本發(fā)明屬于深度學習和海洋預報交叉領(lǐng)域，尤其涉及一種考慮海洋垂向結(jié)構(gòu)特征的三維水動力環(huán)境預報系統(tǒng)。

背景技術(shù)：

1、目前，海洋三維水動力環(huán)境預報任務(wù)主要依賴海洋數(shù)值模式實現(xiàn)，海洋數(shù)值模式是一種基于物理方程和數(shù)值分析的海洋物理過程模擬方法。但海洋是一個極其復雜的混沌系統(tǒng)，人類對其的理解程度不足以構(gòu)建一個高預報精度的海洋數(shù)值模式。隨著海洋數(shù)據(jù)的積累和深度學習的發(fā)展，深度學習方法逐漸被應(yīng)用到海洋三維水動力環(huán)境預報任務(wù)。

2、深度學習方法是一種基于數(shù)理統(tǒng)計和優(yōu)化論的經(jīng)驗?zāi)Ｐ停摲椒ㄋ鶚?gòu)建的海洋預報模型相較于海洋數(shù)值模式，雖然其物理可解釋性較低，但是所需的計算資源較少、預報速度較快以及預報精度往往更優(yōu)。現(xiàn)有的基于深度學習的海洋三維水動力環(huán)境預報模型較少，預報要素單一，且未考慮不同變量和不同水層之間的耦合規(guī)律，這會導致信息的浪費，從而限制模型的預報性能。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有的基于深度學習的海洋三維水動力環(huán)境預報模型未考慮不同變量和不同水層之間的耦合規(guī)律導致的信息浪費問題，本發(fā)明提出一種考慮海洋垂向結(jié)構(gòu)特征的海洋三維水動力環(huán)境智能預報系統(tǒng)，該預報系統(tǒng)能夠有效融合構(gòu)建不同變量和不同水層的耦合聯(lián)系，從而提高海洋三維水動力環(huán)境預報的精度。

2、為解決上述技術(shù)問題，本發(fā)明提供了一種考慮海洋垂向結(jié)構(gòu)特征的三維水動力環(huán)境預報系統(tǒng)，包括：

3、數(shù)據(jù)獲取裝置，用于獲取待測海洋區(qū)域的三維水動力環(huán)境數(shù)據(jù)；

4、數(shù)據(jù)存儲與管理裝置，與所述數(shù)據(jù)獲取裝置連接，用于對所述三維水動力環(huán)境數(shù)據(jù)進行持久化存儲、分割、統(tǒng)計和管理；

5、數(shù)據(jù)加載裝置，與所述數(shù)據(jù)存儲與管理裝置連接，用于根據(jù)預報任務(wù)設(shè)定加載參數(shù)，并將所述三維水動力環(huán)境數(shù)據(jù)按照所述加載參數(shù)處理為高維矩陣數(shù)據(jù)；

6、模型訓練裝置，與所述數(shù)據(jù)加載裝置連接，用于基于所述高維矩陣數(shù)據(jù)訓練深度學習模型，得到預報模型；

7、預報裝置，與所述模型訓練裝置連接，用于基于所述預報模型和實時獲取的數(shù)據(jù)生成海洋三維水動力環(huán)境預報結(jié)果；

8、可視化裝置，與所述預報裝置連接，用于將所述預報結(jié)果進行圖形化展示。

9、優(yōu)選地，所述數(shù)據(jù)獲取裝置包括：

10、數(shù)據(jù)下載模塊，用于按照預設(shè)參數(shù)自動下載待測海洋區(qū)域的三維變量數(shù)據(jù)；其中，所述預設(shè)參數(shù)包括變量列表、經(jīng)緯度范圍、深度范圍、時間范圍和數(shù)據(jù)格式。

11、優(yōu)選地，所述數(shù)據(jù)存儲與管理裝置包括：

12、數(shù)據(jù)庫模塊，用于接收并存儲下載的三維變量數(shù)據(jù)；

13、分割模塊，用于將所述三維變量數(shù)據(jù)分割為單時間步的二維空間場數(shù)據(jù)；

14、統(tǒng)計模塊，用于計算所述二維空間場數(shù)據(jù)的均值和標準差；

15、管理模塊，用于對所述二維空間場數(shù)據(jù)進行完整性檢驗、切片訪問、查詢和刪除操作。

16、優(yōu)選地，所述數(shù)據(jù)加載裝置包括：

17、參數(shù)設(shè)定模塊，用于設(shè)定預報提前量、特征變量、標簽變量以及對應(yīng)的水層列表；

18、維度堆疊模塊，用于根據(jù)所述加載參數(shù)，將二維空間場數(shù)據(jù)堆疊為高維矩陣數(shù)據(jù)；

19、統(tǒng)計信息加載模塊，用于從數(shù)據(jù)庫模塊加載所述高維矩陣數(shù)據(jù)對應(yīng)的均值和標準差；

20、歸一化模塊，用于基于所述均值和標準差對所述高維矩陣數(shù)據(jù)進行z-score歸一化處理；

21、數(shù)據(jù)集劃分模塊，用于將歸一化處理后的高維矩陣數(shù)據(jù)劃分為訓練集和測試集。

22、優(yōu)選地，所述模型訓練裝置包括：

23、模型構(gòu)建模塊，用于基于simvp深度學習模型架構(gòu)構(gòu)建初始預報模型；其中，所述初始預報模型包括編碼器、轉(zhuǎn)換器和解碼器；

