(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 202110324151.2 (22)申请日 2021.03.26 (65)同一申请的已公布的文献号 申请公布号 CN 113051824 A (43)申请公布日 2021.06.29 (73)专利权人 福州大学 地址 350108 福建省福州市闽侯县福州大 学城乌龙江北 大道2号福州大 学 (72)发明人 苏华　王安　 (74)专利代理 机构 福州元创专利商标代理有限 公司 35100 专利代理师 陈鼎桂　蔡学俊 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G01K 13/02(2021.01) G01K 3/14(2006.01) G06F 113/08(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 109543768 A,2019.0 3.29 CN 110516856 A,2019.1 1.29 CN 109543 356 A,2019.0 3.29 WO 2013089840 A1,2013.0 6.20 张天一.基 于LightGBM的全球海 洋次表层温 盐遥感预测. 《遥感学报》 .2020, Su Hua et.al.Estimati ng Subsurface Thermohal ine Structure of the Gl obal Ocean Usi ng Surface Remote Sensi ng Observati ons. 《REMOTE SENSI NG》 .2019, 审查员 陈银兰 (54)发明名称 基于剖面观测数据的海洋内部温度场重建 方法 (57)摘要 本发明涉及一种基于剖面观测数据的海洋 内部温度场重建方法， 包括以下步骤： 步骤S1： 获 取历史海洋观测的剖面数据， 并对剖面数据进行 格网化预处理， 得到格网化剖面观测数据； 步骤 S2： 通过预设比例随机选 取格网化剖面观测数据 作为交叉验证集， 其余作为输入数据； 步骤S3： 根 据输入数据集生成训练集和测试集； 步骤S4： 基 于卷积自编码器神经网络对训练集进行迭代训 练， 构建卷积自编码器模型； 步骤S5： 将测试集输 入到自编码器模 型中， 重建长时间序列的海洋温 度数据。 本发 明提高了海洋内部温度时空观测分 辨率与完整性， 在海洋遥感及全球气候变化领域 有较高的应用价 值。 权利要求书1页 说明书4页 附图4页 CN 113051824 B 2022.06.14 CN 113051824 B 1.一种基于剖面观测数据的海洋内部温度场重建方法， 其特 征在于， 包括以下步骤： 步骤S1： 获取历史海洋观测的剖面数据， 并对剖面数据进行格网化预处理， 得到格网化 剖面观测数据； 步骤S2： 通过预设比例随机选取格网化剖面观测数据作为交叉验证集， 其余作为输入 数据集； 步骤S3： 根据输入数据集 生成训练集和 测试集； 步骤S4： 基于卷积自编码器神经网络对训练集进行迭代训练， 构建卷积自编码器模型； 步骤S5： 将测试集输入到卷积自编码器模型中， 重建长时间序列的海洋内部温度数据； 所述步骤S1具体为： 获取海洋EN4  profile、 Argo浮标数据、 IAP时间序列 格网温度和海表温度遥感数据,并 进行空间范围统一处 理； 统计IAP时间序列格网温度不同深度不同时相的极值， 对EN 4 profile进行极值检查； 将海表温度遥感数据、 IAP 时间序列格网温度、 EN4  profile和Argo浮标数据的时间分 辨率统一为每月， 利用最邻近插值将海表温度遥感数据空间分辨 率统一为1° ×1°； 剖面数据格 网化处理中， 0m、 5m、 和10m的格网深度范围拓展2m， 20m和30m格网深度范围 拓展5m， 5 0~1000m的格网深度拓展10m； 将检索到的格网中观测值取平均值代 表格网温度值； 所述步骤S2具体为： 