[发明专利]一种基于STEOF-LSTM的海洋环境要素预测方法

说明书

本发明属于海洋动力环境要素预测技术领域，具体涉及一种基于STEOF‑LSTM的海洋环境要素预测方法。本发明基于大范围、长时间的海洋再分析数据，通过时域多尺度分析和深度学习方法挖掘海洋动力环境要素的规律，构建面向海洋动力环境要素的统计预测模型，以实现海洋动力环境要素的中长期时空统计预报。本发明可以有效弥补传统的数值预报方法由于气象驱动时效限制而导致的海洋动力环境要素预报时效较短的缺陷，且对计算资源的占用较少。大幅度提高了海洋动力环境要素的中长期预测能力，为解决海洋数值预报产品失效后的大范围、长周期海洋动力环境要素预报预测这一技术难题提供技术支撑。并具有较强的科学意义和应用价值。

技术领域

本发明属于海洋动力环境要素预测技术领域，具体涉及一种基于STEOF-LSTM的海洋环境要素预测方法。

背景技术

海洋预报主要包含数值预报和统计预报两种模式。尽管数值预报是现阶段海洋环境预报的主要手段，但存在诸如运算量大、对初始条件敏感性强及受时效性限制等缺点。因此，迫切需要一种相比于数值预报计算量更少、不受到时效性限制的预报方法来实现海洋动力环境要素的快速准确预报。

统计预报方法作为海洋预报中的重要手段之一，当样本数据足够大的时候，其能够不考虑研究对象的物理规律而建立数据驱动的预报模型。因此，统计预报方法不存在类似数值预报方法的物理极限限制等问题。目前，全球各大机构在数值预报方面的研究已经趋于成熟，但是对于延伸期以及中长期的预报无法利用传统的数值预报方法来完成，而需要考虑采用统计预报方法来实现。因此，对于海洋统计分析预报方法的研究是十分必要的，对海洋环境的精准预报和海洋信息的及时掌握也有着极为重要的作用。

传统的海洋环境分析预报多采用人工手动分类识别、海洋模式模拟和传统统计分析等方法。人工手动分类识别方法受主观因素的影响而不能真实刻画数据中的隐含信息；海洋模式模拟存在诸如运算量大、初始条件不精确及受时效性限制等缺点；而传统统计分析对复杂的海洋过程不能通过复杂的公式和繁琐的计算获得较好的结果。且海洋时空数据多为非结构或半结构化数据，数据之间关系复杂或无关联，对传统的统计分析和海洋模式模拟提出了挑战。而深度学习，以数据为驱动，通过多层学习提取数据中的有用信息，客观挖掘数据之间的可能关系，能够提高数据处理效率和精度，为海洋大数据的智能分析挖掘带来新的契机。因此，将深度学习应用于海洋时空序列数据的预测研究，是将新一代技术与海洋现象预测应用相结合，打破传统海洋模式预测技术瓶颈与认知水平的限制，拓展人工智能等关键技术在海洋中应用的重要方法，并对我国海洋环境的精准预报和海洋信息的及时掌握也有着极为重要的作用。

深度学习在海洋预报特别是海洋复杂时空序列的预报领域具有良好的应用效果和广阔的应用前景；相比于动力学海洋模式预报和传统统计预报方法，深度学习作为数据驱动模型，能够客观挖掘复杂时空数据之间的潜在关系，为海洋大数据的智能分析挖掘带来新的契机。因此，将深度学习应用于海洋时空序列数据的预测研究，是将新技术与海洋现象预测应用相结合，打破传统海洋模式预测技术瓶颈与认知水平的限制，对海洋环境的精准预报和海洋信息的及时掌握具有极为重要的作用。

发明内容

本发明的目的在于提供一种基于STEOF-LSTM的海洋环境要素预测方法。

本发明的目的通过如下技术方案来实现：包括以下步骤：

步骤1：基于待分析预测海域的再分析数据，利用随机动态分析法和经验正交函数方法分析研究海洋动力环境要素的年、月、日等多尺度时间和空间变化特征和规律；

将海洋动力环境要素对应的时间序列分解为趋势、周期、随机来进行动态近似分析：

SLH(t)＝T(t)+P(t)+R(t)

其中，T(t)为趋势项，通过一元线性回归分析计算获得；P(t)为周期项，包含季节性、月、年、年际变化特征和规律，对去趋势后的时间序列进行经验正交函数分解分析，计算出主要空间分布模态和时间周期变化，从而获得海洋环境动力要素的周期变化特征；R(t)为剩余随机项，通过滤波获得；