一种区域海洋底温热红外遥感监测预报模型的建立方法与流程

[0001]
本发明涉及一种模型搭建方法，具体是一种区域海洋底温热红外遥感监测预报模型的建立方法。


背景技术：

[0002]
目前，海洋环境遥感监测目前依然停留在海洋表面区域环境的监测，如赤潮、溢油、海洋表面温度等。
[0003]
海底复杂的生态环境及瞬息万变的温度变化，给海底温度监测工作带来了巨大的困难。为测量海底点位温度一般会在海底放置温度浮标进行数据采集或进行原位探测，但海底温度浮标对设备及潜水员的要求较高，对于大面积的海底温度监测实施难度较大。
[0004]
遥感卫星飞行高度高，为大面积海洋环境监测提供了技术保障，但由于卫星传感器探测能力的局限性，被动遥感探测方式只能获取到地表或海表信息，导致海底温度监测难以开展，无法快速、便捷、高精度的探测海底温度。


技术实现要素：

[0005]
基于上述背景技术中所提到的现有技术中的不足之处，为此本发明提供了一种区域海洋底温热红外遥感监测预报模型的建立方法。
[0006]
本发明通过采用如下技术方案克服以上技术问题，具体为：
[0007]
一种区域海洋底温热红外遥感监测预报模型的建立方法，包括如下步骤：
[0008]
步骤一，数据采集，选定海洋研究区域并采集研究区域四个季度的实测海底温度点位数据，在相同时间内获取海洋表面温度网格日常数据；对日常数据求平均值后，将平均值作为实测海底温度点位对应其表面探测温度，根据实测海底温度点位表面探测温度绘制温度影像，对温度影像进行预处理，完成netcdf(网络通用数据格式)数据格式转换；
[0009]
步骤二，对收集到的历年四季海洋表面温度和其对应位置海底实测温度数据进行数据清洗，剔除掉异常数据，形成正常可用的数据集数据，并利用python的openpyxl库来提取外部文件中的数据集信息；把数据集按照3：1随机分为训练集和测试集两部分获得期望数据；
[0010]
搭建bp神经网络模型并对模型进行调参，重复训练，反复对模型进行架构调整；架构调整为模型含有3层hidden layer、1层input layer和1层output layer的bp神经网络结构模型；
[0011]
步骤三，将研究区历史影像数据投入步骤二中搭建的模型中，监测区域未来某年海底温度变化。
[0012]
作为本发明进一步的方案：所述步骤一中，netcdf数据格式转换为可读的摄氏温度，包括如下流程：
[0013]
s1，将nc数据格式中的fsds变量导入为raster；
[0014]
s2，对数据可视化检查；
[0015]
s3，将结果写入geotiff，由geotiff中分出var1-geotiff文件、var2-geotiff文件、以及var3-geotiff文件。
[0016]
作为本发明再进一步的方案：所述步骤二中，数据集按照3：1随机分为训练集和测试集两部分按照以下顺序：
[0017]
s1，获得测试集的容量大小，具体是采用如下公式：
[0018][0019]
其中，lenth(x)为数据集中的input数组的容量大小；
[0020]
s2，获得随机数，利用random库的sample函数从lenth(x)的范围内获得cut个不重复随机下标引脚；
[0021]
s3，形成测试集，遍历数据集数组，把对应的下标引脚的数据复制一份集合成测试集；
[0022]
s4，形成训练集，对获得的cut个随机数进行降序排序，对数据集数组从高位下标引脚开始删除对应的随机数引脚的数据，余下的数据集为训练集数据。
[0023]
作为本发明再进一步的方案：bp神经网络模型的搭建由海底点位经度、纬度、海底温度t同时作为输入数据的三个维度，结合keras框架对年度实测春、夏、秋、冬的数据建立模型。
[0024]
作为本发明再进一步的方案：所述bp神经网络结构模型中每层hidden layer含有128个神经元、input layer含有3个神经元、output layer含有1个神经元；所述模型的非线性激活函数是relu函数。
[0025]
作为本发明再进一步的方案：所述步骤二中，对搭建的模型采用he初始化方法对参数权值初始化，参数由均值为0，标准差为的正态分布产生，其中，fan_in是权值张量中的输入单位的数量。
[0026]
作为本发明再进一步的方案：所述步骤二中，搭建的模型采用adam优化器对参数迭代更新，生成学习率；损失函数使用的是平均绝对误差此外，模型的评估标准为预测温度和实际温度不超过0.5℃；
[0027]
将模型通过dropout正则化方法处理并反向传播训练。
[0028]
采用以上方法后，本发明相较于现有技术，具备以下优点：通过本发明的方法可建立四季海洋底温热红外遥感监测预报模型，搭建海洋表面温度及海底温度ai智能预报模型；适用于大面积海底温度监测，同时利用遥感探测技术获取到地表或海表信息，借助本发明提供的模型对海底温度监测，具有快速、便捷、高精度的探测优点，无需人工投放浮标，大大降低了探测难度，为海底温度监测带来了巨大的便利。
附图说明
[0029]
图1为区域海洋底温热红外遥感监测预报模型的建立方法中netcdf数据格式转换的流程图。
[0030]
图2为区域海洋底温热红外遥感监测预报模型的建立方法中的神经网络结构图。
[0031]
图3为区域海洋底温热红外遥感监测预报模型的建立方法中relu函数的曲线图。
具体实施方式
[0032]
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。但是，本发明可以以多种不同的形式来实现，并不限于本文所描述的实施方式。相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。
[0033]
请参阅图1～3，本发明实施例中，一种区域海洋底温热红外遥感监测预报模型的建立方法，包括如下步骤：
[0034]
