本發(fā)明涉及基于tcn神經(jīng)網(wǎng)絡(luò)的海洋表面溫度預(yù)測方法，通過海表溫度(sst)時(shí)序數(shù)據(jù)，實(shí)現(xiàn)海洋溫度精準(zhǔn)預(yù)測。

背景技術(shù)：

1、海表溫度作為海洋環(huán)境中一個(gè)關(guān)鍵的物理參數(shù)，對(duì)海洋生態(tài)系統(tǒng)平衡和漁業(yè)資源的分布、遷移模式有著深遠(yuǎn)的影響。準(zhǔn)確預(yù)測海表溫度對(duì)于漁業(yè)資源管理、海洋生物多樣性保護(hù)、氣候變化研究以及海洋經(jīng)濟(jì)活動(dòng)等眾多領(lǐng)域具有重要意義。

2、海表溫度的變化直接影響著海洋初級(jí)生產(chǎn)力的分布，進(jìn)而影響整個(gè)海洋食物鏈。在漁業(yè)資源管理領(lǐng)域，海表溫度的預(yù)測有助于評(píng)估漁業(yè)資源的豐富度和分布范圍，為漁業(yè)捕撈活動(dòng)提供科學(xué)依據(jù)。此外，海表溫度異常升高或降低往

3、往與海洋災(zāi)害事件相關(guān)，如珊瑚白化、赤潮等，準(zhǔn)確的預(yù)測可以為海洋生態(tài)保護(hù)和災(zāi)害預(yù)防提供預(yù)警信息。

4、傳統(tǒng)的海表溫度預(yù)測方法主要包括統(tǒng)計(jì)模型、動(dòng)力模型和混合模型等。統(tǒng)計(jì)模型依賴歷史數(shù)據(jù)進(jìn)行預(yù)測，但往往缺乏對(duì)物理過程的深入理解。動(dòng)力模型基于物理方程構(gòu)建，能夠模擬復(fù)雜的海洋過程，但計(jì)算成本高且對(duì)初始條件敏感?；旌夏Ｐ徒Y(jié)合了統(tǒng)計(jì)和動(dòng)力模型的優(yōu)點(diǎn)，但模型構(gòu)建和參數(shù)調(diào)整過程復(fù)雜。

5、這些方法在實(shí)際應(yīng)用中面臨著數(shù)據(jù)質(zhì)量不一、預(yù)測精度不足、計(jì)算效率低下等挑戰(zhàn)。隨著海洋觀測技術(shù)的發(fā)展和數(shù)據(jù)科學(xué)的進(jìn)步，迫切需要一種新的預(yù)測方法來克服這些挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明旨在構(gòu)建一種基于遙感大數(shù)據(jù)的海洋生態(tài)環(huán)境要素智能預(yù)報(bào)模型。文針對(duì)海表溫度(sst)這一關(guān)鍵參數(shù)提出了一個(gè)創(chuàng)新的預(yù)測模型。該模型利用了時(shí)序卷積網(wǎng)絡(luò)(tcn)來處理和預(yù)測遙感大數(shù)據(jù)中的海表溫度變化，對(duì)不同海域的海表溫度進(jìn)行預(yù)測，該模型展現(xiàn)了卓越的預(yù)測能力和廣闊的應(yīng)用前景。

2、本發(fā)明首先過引入因果卷積和膨脹卷積并結(jié)合殘差連接，捕捉時(shí)序數(shù)據(jù)長期依賴，保持因果性。經(jīng)過tcn層捕捉序列數(shù)據(jù)中的長期依賴關(guān)系，并保留時(shí)間維度上的信息；接著，卷積雙向門控循環(huán)單元網(wǎng)絡(luò)(cnn-bi-gru)接收tcn處理后的數(shù)據(jù)序列，利用其雙向結(jié)構(gòu)深入解析海溫時(shí)序數(shù)據(jù)的時(shí)序關(guān)系，獲取時(shí)間、經(jīng)緯度和溫度的關(guān)聯(lián)特性；然后，改進(jìn)注意力模塊量化cnn-bi-gru輸出數(shù)據(jù)的特征權(quán)重，進(jìn)一步學(xué)習(xí)測井?dāng)?shù)據(jù)之間的相關(guān)性；最后，將經(jīng)過加權(quán)的特征輸入全連接層進(jìn)行特征降維，輸出預(yù)測的海溫信息，評(píng)估指標(biāo)采用均方根誤差rmse、平均絕對(duì)誤差mae、決定系數(shù)r2、平均絕對(duì)百分比誤差mape。

