本技术属于海浪波高预测技术领域,公开了基于全局和局部信息融合的海浪波高智能预测方法及系统,该方法首先以海表面径向风场数据和纬向风场数据作为输入,对全球区域进行空间特征提取与融合,得到径向风场融合特征和纬向风场融合特征;然后得到的径向风场融合特征和纬向风场融合特征分别分成不同的子海洋波高预测场,然后对所有的子海洋波高预测场进行特征聚合,得到聚合特征;最后将聚合特征作为输入,进行局部海域精细化海浪波高预测,得到全球区域预测结果。通过本发明提高了波高预测精度,解决了传统方法预测精度不够的问题。
背景技术
局部海域精细化海浪波高预测对于保护近岸地区安全具有重要意义,准确的海浪波高预测能够帮助人们及时了解海况,做好防范措施,降低灾害风险,确保海上活动的安全。考虑到专业设备的高昂费用和空间上的稀疏性,传统的现场测量方法在部分空间无法实现精细化预测导致数据缺失,因此先进的海浪波高预测方法是设计基于数据驱动的神经网络模型对波高进行预测。
比如现有方法采用基于矩阵到矩阵映射方式的多变量3层LSTM架构,建立风分量和有效波高场之间的潜在时空关系,为了减少计算开销,采用了并行建模策略,将预测域灵活地划分为有限个窗口,并作为子模型独立训练。由于海浪波高的变化主要受到风场的影响,该方法将多个过去时刻的风场数据作为输入,利用长短期记忆网络提取物理场的时空特征,并经过全连接神经网络对输出特征进行矩阵变换,最终实现海浪波高的预测,解决了传统方法部分空间无法预测的问题。
但是,这种方法存在以下问题:(1)风场对海浪波高的变化起到了极其重要的作用,而局部风场信息是引起波高极端变化的关键。现有方法通过将风场数据矩阵进行维度变化实现全局空间特征抽取,没有考虑到局部风场信息对海浪波高的影响以及局部-全局信息融合,因此无法实现波高极端变化的精准预测。(2)由于全球海域面积过大和区域差异性强,使用单个模型对全球海浪波高进行预测效果较差,现有模型将全球海域切分成多个局部海域分别建模实现精细化预测。但由于切分后的局部海域中边界部分丢失了部分周围空间信息,导致整体的模型预测精度下降。
实现思路