[发明专利]一种基于深度学习的海洋稀疏观测数据同化方法

权利要求书

1.一种基于深度学习的海洋稀疏观测数据同化方法，其特征在于，具体技术方案如下：

步骤一：获取待处理区域的海洋环境参数中的背景场数据和仪器观测数据，结合该区域的海洋历史再分析数据构建训练样本数据集；

具体为：

提取仪器观测数据中各稀疏观测点的位置，针对同一个稀疏观测点位置，将不同时刻的历史再分析数据中该位置的参数值与背景场数据中该位置的参数值作差，将所有稀疏观测点位置下的差值构建训练样本数据集S＝{S₁,S₂,...,S_n}；

步骤二：构建深度学习网络模型，并利用训练数据集对深度学习网络模型进行训练，得到稀疏观测数据同化计算模型；

对深度学习网络模型进行训练的具体步骤为：

步骤2.1：根据训练样本数据集的大小和计算资源，初始化深度学习网络模型的超参数；

步骤2.2：将所述的训练样本数据集S＝{S₁,S₂,...,S_n}中的数据作为深度学习网络模型的输入，采用Adam梯度下降法作为优化器、MSEloss损失函数作为代价函数，激活函数使用ReLU，采用自适应学习率的方法逐步对各超参数进行训练，通过多次的迭代循环，当代价函数不再下降后，得到最优的超参数；将最优超参数对应的深度学习网络模型作为稀疏观测数据同化计算模型；

步骤三：将待处理海洋区域的稀疏观测数据输入同化计算模型，得到融合观测信息后的分析场参数值，实现将背景场中各观测点的信息扩散到没有观测信息的位置；

计算分析场参数值的步骤为：

步骤3.1：将各稀疏观测点的数据值与对应位置的背景场数据参数值作差，得到测试样本数据集T＝{T₁,T₂,...,T_n}；

步骤3.2：将测试样本数据集T＝{T₁,T₂,...,T_n}输入到同化计算模型中得到全场的观测增量，并进行平滑操作；

步骤3.3：将平滑后的全场观测增量与背景场数据参数值相加得到分析场参数值：

A＝E+B

其中A为分析场参数值，E为全场的观测增量，B为背景场参数值。

2.根据权利要求1所述的一种基于深度学习的海洋稀疏观测数据同化方法，其特征在于，所述深度学习网络模型采用全连接深度神经网络模型的架构，包括输入层、隐藏层和输出层；其中，输入层包括批标准化操作和激活函数，输入层的神经元个数为所有稀疏观测点的个数；隐藏层包括批标准化操作和激活函数，隐藏层的层数和神经元个数根据网格大小确定；输出层的神经元个数为背景场网格点个数。

3.根据权利要求1所述的一种基于深度学习的海洋稀疏观测数据同化方法，其特征在于，所述的深度学习网络模型的超参数包括学习率和训练次数。

4.根据权利要求1所述的一种基于深度学习的海洋稀疏观测数据同化方法，其特征在于，所述对全场的观测增量进行平滑操作采用的是CV2工具。