3、所述tcn神經(jīng)網(wǎng)絡(luò)構(gòu)建包括以下步驟：

4、(1)因果卷積：每個(gè)隱藏層的長度與輸入層的長度相同，并使用零填充以確保后續(xù)層具有相同的長度。對(duì)于上一層t時(shí)刻的值，只依賴于下一層t時(shí)刻及其之前的值，即不考慮未來信息，保證了數(shù)據(jù)被提取特征信息時(shí)的因果時(shí)序性。因果卷積對(duì)時(shí)間的建模長度受限于卷積核的大小，要獲取更深的感受野就需要多層網(wǎng)絡(luò)或更大的卷積核，但網(wǎng)絡(luò)層數(shù)的增加和卷積核的增大容易導(dǎo)致網(wǎng)絡(luò)訓(xùn)練時(shí)間增加；

5、(2)擴(kuò)張卷積：單純的因果卷積還是存在一些問題，比如難以抓取更長時(shí)間點(diǎn)之間的依賴關(guān)系。擴(kuò)張卷積允許卷積時(shí)間點(diǎn)輸入存在間隔采樣，采樣率受參數(shù)dilate控制。比如dilate為2時(shí)表示每2個(gè)點(diǎn)采樣一個(gè)作為輸入。層級(jí)越高，使用的dilate則會(huì)越大。因此，擴(kuò)張卷積可以使得有效窗口得到擴(kuò)大，這樣就可以使用較小的層數(shù)獲得比較大的感受野。

6、對(duì)于一維輸入序列x∈r和濾波器f3，在時(shí)刻的擴(kuò)張卷積運(yùn)算f為

7、

8、其中d是擴(kuò)張因子dilate，k是卷積核大小，t-di表示歷史信息的方向。當(dāng)d＝1時(shí)，即為普通卷積。

9、(3)殘差模塊：為了解決引入膨脹因果卷積帶來的梯度消失或爆炸問題，在tcn的輸出層引入殘差塊，其原理是將模型的輸入x與輸出f(x)融合，這使得網(wǎng)絡(luò)不僅僅學(xué)習(xí)輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的映射關(guān)系，還學(xué)習(xí)輸入數(shù)據(jù)與輸出數(shù)據(jù)之間的殘差，最終得到tcn的輸出y，公式如下：

10、y＝activation(x+f(x))?(2)

11、其中為激活函數(shù)tcn的殘差模塊內(nèi)包括兩層擴(kuò)張卷積和relu函數(shù)，且卷積核的權(quán)重都經(jīng)過了權(quán)重歸一化。輸入數(shù)據(jù)跳過中間卷積操作，經(jīng)過1×1的卷積處理后直接與經(jīng)過中間卷積操作的數(shù)據(jù)相加，其結(jié)果作為本層的輸出。跳層連接直接將下層的特征圖連接到上層，為了防止對(duì)應(yīng)的通道數(shù)不一致，使用1乘1卷積進(jìn)行元素合并來保證兩個(gè)維度大小相同。殘差模塊保證每一層可以高效的學(xué)習(xí)恒等映射之間的關(guān)系，這在層數(shù)較深的網(wǎng)絡(luò)中十分有效。tcn采用1×1卷積核作為恒等映射，以消除可能存在的殘差塊輸入和殘差連接輸出之間寬度的差異。

12、進(jìn)一步的，所述注意力機(jī)制包括以下內(nèi)容：

13、特征注意力機(jī)制被用于tcn網(wǎng)絡(luò)的輸入特征提取過程。特征注意力的結(jié)構(gòu)如圖4所示。鑒于特征注意力位于模型的淺層，且輸入特征數(shù)據(jù)通常集中在一定的數(shù)值范圍內(nèi)，本文通過softmax函數(shù)對(duì)注意力權(quán)重映射到(0,1)區(qū)間，以提升權(quán)重的全面性，并對(duì)所得的各注意力權(quán)重系數(shù)做歸一化處理，得到特征注意力權(quán)重αt＝[α1,t,α2,t,αm,t,....,αm,t]，其中αm,t為第m個(gè)特征的注意力權(quán)重，表示為。

14、

15、?x't＝αt·xt＝[α1,tx1,t,α2,tx2,t,....,αm,txm,t]?(4)

16、隨后將輸入特征向量xt重新計(jì)算為加權(quán)向量x't。式中·表示哈達(dá)瑪積。以第t個(gè)時(shí)間節(jié)點(diǎn)為例，含m個(gè)特征的單時(shí)間步輸入特征向量xt＝[x1,t,x2,t,...,xm,t]。首先，獲取一維卷積輸出的特征向量，然后將特征向量輸入到全連接層，從而獲得各特征的注意力權(quán)重，接著利用注意力權(quán)重和原始特征序列相乘獲得注意力篩選后的特征序列。通過特征注意力考慮輸入特征與輸出標(biāo)簽之間的關(guān)聯(lián)關(guān)系，加強(qiáng)影響預(yù)測的關(guān)鍵因素，弱化了不太相關(guān)的影響因子。

