本發(fā)明涉及一種基于深度學習的海洋聲速場時空預測方法，屬于海洋聲速預測。

背景技術：

1、聲波是水下信息傳輸?shù)闹饕浇?，在海洋工程、海洋導航定位和水下通信等領域有著廣泛的應用。為了研究這些應用，必須獲得與聲波傳播相關的準確海洋環(huán)境參數(shù)。其中，海洋聲速是決定聲波傳播特性的參數(shù)之一。海洋聲速是海水溫度、鹽度和壓力的函數(shù)，其中溫度變化對聲速的影響最為顯著。因此在海洋動態(tài)環(huán)境中，聲速在時間和空間上會存在顯著差異。海洋環(huán)境的垂直分層使得聲速呈現(xiàn)垂直分層結(jié)構(gòu)。此外，海洋中的短周期和長周期物理過程，如波浪、內(nèi)波、海流和季節(jié)性變化等，都會影響海洋環(huán)境。這些不同周期性物理過程的疊加導致聲速在時間和空間上產(chǎn)生復雜的變化。

2、在當前的海洋研究中，實時聲速信息主要通過現(xiàn)場測量的方式獲取，這些聲速剖面數(shù)據(jù)能夠捕捉從水面到海底的聲速變化。然而，海洋聲速場（sound?velocity?field,svp）能夠更全面地描述三維空間中的聲速分布，更精確地反映聲速的空間變化。由于觀測方法的局限性，實時svf的構(gòu)建通常具有挑戰(zhàn)性，傳統(tǒng)的海上測量只能提供稀疏的逐點svp，頻繁采集這些數(shù)據(jù)成本較高，而且效率低下。隨著多項技術的發(fā)展，近年來，依賴原始數(shù)據(jù)預測和反演聲速的方法得到了廣泛研究。

3、海洋聲學層析術在海洋研究中發(fā)揮著至關重要的作用，在此基礎上發(fā)展了多種聲速剖面反演方法，包括匹配聲學到達峰值方法以及匹配場反演方法等?？柭鼮V波是一種用于狀態(tài)估計的優(yōu)化算法，在海洋聲學預測問題中也得到了有效應用。聲學壓縮感知作為近年來新興的技術，受到了廣泛關注。與傳統(tǒng)的svp反演方法不同，聲學壓縮感知方法通過使用有限數(shù)量的svp進行稀疏表示，能夠有效地估計精細尺度的svp。此外，機器學習已成為解決海洋科學問題的有效方法，為采用數(shù)據(jù)驅(qū)動的方法預測海洋環(huán)境變量提供了新的途徑?；谏疃葘W習的卷積長短期記憶神經(jīng)網(wǎng)絡模型已被應用于三維海域的svp預測，平均預測誤差小于1.7?m/s。

4、海洋聲速作為一個重要的水聲環(huán)境參數(shù)，具有顯著時空變化且與海洋研究密切相關。傳統(tǒng)的海洋環(huán)境變量時空預測方法依賴于海洋數(shù)值模擬，這些方法計算量大，預測效率低下。在過去的幾十年里，研究人員廣泛探索了海洋聲速反演和預測的各種方法。由于海洋環(huán)境的復雜性，準確預測海洋聲速場仍然是一個重大挑戰(zhàn)。

技術實現(xiàn)思路

1、本發(fā)明目的是提供一種基于深度學習的海洋聲速場時空預測方法，以實現(xiàn)海洋聲速場的準確預測。

2、一種基于深度學習的海洋聲速場時空預測方法，其特征是包括以下步驟：

3、1）選取數(shù)據(jù)源

4、選取再分析數(shù)據(jù)集soda2.24和現(xiàn)場分析數(shù)據(jù)集gdcsm?argo?數(shù)據(jù)集，作為訓練數(shù)據(jù)；

5、2）數(shù)據(jù)預處理

6、2.1）數(shù)據(jù)裁剪：通過對數(shù)據(jù)集裁剪，選取一個經(jīng)度、緯度都跨30°的區(qū)域作為研究區(qū)域，并從研究區(qū)域范圍內(nèi)提取數(shù)據(jù)；

7、2.2）計算聲速：再分析和現(xiàn)場分析數(shù)據(jù)通常包括海水溫度和鹽度變量，使用聲速經(jīng)驗方程計算聲速；

8、2.3）數(shù)據(jù)歸一化；

9、2.4）對歸一化后的svf數(shù)據(jù)進行滑動采樣；

10、3）構(gòu)建st-lstm-sa模型

11、基于st-lstm模型的編碼-預測結(jié)構(gòu)，在編碼模塊和預測模塊之間加入了自注意力機制模塊；

12、所述編碼模塊由st-lstm神經(jīng)網(wǎng)絡組成，在當前時刻t，輸入j個歷史時刻的svf序列（ x t-j+1, ?x t-j+2,…, ?x t），經(jīng)過多層st-lstm單元進行編碼，輸出隱藏狀態(tài)（ h t-j+1, ?h t-j+2,…, ? h t）；

