一种深度神经网络的平均海表面温度预报方法

1.一种深度神经网络的平均海表面温度预报方法，其特征在于，包括以下步骤：S1：选取卫星观测数据和再分析格点数据用作模型数据样本；S2：插值计算，通过线性插值方法，利用逐日混合层厚度数据、逐日海水表面纬向流速数据、逐日海水108m深处纬向流速数据、逐日海水表面经向流速数据、逐日海水108m深处经向流速数据、逐日海表面温度数据、逐日108m处海水温度数据，计算得到逐日混合层10m下海水流速数据和逐日混合层10m下海水温度数据；S3：数据匹配，为使所述卫星观测数据与所述再分析格点数据匹配，首先选取空间分辨率最低的格网数据的空间信息作为基准格网点，将其余变量数据插值匹配到基准格网点上，然后，卫星观测数据与再分析数据在时间尺度上匹配，最终实现两数据在空间、时间层面上匹配；S4：构建海表面温度预报训练集；其中卫星观测的海表面温度数据以及再分析格点数据用作训练样本特征，再分析数据中的海表面温度数据用作样本标签；S5：搭建融合空间偏导数值求解的深度神经网络平均海表面温度预报模型的多层网络结构，包括以下三部分：第一部分采用3D-CNN卷积层作为数据特征抽取模块，得到特征降维后的特征矩阵数据作为输入；第二部分为卷积神经网络3D-CNN，使用空间卷积层，采用2层空间卷积模块，时序上选择卫星观测数据与再分析数据时空特征融合降维后的矩阵作为输入；第三部分为时空卷积神经网络3D-CNN-ConvLSTM，包括以下：时空卷积LSTM层，采用3层时空卷积LSTM模块，时序上选择卫星观测数据与再分析数据时空特征融合降维后的矩阵作为输入；物理信息偏微分方程融合层，将混合层温度热收支方程中的偏微分项带入到网络中求解，得到的偏微分项与要素变量进行计算，结合传统求解中差分计算的方法，得到后一时刻预报输出；多步预报层，基于Runge-Kutta方法，对i时刻的预报输出与i+1时刻的预报输出计算平均斜率，得到的平均斜率继续对i+2时刻的预报输出计算平均斜率，由此递推，得到多步预报的结果；其中，海表面温度计算公式为：其中 表示日均海表面温度， 代表纬度的地理信息， 代表经度的地理信息， 代表海表面纬向流速， 代表海水的经向流速， 代表混合层厚度， 代表海水密度，取为1025 ， 代表海水比热，为4000 ，R代表偏置项， 代表海面净热通量， 为海表面吸收的净太阳短波辐射通量， 为海表面吸收的净太阳长波辐射通量， 为潜热通量， 为感热通量，均以海洋吸收热量方向为正； 代表混合层10m下海水温度， 为混合层10m下海水流速，二者均由插值法计算求得， 为海水深度；T 0.5 为混合层0.5m下海水温度，v 0.5 为混合层0.5m下海水流速，T i 为混合层i 米下海水温度， 为温度随时间变化得趋势项，基于此项，同时基于Runge-Kutta方法，实现温度的多步预报；基于Runge-Kutta方法并结合传统求解中差分的方法，将7天前的卫星观测数据和方程所需的其余11个变量对应的再分析数据作为时序数据输入；分别与第7+i天的真实数据做损失计算，得到第i天的预报模型，其数学过程表示如下：设： ，令： 可得： 其中： 为区间 )上的平均斜率取： 得： 其中， 和 分别为当前时刻的输入和未来的预测值， 为微分趋势项， 为对输入数据的代数计算， 为神经网络表达的输入变量之间的微分关系， 为当前值对预测值的权重系数，取为0.1， 为前值对预测值的权重系数，取为0.9；结合神经网络求解的偏微分项，由此，得到第m天的海表面温度数据。 2.根据权利要求1所述的深度神经网络的平均海表面温度预报方法，其特征在于，所述卫星观测数据和再分析格点数据包括逐日向下太阳短波辐射数据、逐日向上太阳短波辐射数据、逐日向下太阳长波辐射数据、逐日向上太阳长波辐射数据、逐日感热通量数据、逐日潜热通量数据、逐日海水表面纬向流速数据、逐日海水表面经向流速数据、逐日混合层厚度数据、逐日海表面温度数据、逐日混合层10m下温度数据以及逐日混合层10m下流速数据。 3.根据权利要求2所述的深度神经网络的平均海表面温度预报方法，其特征在于，所述构建海表面温度预报训练集包括由卫星观测数据和再分析格点数据中的12个环境变量要素时空匹配组成的数据集，此外，将时间上连续的12个变量7日环境变量要素作为训练集的时序特征，并构建SST的经纬度数据信息并添加到训练集用作时序特征，最终分别得到两个空间、时间连续的图像形式的数据，包括逐日向下太阳短波辐射数据、逐日向上太阳短波辐射数据、逐日向下太阳长波辐射数据、逐日向上太阳长波辐射数据、逐日感热通量数据、逐日潜热通量数据、逐日海水纬向流速数据、逐日海水经向流速数据、逐日混合层厚度、逐日混合层10m下海水流速数据和逐日混合层10m下海水温度数据；3D-CNN采用 大小的卷积核进行要素特征提取降维融合，时空卷积LSTM中采用 大小的卷积核进行空间特征提取，而3层时空卷积LSTM各层神经元数目分别为64、64、64；3层空间卷积CNN各层神经元数目分别为16，32，64。 4.根据权利要求1所述的深度神经网络的平均海表面温度预报方法，其特征在于，通过3D-CNN层的特征提取过程，得到了特征融合数据，通过层与层之间的传播过程，结合门控机制自适应得更新上层记忆信息，有选择的记忆传递信息，避免梯度爆炸的同时，把握全局的时空信息；通过输入门、遗忘门、记忆门的工作机制，结合卷积过程的空间信息提取，完成预报过程中偏微分项计算的任务，记忆更新输出过程的数学表示如下：其中， 为输入数据，p，q，r分别为3个维度卷积核的大小， 为当前时刻输入门对 的权重， 为当前时刻输入门对 的权重， 为上一时刻的隐藏状态， 为当前时刻输入门对 的权重， 为上一时刻的单元状态更新值， 为输入门的偏置信息， 为遗忘门的偏置信息， 为当前时刻遗忘门对 的权重， 为当前时刻遗忘门对 的权重， 为当前时刻遗忘门对 的权重， 为当前时刻记忆门对 的权重， 为当前时刻记忆门对 的权重， 为记忆门的偏置信息， 为当前时刻输出门对 的权重， 为当前时刻输出门对 的权重， 为输出门的偏置信息， 为遗忘门， 为， 为输入门， 为记忆门， 为由输出门和单元状态得到的值， 为对 的3D卷积操作， 为输出门， 为单元状态。 5.根据权利要求1所述的深度神经网络的平均海表面温度预报方法，其特征在于，构建自变量和因变量之间的计算图，利用神经网络的自动微分功能，实现对目标函数的微分求解；将物理方程迭代前后的差值引入神经网络的损失函数中；基于损失函数最小的方式，利用神经网络的反向传播机制，对微分结果进行迭代优化，最终使得神经网络得到满足设定的物理规律的预报结果。 6.根据权利要求5所述的深度神经网络的平均海表面温度预报方法，其特征在于，3D卷积的过程使用的特征选择方式为包装法中不带启发式的后向搜索算法。