[发明专利]波高数值预报模型结果修正方法

说明书

本发明提供一种波高数值预报模型结果修正方法，通过波高预报值序列和波高实测值序列构建波高数据集，构建LSTM神经元网络，基于数据集数据，计算LSTM神经元网络输出，并基于LSTM神经元网络输出构建似然函数；基于似然函数及波高实测值数据，构建自回归循环网络模型并对深度自回归循环网络模型进行训练，修正模型参数，将修正后的自回归循环网络模型作为波高数值预报结果修正模型；最终基于自回归循环网络修正波高预报值数据。该方法人工参与度低，对海洋动力学影响因素的依赖度低，能够在复杂多变的海洋环境下减小海浪波高数值模型预报结果和真实观测结果之间的误差，提高海浪波高预报结果的准确性。

技术领域

本发明涉及海洋预报技术领域，具体涉及一种波高数值预报模型结果修正方法。

背景技术

由风暴潮、海啸等海上自然灾害引起的灾害性海浪对海上及沿海地区的安全威胁极大。对海浪的有效波高进行准确的预报能够使有关部门及时采取防范措施，进而保障沿岸居民的生命与财产安全。因此，准确的海浪高度预报对渔业生产、海洋航运和海岸工程等具有重要的意义。

海浪是一种复杂的随机现象，目前常用的预测方法是基于波浪产生、产生和耗散的数值模型。该方法利用历史时刻的海浪波高数据通过数值模型预测未来时刻的波高。但这种方法受到固定的海洋动力学方程的约束，在复杂多变的海洋环境下难以进行准确的预测。往往需要专业人员根据经验对数值模型预测数据进行修正，需要消耗大量的时间和精力。

发明内容

本发明的目的在于解决以上技术问题，提供一种基于深度学习方法的波高数值预报模型结果修正方法，以获取更准确的波高预报数据。

为了实现上述目的，本发明一些实施例中，提供如下技术方案：

一种波高数值预报模型结果修正方法，包括：

S1：构建波高数据集：基于I个波高实测值序列Y_i,1∶T及I个波高预报值序列X_i,1∶T建立波高数据集；所述波高实测值序列被表示为：Y_i,1∶T＝[y_i,1,y_i,2,…y_i,T]；所述波高预报值序列被表示为：X_i,1∶T＝[x_i,1,xi,2,…x_i,T]；其中，y_i,t表示为在第i个海浪波高实测值序列中第t时刻的波高实际实测值，x_i,t表示为在第i个海浪波高数值预报值序列中第t时刻的波高预报结果值；t∈(1,T)，i∈(1,I)；

S2：构建LSTM神经元网络，基于数据集数据，计算LSTM神经元网络输出，并基于LSTM神经元网络输出h_i,t构建似然函数基于似然函数及波高实测值数据，构建自回归循环网络模型并对深度自回归循环网络模型进行训练，作为波高数值预报结果修正模型

S3：基于自回归循环网络修正波高预报值数据。

在本发明一些实施例中，LSTM神经元网络包括输入门控单元、遗忘门控单元和输出门控单元；计算神经元网络输出的方法包括：

输入门函数s_i,t为：

s_i,t＝sigmod(W_s*[h_i,t-1,x_i,t,y_i,t-1]+b_s)；

其中,W_s表示输入门的权重，b_s表示输入门的偏置，sigmod是平滑的阶梯函数：

其中，e表示自然常数，a＝W_s*[h_i,t-1,x_i,t,y_i,t-1]+b_s；