预测方法，涉及物理海洋、计算机图形图像处理和深度学习领域。包括训练样本建立、模型构建和模型算法调整三步：首先采用留出法对区域海表面温度数据进行分割处理，并对预测的时间窗口进行设置；而后采用基于卷积神经网络CNN和长短期记忆神经网络LSTM相结合的算法，对海表面温度训练样本进行训练并建立海表面温度预测模型；最后根据模型的误差采用试错法对模型的参数进行调整训练并确定预测模型参数，实现区域海表面温度的高效预测。实践证明该方法可以通过CNN对海表面温度的空间特征进行提取，再通过LSTM对时序特征进行提取，从而提高海表面温度的预测精度和效率，扩展了深度学习方法在区域海表面温度预测中的应用。

技术领域

本发明涉及海洋信息技术领域，尤其涉及一种基于CNN-LSTM的区域海表面温度预测方法。

背景技术

海表面温度是太阳辐射、海洋热力、动力过程以及海气相互作用的综合结果，是海表面水汽和热量交换的一个重要物理参数。最近几年，越来越多的研究开始关注海表面温度，海表面温度的预测也成为一个研究热点。传统的海温预测一般采用统计与经验相结合的预测方法，局限性在于大部分统计模型采用线性相关来预测非线性变化的海温，同时也受人们认知水平和解决物理机制瓶颈问题的限制，而深度学习具有非线性、容错性、自适应性等特点，面向数据说话，能够很好的完善传统预测方式的不足，采用深度学习对区域海表面温度开展预测，对研究海表面温度规律、扩展深度学习方法在海洋表面温度预测中研究有着重要的意义。

深度学习作为机器学习的一个新领域，可以直接将原始数据送入机器并可以自动发现数据中所包含的特征的一类算法，省去特征提取器的人工创建步骤，最终可以达到分类识别乃至预测预报的目的。深度学习的模型方法大致可分为三类，即多层感知机模型、深度神经网络模型和递归神经网络模型，其代表算法为深度置信网络(Deep BeliefNetwork,DBN)、卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)。其中，CNN能够通过特征转换，学习到复杂的方程用于对物体的空间特征进行描述，而LSTM作为RNN发展的产物，有效的改进了RNN的隐含层，可以应对不同种类的时序数据训练。在海洋领域，随着海洋大数据时代的到来，深度学习的方法不断应用于海洋数据，用于挖掘海洋现象，提高人们的认知水平。Ducournau等(2016)采用CNNs方法对海表面温度数据的空间特征进行了高分辨率重构。Zeng等(2015)采用人工神经网络(ANN)结合经验正交函数(empirical orthogonal function,EOF)分析对海表面高度(SSH)数据进行预测，从而实现套流变化和涡旋脱落过程的预测。Zhang等(2017)虽然采用了LSTM模型预测SST数据，但模型中只包含时间信息，没有考虑空间信息。Yang等(2018)才LSTM的模型基础上进行改进，但是在构造模型的过程中先进行时间信息的提取，再增加一个卷积层用于提取空间信息，这种方法在提取时间信息后会破坏空间信息的特征或者将空间信息特征当作时间特征进行错误提取。而根据数据的组织和构造方式，应先进行空间特征的抽取，再对时间特征进行提取。因此探索CNN与LSTM进行结合建模的方式在提高海表面温度预测的相关研究中具有重要意义。

通过公开专利检索，发现以下对比文件：

CN109190800A-公开了一种基于spark框架的海面温度预测方法，包括如下步骤：在spark框架下启动动态时间归整DTW算法，并从分布式文件系统中将数据载入到Spark集群，完成数据的预处理；将完成预处理的数据collect到本地生成类比模式和参考模式；在Spark框架下，调用Spark的工作集群，计算类比模式与参考模式的动态时间归整距离DTW；按动态时间归整DTW距离的大小排序后，取出前k个类比模式作为训练集，训练一个具有预测能力的模型；将参考模式作为预测模型的输入得到输出结果，再对输出结果进行反归一化处理得到最终预测结果。该发明通过历史海面温度时间序列数据预测出未来五天内的海面温度，有效克服了现有海面温度预报中预报效率和预报精度不高的问题。