[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

说明书

本发明公开了一种基于深度学习的海洋稀疏观测数据同化方法，属于海洋观测技术领域。首先根据海洋历史再分析数据构建训练数据集，然后构建基于深度学习的神经网络模型，并利用训练数据集对该基于深度学习的神经网络模型进行训练，得到稀疏观测数据同化计算模型。最后将稀疏观测数据输入同化计算模型中，得到融合观测信息后的分析场。本发明利用深度神经网络的非线性映射能力，通过学习海洋历史再分析数据构建稀疏观测数据同化计算模型，提高了稀疏观测数据的利用效率，克服了现有数据同化技术的不足。

技术领域

本发明属于海洋观测技术领域，具体涉及一种基于深度学习的海洋稀疏观测数据同化方法。

背景技术

海洋对人类海上活动、海洋工程、养殖捕捞、天气和气候等具有重要影响，及时掌握海洋环境参数对社会生产生活和国防安全等具有重要意义。仪器观测是监测海洋环境参数的主要手段，但是一般情况下仪器观测数据的数量是极其有限的。为了能够有效监测海洋环境，就需要稀疏观测数据同化技术。稀疏观测数据同化技术可以将有限的观测信息扩散到没有观测信息的位置，提高仪器观测的利用价值和利用效率。

现有的数据同化方法对观测资料的数量和时空分布具有较高的要求。当观测资料较为稀疏时会呈现较强的非线性特征，现有数据同化方法难以取得良好的同化效果。

发明内容

本发明为了解决稀疏观测数据同化效果差的问题，提出了一种基于深度学习的海洋稀疏观测数据同化方法，可以很好的解决计算中存在的非线性问题，通过对历史数据的学习找到最优参数以实现非线性映射。

所述基于深度学习的海洋稀疏观测数据同化方法，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数据集；

训练数据集包括训练样本数据集和训练标签数据集，分别为：

提取仪器观测数据中各稀疏观测点的位置信息，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}；

将所有对应时刻下的历史再分析数据参数值与背景场数据参数值作差，构建训练标签数据集L＝{L₁,L₂,...,L_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；

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。

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；

模型超参数包括学习率和训练次数等。

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模型各超参数进行训练，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；