17、進(jìn)一步的，所述評(píng)價(jià)指標(biāo)，具體內(nèi)容如下：

18、評(píng)價(jià)指標(biāo)公式如下其中n為樣本總數(shù)，參數(shù)i表示第i個(gè)樣本。pred為預(yù)測值，ture為實(shí)際值。均方根誤差是均方誤差的算術(shù)平方根，能夠直觀的觀測預(yù)測值與實(shí)際值的離散程度。計(jì)算公式如下：

19、

20、平均絕對(duì)誤差是預(yù)測值和實(shí)際值之差的絕對(duì)值之和。其只衡量了預(yù)測值誤差的平均模長，而不考慮方向：

21、

22、決定系數(shù)r反應(yīng)了因變量的波動(dòng)有多少百分比受自變量的波動(dòng)所影響。值越趨近于1表明模型的擬合效果越好。計(jì)算公式如下：

23、

24、平均絕對(duì)百分比誤差不僅考慮預(yù)測值和真實(shí)值之間的誤差，還考慮該偏差和真實(shí)值之間的比例大小。計(jì)算公式如下：

25、

技術(shù)特征：

1.一種基于tcn神經(jīng)網(wǎng)絡(luò)的海溫預(yù)測方法，其特征在于，所述方法包括：首先過引入因果卷積和膨脹卷積并結(jié)合殘差連接，捕捉時(shí)序數(shù)據(jù)長期依賴，保持因果性。經(jīng)過tcn層捕捉序列數(shù)據(jù)中的長期依賴關(guān)系，并保留時(shí)間維度上的信息；接著，卷積雙向門控循環(huán)單元網(wǎng)絡(luò)(cnn-bi-gru)接收tcn處理后的數(shù)據(jù)序列，利用其雙向結(jié)構(gòu)深入解析海溫時(shí)序數(shù)據(jù)的時(shí)序關(guān)系，獲取時(shí)間、經(jīng)緯度和溫度的關(guān)聯(lián)特性；然后，改進(jìn)注意力模塊量化cnn-bi-gru輸出數(shù)據(jù)的特征權(quán)重，進(jìn)一步學(xué)習(xí)測井?dāng)?shù)據(jù)之間的相關(guān)性；最后，將經(jīng)過加權(quán)的特征輸入全連接層進(jìn)行特征降維，輸出預(yù)測的海溫信息，評(píng)估指標(biāo)采用均方根誤差rmse、平均絕對(duì)誤差mae、決定系數(shù)r2、平均絕對(duì)百分比誤差mape。

2.根據(jù)權(quán)利要求1所述的引入因果卷積和膨脹卷積并結(jié)合殘差連接，其特征在于所述殘差連接模塊：

3.根據(jù)權(quán)利要求1所述的tcn時(shí)間卷積網(wǎng)絡(luò)，其特征在于所述因果卷積、膨脹卷積和無偏移填充：

4.根據(jù)權(quán)利要求1所述的卷積雙向門控循環(huán)單元網(wǎng)絡(luò)(cnn-bi-gru)，其特征在于所述引入cnn-bi-gru結(jié)構(gòu)可從正反兩個(gè)方向來提取局部特征，以提升網(wǎng)絡(luò)的全局性能。

5.根據(jù)權(quán)利要求1所述改進(jìn)注意力模塊，其特征在于通過權(quán)重分配提高模型聚焦于關(guān)鍵信息的能力。

6.根據(jù)權(quán)利要求1所述均方根誤差rmse、平均絕對(duì)誤差mae、決定系數(shù)r2、平均絕對(duì)百分比誤差mape，具體包括：

技術(shù)總結(jié)
隨著海洋生態(tài)環(huán)境保護(hù)和水產(chǎn)養(yǎng)殖規(guī)劃的發(fā)展，針對(duì)其中重要因素海洋表面溫度(SST)的變化及其預(yù)測問題，本發(fā)明提出了一種基于TCN神經(jīng)網(wǎng)絡(luò)的海溫預(yù)測方法。該方法結(jié)合了TCN神經(jīng)網(wǎng)絡(luò)、改進(jìn)注意力模塊和卷積雙向門控循環(huán)單元網(wǎng)絡(luò)(CNN?Bi?GRU)。首先，通過TCN提取SST的局部特征；接著，根據(jù)SST的時(shí)序特性，利用自注意力機(jī)制在網(wǎng)絡(luò)中為不同區(qū)域的溫度變化分配權(quán)重；然后，借助Bi?GRU從前向和后向兩個(gè)方向?qū)斎胄蛄羞M(jìn)行建模。該方法通過利用歷史數(shù)據(jù)的多維度信息來預(yù)測未來的SST值，從而提高了預(yù)測的準(zhǔn)確性。

技術(shù)研發(fā)人員：李慧,賈炳志,王晨曦,宋維佳,董子宇,周偉,胡文彬,董帥帥
受保護(hù)的技術(shù)使用者：江蘇海洋大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/23