13、所述自注意力機制模塊首先將編碼模塊輸出的結(jié)果在通道上疊加得到中間變量 h；然后通過1×1卷積運算將中間變量 h映射為查詢 q h，鍵 k h和值 v h，其中 q h、 k h、 v h的權(quán)重參數(shù)分別為 w q、 w k、 w v；通過公式計算注意力權(quán)重 a，然后通過公式分配注意力權(quán)重，得到中間變量；其中表示 q h的轉(zhuǎn)置，softmax是非線性激活函數(shù)， a表示位于[0,1]之間的注意力權(quán)重；

14、所述預測模塊同樣是由st-lstm神經(jīng)網(wǎng)絡組成，所述注意力機制模塊輸出的中間變量作為預測模塊的輸入，預測模塊生成預測結(jié)果；

15、4）使用再分析數(shù)據(jù)集進行模型預訓練，所述的再分析數(shù)據(jù)集被劃分為訓練集、驗證集和測試集；

16、5）然后使用gdcsm_argo數(shù)據(jù)集對模型進一步的訓練，得到最終的模型，所述gdcsm_argo數(shù)據(jù)集只劃分成訓練集和測試集兩部分；

17、6）將訓練好的模型應用于海洋聲速場時空預測。

18、所述步驟1）中，為使兩種數(shù)據(jù)集的水深相同，使用三次樣條插值對soda2.2.4數(shù)據(jù)集在垂直方向進行插值，使其與gdcsm_argo數(shù)據(jù)集的58個水深層對齊。

19、所述步驟2.2）計算聲速中，采用了del?grosso聲速經(jīng)驗公式進行聲速計算。

20、所述步驟2.3）數(shù)據(jù)歸一化中，采用了最大—最小歸一化操作，將所有訓練數(shù)據(jù)縮放到[0,?1]范圍內(nèi)，計算過程如下：

21、，

22、其中， x表示樣本數(shù)據(jù)， xmax和 xmin分別是樣本數(shù)據(jù)的最大和最小值， x*代表歸一化后的樣本數(shù)據(jù)。

23、所述步驟2.4）中，采用的窗口大小為15，步長為1，每個樣本包含連續(xù)15個月的svf序列。由于svf表示月平均數(shù)據(jù)，本發(fā)明利用前12個月的svf序列來預測未來3個月的svf，從而實現(xiàn)季節(jié)性預測。

24、所述步驟4中，將再分析數(shù)據(jù)集被劃分為訓練集、驗證集和測試集的比例為8：1：1。

25、所述步驟5中，gdcsm_argo數(shù)據(jù)集劃分成訓練集和測試集兩部分，比例為8：2。

26、所述步驟6中，在預測之前，先獲取任意時間段內(nèi)十二個月份的svf數(shù)據(jù)作為模型的輸入，模型根據(jù)輸入數(shù)據(jù)直接輸出未來三個月份的聲速場數(shù)據(jù)。

27、海洋中的聲速受到海洋復雜動態(tài)環(huán)境的影響，這使得準確描述和模擬其運動和底層物理規(guī)律變得極具挑戰(zhàn)性。本技術通過將svf的時空預測視為非線性時間序列預測問題，基于深度學習技術構(gòu)建了一種適用于海洋聲速場時空預測的新模型st-lstm-sa，該方法顯著提高了計算效率并減少了資源消耗。在模型訓練過程中，采用了遷移學習技術，通過在不同數(shù)據(jù)集上訓練模型權(quán)重，soda2.2.4再分析數(shù)據(jù)集有助于捕捉聲速在較長時間范圍內(nèi)的簡單變化，gdcsm_argo現(xiàn)場分析數(shù)據(jù)提供了更真實的聲速詳細特征，進一步細化了模型權(quán)重。通過對2019年1月至2022年9月的預測結(jié)果進行分析，發(fā)現(xiàn)st-lstm-sa模型在所有指標上表現(xiàn)優(yōu)于其他模型，與真實結(jié)果更加一致。在時間域上，st-lstm-sa模型的預測結(jié)果更加穩(wěn)定，自注意機制能夠有效處理時間序列中的長期依賴性。在空間域上，傳統(tǒng)的ann和lstm模型在輸入數(shù)據(jù)時將多維數(shù)據(jù)轉(zhuǎn)換為一維數(shù)據(jù)，忽略了數(shù)據(jù)中的空間和時間相關性，導致在多處位置的預測準確度存在較大差異。st-lstm-sa模型展示了更平衡的空間預測能力，使得不同水深層次的預測誤差趨于收斂。