24、訓練執(zhí)行模塊，用于利用訓練集對所述初始預報模型進行訓練，得到所述預報模型；其中，訓練過程中采用mse損失函數(shù)和adam優(yōu)化器進行優(yōu)化。

25、優(yōu)選地，所述編碼器包括ns個隱藏層卷積核數(shù)量為hid_s的convnormrelu塊，用于對輸入的高維矩陣數(shù)據(jù)進行下采樣和特征提取；

26、所述轉(zhuǎn)換器包括nt個隱藏層卷積核數(shù)量為hid_t的inception并行卷積模塊，用于學習不同水層和不同變量之間的非線性耦合規(guī)律；

27、所述解碼器包括ns個隱藏層卷積核數(shù)量為hid_s的unconvnormrelu塊，用于對特征圖進行上采樣以重構(gòu)目標幀序列。

28、優(yōu)選地，所述系統(tǒng)還包括性能測試裝置，所述性能測試裝置與所述模型訓練裝置連接，用于基于測試集對所述預報模型進行性能測試，其中采用rmse和pcc指標評估預報模型的預測性能。

29、優(yōu)選地，所述性能測試裝置包括：

30、rmse計算模塊，用于計算預測結(jié)果與真實值之間的均方根誤差；

31、pcc計算模塊，用于計算預測結(jié)果與真實值之間的皮爾遜相關(guān)系數(shù)。

32、優(yōu)選地，所述預報裝置包括：

33、實時數(shù)據(jù)獲取模塊，用于實時獲取最新的待測海洋區(qū)域三維水動力環(huán)境數(shù)據(jù)；

34、實時預報模塊，用于將所述最新的待測海洋區(qū)域三維水動力環(huán)境數(shù)據(jù)輸入所述預報模型，實時生成海洋三維水動力環(huán)境預報結(jié)果。

35、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點和技術(shù)效果：

36、本發(fā)明通過數(shù)據(jù)獲取裝置自動下載并獲取海洋區(qū)域三維水動力環(huán)境數(shù)據(jù)，顯著提高了數(shù)據(jù)獲取效率，減少了人工干預，確保了數(shù)據(jù)的完整性和時效性。

37、本發(fā)明通過數(shù)據(jù)存儲與管理裝置對獲取的三維水動力環(huán)境數(shù)據(jù)進行持久化存儲、分割、統(tǒng)計和管理，實現(xiàn)了數(shù)據(jù)的高效存儲和快速檢索，顯著提升了數(shù)據(jù)管理效率和數(shù)據(jù)質(zhì)量。

38、本發(fā)明通過數(shù)據(jù)加載裝置根據(jù)預報任務(wù)設(shè)定加載參數(shù)，并將數(shù)據(jù)高效處理為高維矩陣數(shù)據(jù)，實現(xiàn)了數(shù)據(jù)的快速加載和內(nèi)存優(yōu)化，顯著提高了數(shù)據(jù)處理效率。

39、本發(fā)明通過模型訓練裝置基于高維矩陣數(shù)據(jù)訓練深度學習模型，有效捕捉不同水層和不同變量之間的非線性耦合規(guī)律，顯著提高了模型的預報精度和泛化能力。

40、本發(fā)明通過采用simvp深度學習模型架構(gòu)構(gòu)建預報模型，顯著提升了模型對復雜海洋環(huán)境的建模能力，有效降低了模型的計算復雜度和訓練時間。

41、本發(fā)明通過編碼器、轉(zhuǎn)換器和解碼器的協(xié)同作用，實現(xiàn)了對輸入數(shù)據(jù)的有效特征提取、非線性耦合規(guī)律學習和目標幀序列重構(gòu)，顯著提高了模型的預報準確性。

42、本發(fā)明通過采用mse損失函數(shù)和adam優(yōu)化器進行模型訓練，并引入動態(tài)學習率衰減策略，顯著加快了模型收斂速度，有效避免了訓練過程中的震蕩和過擬合問題。

43、本發(fā)明通過性能測試裝置基于rmse和pcc指標對預報模型進行性能評估，實現(xiàn)了對模型預報精度的量化評估，顯著提高了模型性能的可解釋性和可靠性。

44、本發(fā)明通過實時數(shù)據(jù)獲取模塊和實時預報模塊，實現(xiàn)了對海洋區(qū)域三維水動力環(huán)境的實時高精度預報，顯著提高了預報的時效性和實用性。

45、本發(fā)明通過可視化裝置將預報結(jié)果以圖形化方式直觀展示給用戶，顯著提高了預報結(jié)果的可讀性和用戶體驗，便于用戶快速理解和應(yīng)用預報信息。

46、本發(fā)明針對海洋三維水動力環(huán)境預報任務(wù)的預報變量除海水溫度外，還包括緯向海水溫度、經(jīng)向海水溫度、海水鹽度，提高了預報變量的豐度。因此，本發(fā)明所構(gòu)建的海洋三維水動力環(huán)境預報系統(tǒng)能夠為我國海洋發(fā)展提供數(shù)據(jù)支撐。