一种近岸精细化浪高数值预报方法、装置、设备和介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112711878A(43)申请公布日2021.04.27(21)申请号202011565428.2(22)申请日2020.12.25(71)申请人雾实（福建）科技有限公司地址350100福建省福州市闽侯县上街镇科技东路16号华建大厦2#16层1601室(72)发明人陈庆勇吴嘉祥(74)专利代理机构福州市鼓楼区京华专利事务所(普通合伙)35212代理人王牌(51)Int.Cl.G06F30/23(2020.01)G06F30/27(2020.01)G06K9/62(2006.01)G01F23/00(2006.01)权利要求书2页说明书6页附图3页(54)发明名称一种近岸精细化浪高数值预报方法、装置、设备和介质(57)摘要本发明提供一种近岸精细化浪高数值预报方法、装置、设备和介质，方法包括：将浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；构建基准的BP神经算法模型；将训练数据投入基准的BP神经算法模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳，之后保留训练好的矫正模型；将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，转成.nc文件；将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据，在原本ECMWF有效浪高网格数据基础上，通过BP神经网络算法以实测浮标数据进行矫正，输出了新的有效浪高网格数据。CN112711878ACN112711878A权利要求书1/2页1.一种近岸精细化浪高数值预报方法，其特征在于：包括：步骤1、将浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；步骤2、构建基准的BP神经算法模型；步骤3、将训练数据投入基准的BP神经算法模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳，之后保留训练好的矫正模型；步骤4、将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，转成.nc文件；步骤5、将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据。2.根据权利要求1所述的一种近岸精细化浪高数值预报方法，其特征在于：所述步骤1进一步具体为：对浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；空间匹配原则，以各浮标站点经纬度与所在有效浪高网格数据网格点行列号进行对应；时间匹配原则，以各浮标站点实测时间与有效浪高网格数据网格点预报时间进行对应；把历史浮标实测数据与历史ECMWF有效浪高网格数据时空匹配，梳理成适配模型训练使用的浮标数据及有效浪高数据，其中把有效浪高数作为模型训练的特征值，浮标数据作为模型训练的目标值，以浮标实测数据矫正预报网格数据，最终梳理成预测3小时，预测12小时，预测24小时，预测36小时，预测48小时5组特征值及目标值。3.根据权利要求2所述的一种近岸精细化浪高数值预报方法，其特征在于：所述步骤3进一步具体为：将每组特征值及目标值投入基准的BP神经算法模型进行迭代训练设定次epochs，在训练集和验证集的损失loss趋于平稳记录最后拟合R2值；得到预测3小时矫正模型、预测12小时矫正模型、预测24小时矫正模型、预测36小时矫正模型以及预测48小时矫正模型。4.根据权利要求3所述的一种近岸精细化浪高数值预报方法，其特征在于：所述步骤4进一步具体为：将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，分辨率由原本0.125度的数据插值成分辨率0.025度网格数据，转成.nc文件，并将预报预报时间类型记录属性。5.根据权利要求3或4所述的一种近岸精细化浪高数值预报方法，其特征在于：所述步骤5进一步具体为：将.nc文件输入对应预报时间类型的矫正模型，输出矫正后的.nc文件，即近岸精细化浪高数值预报。6.一种近岸精细化浪高数值预报装置，其特征在于：包括：获取训练数据模块，将浮标实测数据与历史ECMWF有效浪高网格数据进行时空匹配，作为训练数据；构建模型模块，构建基准的BP神经算法模型；训练模型模块，将训练数据投入基准的BP神经算法模型进行迭代训练设定次数，在训练集和验证集的损失loss趋于平稳，之后保留训练好的矫正模型；获取实时数据模块，将实时ECMWF有效浪高网格数据裁剪为设定区域数据，通过克里金插值将数据重采样，转成.nc文件；获取预测数据模块，将.nc文件输入训练好的矫正模型，输出矫正后的.nc文件，即为近岸精细化浪高数值预报数据。2CN112711878A权利要求书2/2页7.根据权利要求6所述的一种近岸精细化浪高数值预报装置，其特征在于：所述获取训练数据模块进一步具体