[发明专利]海洋表面温度的预测方法

说明书

本发明涉及海洋温度数据测算技术领域，具体地涉及一种海洋表面温度的预测方法。本申请通过注意力机制区分特征的重要程度，比较了全部和部分特征提取方案进行长期海表温度预报的结果，从全特征中丢弃重要程度最低的15维。实验结果表明部分特征的TCN预测模型在时效周期内保持了稳定的高精度。根据海表温度的相关研究，大海盆气候现象的发生和多种因素相关，全特征模型通过周围数据点海表温把风场的区域影响包含在内，同时也考虑了洋流在海下的热量搬运影响，并通过注意力机制区分重要程度解决了数据集庞大的问题，并且精度较高。

技术领域

本发明涉及海洋温度数据测算技术领域，具体地涉及一种海洋表面温度的预测方法。

背景技术

海表温是区域海洋生态系统健康的重要贡献者，其变化趋势可能导致海洋物种的生长、繁殖和分布范围。海洋快速变暖趋势会对海洋渔业产生强烈的影响。海表温度的预测对大中尺度的海洋物理现象具有重要的指导意义，例如，印度洋偶极子指数的定义与区域海表温异常变化有关。大规模海域的海表温度年预报有助于气候监测、洪水和干旱风险预警等方面的工作开展，例如印度洋会影响周边地区、南美中部、非洲南端、澳大利亚东南部、东北亚等区域出现气候异常。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种海洋表面温度的预测方法。

根据本发明提供的一种海洋表面温度的预测方法，包括如下步骤：

获取预设空间分辨率的海洋气象数据；

排序所述海洋气象数据中特征的重要程度，以获取特征排名；

按预设排除规则，丢弃所述特征排名中排名靠后的所述特征，以获得挑选后的数据；

利用所述挑选后的数据制作训练集；

利用所述训练集训练一预先搭建的网络模型，以得到能够预测海洋表面温度的预测模型；并通过所述预测模型获取预测数据。

进一步，利用所述挑选后的数据制作测试集，以用于测试所述预测模型的预测精度；

当所述预测模型的预测精度不足预设精度时，重复所述预测模型的训练过程，直至所述预测模型的预测精度符合预设精度。

进一步，从所述挑选后的数据中随机选择20％的数据用于制作验证集，以对所述预测模型进行参数调整。

进一步，所述海洋气象数据的空间分辨率为1°×1°。

进一步，在所述海洋气象数据中，至少从每个月的数据中丢弃如下特征：

垂直高度400m；

水下36m和65m温度；

分别处于水下25m、55m和95m层深的盐度；

水下15m和65m的东西方向海流；

水下5m、15m、25m、95m的南北方向海流；

距离数据收集海域中心点最远三个点的海标温度。

进一步，所述网络模型为一TCN模型。

进一步，所述网络模型的卷积核初始大小设置为8；

在每个残差块中，所述卷积核按照膨胀参数列表变大。

进一步，所述卷积核的个数设置为24。

进一步，在训练所述网络模型过程中，采用如下公式衡量所述网络模型学习海洋温度变化趋势的能力：

与现有技术相比，本发明具有如下的有益效果：