步骤一，数据采集，选定海洋研究区域并采集研究区域四个季度的实测海底温度点位数据，在相同时间内获取海洋表面温度网格日常数据；对日常数据求平均值后，将平均值作为实测海底温度点位对应其表面探测温度，根据实测海底温度点位表面探测温度绘制温度影像，对温度影像进行预处理，完成netcdf(网络通用数据格式)数据格式转换；
[0035]
步骤二，对收集到的历年四季海洋表面温度和其对应位置海底实测温度数据进行数据清洗，剔除掉异常数据，形成正常可用的数据集数据，并利用python的openpyxl库来提取外部文件中的数据集信息；把数据集按照3：1随机分为训练集和测试集两部分获得期望数据；
[0036]
搭建bp神经网络模型并对模型进行调参，重复训练，反复对模型进行架构调整；架构调整为模型含有3层hidden layer、1层input layer和1层output layer的bp神经网络结构模型；
[0037]
步骤三，将研究区历史影像数据投入步骤二中搭建的模型中，监测区域未来某年海底温度变化。
[0038]
本发明的关键点为建立四季海洋底温热红外遥感监测预报模型，建立海洋表面温度及海底温度ai智能预报模型；适用于大面积海底温度监测，同时利用遥感探测技术获取到地表或海表信息，借助本发明提供的模型对海底温度监测，具有快速、便捷、高精度的探测优点，无需人工投放浮标，大大降低了探测难度，为海底温度监测带来了巨大的便利。
[0039]
在本发明的一个实施例中，所述步骤一中，netcdf数据格式转换为可读的摄氏温度，包括如下流程：
[0040]
s1，将nc数据格式中的fsds变量导入为raster；
[0041]
s2，对数据可视化检查；
[0042]
s3，将结果写入geotiff，由geotiff中分出var1-geotiff文件、var2-geotiff文件、以及var3-geotiff文件；
[0043]
所述netcdf数据格式转换公式为：
[0044]
t1＝t
×
0.01+273.15；
[0045]
其中，t1为表面探测温度值℃，t为geotiff原始栅格数据值；
[0046]
利用netcdf数据格式转换流程将采集到的研究区域的点位温度数据转换为通用的摄氏温度格式，保持数据所采用的单位相同，以便于运算以及比较。
[0047]
在本发明的另一个实施例中，所述步骤二中，数据集按照3：1随机分为训练集和测试集两部分按照以下顺序：
[0048]
s1，获得测试集的容量大小，具体是采用如下公式：
[0049][0050]
其中，lenth(x)为数据集中的input数组的容量大小；
[0051]
s2，获得随机数，利用random库的sample函数从lenth(x)的范围内获得cut个不重复随机下标引脚；
[0052]
s3，形成测试集，遍历数据集数组，把对应的下标引脚的数据复制一份集合成测试集；
[0053]
s4，形成训练集，对获得的cut个随机数进行降序排序，对数据集数组从高位下标引脚开始删除对应的随机数引脚的数据，余下的数据集为训练集数据。
[0054]
在本发明的又一个实施例中，所述步骤二中，bp神经网络模型的搭建由海底点位经度、纬度、海底温度t同时作为输入数据的三个维度，结合keras框架对年度实测春、夏、秋、冬的数据建立模型。
[0055]
在本发明的又一个实施例中，所述bp神经网络结构模型中每层hidden layer含有128个神经元、input layer含有3个神经元、output layer含有1个神经元；所述模型的非线性激活函数是relu函数，函数表达式如下：
[0056]
f(x)＝max(0,1)；
[0057]
其中，表达式中的输入值x为来自上一层神经网络的输入向量x；relu函数的图像请参照图3；
[0058]
在本发明的又一个实施例中，所述步骤二中，对搭建的模型采用he初始化方法对参数权值初始化，参数由均值为0，标准差为的正态分布产生，其中，fan_in是权值张量中的输入单位的数量；
[0059]
模型采用he初始化方法对参数权值初始化，he初始化也叫kaiming初始化，是残差网络中提出的关于relu网络的初始化方法，解决了xavier初始化方法不适用relu激活函数的问题。
[0060]
在本发明的又一个实施例中，所述步骤二中，搭建的模型采用adam优化器对参数迭代更新，生成学习率；
[0061]
参数的迭代更新公式如下：
[0062][0063]
其中，t代表次数，为m
t
的纠正，为v
t
的纠正；另外，式中：
[0064][0065][0066]
其中，β1和β2是常数，控制指数衰减，m
t
是梯度的指数移动均值，通过梯度的一阶矩
求得，v
t
是平方梯度，通过梯度的二阶矩求得；
[0067]
m
t
和v
t
的更新如下：
[0068]
m
t
＝β1×
m
t-1
+(1-β1)
×
g
t
[0069][0070]
式中，g
t
为一阶导数，以上所有参数的默认设置为：α＝0.001，β1＝0.9，β2＝0.999，ε＝10-8
；
[0071]
损失函数使用的是平均绝对误差此外，模型的评估标准为预测温度和实际温度不超过0.5℃即为预测成功，反之失败；
[0072]
将模型通过dropout正则化方法处理，防止过拟合；经反向传播训练，使模型的精准率在验证集上达到90％以上；
[0073]
学习率方面，没有简单的选取一个固定的学习率作为模型参数，而是采用的adam优化器，以达到在参数的迭代更新的同时自动的生成合适的学习率，以达到较快较准确的让模型拟合。
[0074]
以上仅就本发明的最佳实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅限于以上实施例，其具体结构允许有变化。但凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
[0075]
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。