技术特征：
1.基于空间特征差异的海流预测方法，其特征在于，包括：确定研究区域和研究时间；获取待预测海域的在一段时间内的表现因子和影响因子；其中，所述表现因子包括实测流场数据；所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据；根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区；根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型；整合各个分区的流场模型，建立全区域流场模型，以确定全区域流场对影响因子的非线性响应；根据所述全区域流场模型获取预测流场数据，所述预测流场数据包括风场数据、潮流数据和水深数据。2.根据权利要求1所述的基于空间特征差异的海流预测方法，其特征在于，所述方法还包括：根据所述表现因子和所述影响因子，对所述表现因子和所述影响因子的时空变化规律进行可视化操作，绘制得到实测流场数据的流场矢量变化图、影响因子的潮汐相位变化图、风场矢量图、地形高程图和水深等值线图。3.根据权利要求1所述的基于空间特征差异的海流预测方法，其特征在于，所述根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区，包括：根据潮流数据建立待预测海域的非线性潮汐运动模型；根据所述非线性潮汐运动模型，确定潮流与待预测海域的流场之间的相关性；根据风场数据建立待预测海域的风场模型；根据所述风场模型，确定风场数据与所述待预测海域的流场之间的相关性；根据水深数据，利用线性插值确定所述待预测海域的地形高程数据；根据所述地形高程数据，确定地形与所述待预测海域的流场之间的相关性；在空间上逐层划分所述待预测海域，并确定划分得到的各个分区的影响因子与海流之间的相关性参数值。4.根据权利要求3所述的基于空间特征差异的海流预测方法，其特征在于，所述在空间上逐层划分所述待预测海域，并确定划分得到的各个分区的影响因子与海流之间的相关性参数值，包括：根据所述潮流与待预测海域的流场之间的相关性，以相关性中位数为判断值，将海域中相关性大于或等于所述判断值的海域归为第一区域，小于所述判断值的海域归为第二区域；根据所述风场数据与所述待预测海域的流场之间的相关性，以相关性中位数为判断值；将所述第一区域中相关性大于或等于所述判断值的海域归于第三区域，小于所述判断值的海域归于第四区域；将所述第二区域中相关性大于或等于所述判断值的海域归于第五区域，小于所述判断值的海域归于第六区域；
根据所述地形与所述待预测海域的流场之间的相关性，以相关性中位数为判断值；将所述第三区域中相关性大于或等于所述判断值的海域归于第七区域，小于所述判断值的海域归于第八区域；将所述第四区域中相关性大于或等于所述判断值的海域归于第九区域，小于所述判断值的海域归于第十区域；将所述第五区域中相关性大于或等于所述判断值的海域归于第十一区域，小于所述判断值的海域归于第十二区域；将所述第五区域中相关性大于或等于所述判断值的海域归于第十三区域，小于所述判断值的海域归于第十四区域；将所述第七区域、所述第八区域、所述第九区域、所述第十区域、所述第十一区域、所述第十二区域、所述第十三区域以及所述第十四区域确定为划分得到的各个分区。5.根据权利要求4所述的基于空间特征差异的海流预测方法，其特征在于，所述根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型，包括：向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用卷积神经网络机器学习模型、lstm预测模型或者bp神经网络预测模型进行学习处理，得到所述卷积神经网络机器学习模型、lstm预测模型或者bp神经网络预测模型的预测结果。6.根据权利要求5所述的基于空间特征差异的海流预测方法，其特征在于，所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用卷积神经网络机器学习模型进行学习处理，得到卷积神经网络机器学习模型的预测结果，包括：向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据，作为训练数据；对所述训练数据进行butterworth二阶滤波去噪处理；对去噪处理后的数据进行初始网格化处理；配置卷积神经网络模型的初始迭代次数；计算网格输出值误差；判断所述网格输出值误差是否满足误差要求，若是，则确定所述卷积神经网络的参数，并根据输入的训练时段的流场数据、风场数据、潮流数据、水深数据，输出海表流场的预测结果；反之，则计算误差梯度中激活函数的分数阶导数，并根据所述分数阶导数计算误差梯度，然后通过所述误差梯度对网络权重进行调整，并重新计算网格输出值误差，直至所述网格输出值误差满足误差要求。