将每一时相空间稀疏分布的格网化剖面观测数据， 构 成三维时间序列的格网化剖面观 测数据； 通过matlab中find算法提取出 时间序列格 网化剖面观测数据中非空值的格网索引， 再 以randperm算法根据  预设比例从上述非空值的格网索引中随机 选取， 保留为交叉验证集； 交叉验证集保存以后， 将其对应的时间序列格网化剖面观测数据中的值设为空值， 生 成输入数据集； 所述步骤S3具体为： 将基于输入数据集生成的归一化的温度随机掩膜设为空值， 并随 机加入5%高斯噪声， 生成训练数据集， 基于完整的输入数据集生成归一化的输入变量构成 测试集； 所述步骤S4具体为： 将训练集分为多个mi ni‑batch， 再输入到卷积自编码器神经网络中进行训练； 参数调优防止过拟合或欠拟合， 通过调节L2正则化、 丢弃正则化和学习率进行模型参 数优化。 2.据权利要求1所述的基于剖面观测数据的海洋内部温度场重建方法， 其特征在于， 所 述模型训练和 测试过程中， 根据输入的位置、 时间、 协方差， 通过二维卷积学习时空特 征。权　利　要　求　书 1/1 页 2 CN 113051824 B 2基于剖面 观测数据的海洋内部温度场重建 方法 技术领域 [0001]本发明涉及遥感信息处理与应用领域， 具体涉及 一种基于剖面观测数据的海洋内 部温度场重建方法。 背景技术 [0002]全球变暖的大背景下， 人类越来越重视海洋内部热力结构变化。 海洋温度和海洋 热含量是表征海洋热力结构的重要参量， 其中海洋温度是对全球海洋 热力结构 变化最直接 的反映， 是海气交互作用强烈程度的指标。 海洋内部温度是海洋物理性质的关键变量， 反映 着海洋密度和层化结构， 是全球洋流循环的主要驱动因素之一。 近年来卫星遥感技术在海 洋领域应用成效显著， 但目前遥感在海洋领域大多应用于海表参量反演， 无法直接观测海 洋内部信息。 纵观人类对海观测历史， 主要的剖面观测仪器主要 是一下几种， 1967年以前主 要以南森瓶 （Nansen  bottle） 和机械深海温盐测量器 （Mechanical  bathythermographs， MBTs） 为主； 19 68年后至21世纪初主要以抛弃式测温仪器 （Xpendable  Bathy Thermograph， XBT） 为主； 21世纪初期至今， 以Ar go浮标为主。 受不同历史时期技术条件的限制， 海洋观测 剖面空间分布不均， 时空分辨率较低。 海洋内部动力过程具有时空多维度多尺度特点， 基于 现有历史观测资料填补历史观测的空白， 重建长时序高时空覆盖率的海洋温度场对了解全 球海洋的变化机制和过程非常重要。 发明内容 [0003]有鉴于此， 本发明的目的在于提供一种基于剖面观测数据的海洋内部温度场重建 方法， 为海洋环境与全球气候变化研究提供有力的数据支撑 。 [0004]为实现上述目的， 本发明采用如下技 术方案： [0005]一种基于剖面观测数据的海洋内部温度场重建方法， 包括以下步骤： [0006]步骤S1： 获取历史海洋观测的剖面数据， 并对剖面数据进行格网化预处理， 得到格 网化剖面观测数据； [0007]步骤S2： 通过预设比例随机选取格网化剖面观测数据作为交叉验证集， 其余作为 输入数据； [0008]步骤S3： 根据输入数据集 生成训练集和 测试集； [0009]步骤S4： 基于卷积自编码器神经网络对训练集进行迭代训练， 构建卷积自编码器 模型； [0010]步骤S5： 将测试集输入到自编码器模型中， 重建长时间序列的海洋温度数据。 [0011]进一步的， 所述 步骤S1具体为： [0012]获取海洋EN4  profile、 Argo浮标数据、 IAP时间序列格网温度和海表温度遥感数 据,并进行空间范围统一处 理； [0013]统计IAP数据不同深度不同时相的极值， 对EN 4 profile进行极值检查； [0014]将海表温度遥感数据、 IAP数据、 EN4  profile和Argo数据的时间分辨率统一为每说　明　书 1/4 页 3 CN 113051824 B 3