(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110659246.X (22)申请日 2021.06.15 (65)同一申请的已公布的文献号 申请公布号 CN 113297801 A (43)申请公布日 2021.08.24 (73)专利权人 哈尔滨工程大 学 地址 150001 黑龙江省哈尔滨市南岗区南 通大街145号哈尔滨工程大学科技处 知识产权办公室 (72)发明人 赵玉新　郝日栩　周迪　陈力恒　 邓雄　张秋阳　杨德全　赵廷　 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/16(2006.01) G06F 119/14(2020.01)(56)对比文件 CN 112862178 A,2021.0 5.28 CN 112307676 A,2021.02.02 CN 109978279 A,2019.07.0 5 审查员 许哲 (54)发明名称 一种基于STEOF-LSTM的海洋环境要素预测 方法 (57)摘要 本发明属于海洋动力环境要素预测技术领 域， 具体涉及一种基于S TEOF‑LSTM的海洋环境要 素预测方法。 本发明基于大范围、 长时间的海洋 再分析数据， 通过时域多尺度分析和深度学习方 法挖掘海洋动力环境要素的规律， 构建面向海洋 动力环境要素的统计预测模型， 以实现海洋动力 环境要素的中长期时空统计预报 。 本发明可以有 效弥补传统的数值预报方法由于气象驱动时效 限制而导致的海洋动力环境要素预报时效较短 的缺陷， 且对计算资源的占用较少。 大幅度提高 了海洋动力环 境要素的中长期预测能力， 为解决 海洋数值预报产品失效后的大范围、 长周期海洋 动力环境要素预报预测这一技术难题提供技术 支撑。 并具有较强的科 学意义和应用价 值。 权利要求书3页 说明书14页 附图2页 CN 113297801 B 2022.10.14 CN 113297801 B 1.一种基于STEOF ‑LSTM的海洋环境要素 预测方法， 其特 征在于， 包括以下步骤： 步骤1： 基于待分析预测海域的再分析数据， 利用随机动态分析法和经验正交函数方法 分析研究海洋动力环境要素的年、 月、 日的多尺度时间和空间变化特 征和规律； 将海洋动力环境要素对应的时间序列分解 为趋势、 周期、 随机来进行动态近似分析： SLH(t)＝T(t)+P(t)+R(t) 其中， T(t)为趋势项， 通过一元线性回归分析计算获得； P(t)为周期项， 包含季节性、 月、 年、 年际变化特征和规律， 对去趋势后的时间序列进行经验正交函数分解分析， 计算出 主要空间分布模态和时间周期变化， 从而获得海洋环境动力要素的周期变化特征； R(t)为 剩余随机项， 通过 滤波获得； 步骤2： 针对随机动态分析法得到的月、 日际的小尺度时间信息， 采用对应时间尺度的 STEOF模型进行中长期时空分析 预测， 得到小尺度的预测结果； 步骤2.1： 针对某种海洋动力环境要素， 其对应的历年逐日海洋动力环境要素时空样本 矩阵X为： 对任一时空样本矩阵X， 其矩阵维度为M ×(N×T)， N表示空间网格点的数量， T表示时间 序列的数量， M表示 年样本的数量； 步骤2.2： 对时空样本矩阵X进行作时空经验正交分解， 得到该矩阵的特征值和各特征 值对应的特征向量， 依 次计算各个特征值总占比并按顺序对特征值及特征向量进行排列， 得到的特征向量为空间模态的时间序列， 其中既包含空间信息又包含时间信息， 将这种 特 征向量称之为时空基底； 通过矩阵变换得到C*矩阵的特征向量后， 计算出C矩阵的特征向量， 令 与其转置阵的 乘积如下式所示： 特征向量VM×M得： VM×M＝C*×V*＝V*×Λ 其中， Λ为特征值对应的对角方阵， λ1＞…＞λm＞…＞λM， 且 λm≥0； 任一特征向量Vm如下式所示：权　利　要　求　书 1/3 页 2 CN 113297801 B 2步骤2.3： 将时空模态投影到矩阵 上得到其对应的主成分， 即： 其中， 主成分是每个时空特征向量所对应的时空系数， 时空系数中所有行向量都与特 征向量的主成分相对应， 第一行PC(1,:)就是第一个时空模态的主成分； 步骤2.4： 利用时空观测 和时空基础来预测时空序列； 定义时空观测值Oi如下式所示： Oi＝[o1,t‑l…oN,t‑l…o1,t‑l+i…oN,t‑l+i…o1,t…oN,t]T 其中， Oi表示时空观测； t 表示预测开始时间； n表示空间 网格点的数目； l是观测次数； 时空基Hi被分为两部分： 一部分是与时空观测具有相同周期的拟合时空基Hi,f， 另一部 分是预测时空基Hi,p； 对历史长期时间分解出的时空基底， 空间时序阵分为两部分： 与观测数据时间相同的 拟合空间时序阵Hi,f和与预报时间相同的预报空间时序阵Hi,p； 其中， t表示预测开始时间； l表示观测次数； p是 预测时间步数； M是时空基的个数； 使用最小二乘估计方法求解 时空观测值的拟合系数和拟合 时空基， 拟合系数是时空观 测在每个时空基上的投影， 描述了一组观测与时空基之间的相似性： Oi＝Hi,f·Si 其中， S表示拟合系数， Si＝[Si,1…Si,m…Si,M] 通过重构拟合系数和预测时空基来预测时空序列的未来值， 使用将时空经验正交分解 方法与最小二乘法相结合时空经验正交函数预测模型的来预测时空序列， 预测模型如下式权　利　要　求　书 2/3 页 3 CN 113297801 B 3