7.根据权利要求5所述的基于空间特征差异的海流预测方法，其特征在于，所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用lstm预测模型进行学习处理，得到lstm预测模型的预测结果，包括：向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据，作为训练数据；对所述训练数据进行butterworth二阶滤波去噪处理；对去噪处理后的数据进行归一化处理；根据归一化处理后的数据训练lstm预测模型；
对所述lstm预测模型的参数进行调整后，对所述lstm预测模型进行诊断性测试，直至所述诊断性测试结果收敛后得到最终lstm预测模型；根据输入至所述最终lstm预测模型的训练时段的流场数据、风场数据、潮流数据、水深数据，输出海表流场的预测结果。8.根据权利要求5所述的基于空间特征差异的海流预测方法，其特征在于，所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用bp神经网络预测模型进行学习处理，得到bp神经网络预测模型的预测结果，包括：向所述卷积神经网络机器学习模型中输入训练时段的流场数据、风场数据、潮流数据、水深数据，作为训练数据；对所述训练数据进行butterworth二阶滤波去噪处理；确定所述bp神经网络预测模型的输入层节点数和输出层节点数；确定传递函数与训练算法；配置隐含层的节点数；根据所述输入层节点数、输出层节点数、传递函数、训练算法以及隐含层节点数，建立bp神经网络模型；获取bp神经网络模型的训练结果；判断所述训练结果是否达标，若是，则得到最终bp神经网络模型；反之，则调整所述隐含层节点数并重新获取bp神经网络模型的训练结果，直至所述训练结果达标；根据输入至所述最终bp神经网络模型的训练时段的流场数据、风场数据、潮流数据、水深数据，输出海表流场的预测结果。9.一种基于空间特征差异的海流预测系统，其特征在于，包括：第一模块，用于确定研究区域和研究时间；第二模块，用于获取待预测海域的在一段时间内的表现因子和影响因子；其中，所述表现因子包括实测流场数据；所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据；第三模块，用于根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区；第四模块，用于根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型；第五模块，用于整合各个分区的流场模型，建立全区域流场模型，以确定全区域流场对影响因子的非线性响应；第六模块，用于根据所述全区域流场模型获取预测流场数据，所述预测流场数据包括风场数据、潮流数据和水深数据。10.根据权利要求9所述的基于空间特征差异的海流预测系统，其特征在于，还包括：数据输入模块，用于输入待预测海域的实测流场数据及地形数据、对应时间段的潮流数据、波浪数据和风场数据；海域分区模块，用于根据所述实测流场数据、地形数据、潮流数据和风场数据确定各相关因素的相关程度以及确定流场预报的区域划分；
表层流场预测模块，用于根据所划分的区域及其对应的风场数据、潮流数据、水深数据，确定各因子共同作用下的预测流场数据及其拟合程度。
技术总结
本发明公开了基于空间特征差异的海流预测方法以及系统，方法包括:确定研究区域和研究时间；获取待预测海域的在一段时间内的表现因子和影响因子；根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区；根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型；整合各个分区的流场模型，建立全区域流场模型，以确定全区域流场对影响因子的非线性响应；根据所述全区域流场模型获取预测流场数据。本发明可以在考虑各类相关影响因素的同时，进行长周期的海表流场预测，可广泛应用于海流数据处理技术领域。应用于海流数据处理技术领域。应用于海流数据处理技术领域。
技术研发人员：任磊 高健豪 陈然 陈颖薇 戴晨睿 黄颖瑜 刘李哲 韦骏 黄硕 龚喜 陈顺华
受保护的技术使用者：南方海洋科学与工程广东省实验室（珠海）
技术研发日：2021.08.04
技术公布日：2021/12/30