一种风暴潮位实时校正方法与流程

本发明属于深度学习，具体涉及一种风暴潮位实时校正方法。

背景技术：

1、风暴潮是沿海地区需要重点防范的海洋灾害之一，为科学抵御风暴潮灾害、准确模拟和评估风暴潮所带来的影响，有必要不断提升风暴潮预报的精度，实现风暴潮的精确预报。尽管目前数值预报模式已发展较为成熟，但模式误差等依旧存在，风暴潮预报精度仍有进一步提升的空间。

2、考虑到风暴潮是由天文潮及风暴增水所组成，而通常数值模式对天文潮预报仅采用八个主要天文分潮，这就导致数值模型对天文潮的模拟存在一定的模式误差，进一步导致模型对风暴潮的模拟存在一定的误差。

技术实现思路

1、本申请旨在通过对风暴潮期间的天文潮进行实时校正以提高风暴潮位的预报精度，基于长短时记忆神经网络学习风暴潮期间天文潮位预报误差的非线性关系以构建智能校正模型，通过智能校正模型对预报风暴潮位进行修正。

2、本申请第一方面，提供了一种风暴潮位实时校正方法，包括以下步骤：

3、s11：收集某区域的地形水深条件，构建该区域的风暴潮数值预报模型；

4、s12：基于收集的实测水位数据，对风暴潮数值模型进行模型率定与验证；

5、s13：基于气象台预报的台风路径信息驱动所述风暴潮数值预报模型，预测过去24h至未来24h期间的风暴增水值；

6、s14：对过去24h至未来24h期间的天文潮位值进行预测；

7、s15：基于s13模拟的风暴增水值，从站点过去24h的实测水位观测值中剥离出在台风天气下的实测天文潮位值；

8、s16：基于s15步骤剥离出的实测天文潮值以及s14步骤的天文潮预测值得到天文潮预报误差，以此误差驱动天文潮校正模型得到校正后的天文潮位；

9、s17：叠加步骤s13预测的未来24h的风暴增水值和步骤s16预测的天文潮位值得到校正后的风暴潮位。

10、本申请第二方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可执行指令，所述处理器执行所述指令时实现所述的风暴潮位实时校正方法。

11、本申请第三方面，提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令被执行时实现所述的风暴潮位实时校正方法。

12、本发明的有益效果：本发明采用深度学习算法中的长短时记忆神经网络模型建立了风暴潮期间调和分析预报误差间的非线性关系，同时构建高精度的风暴潮数值模型，通过上述两模型的输出以实现风暴潮位的实时校正，从而显著提高风暴潮24小时内的预报精度。

技术特征：

1.一种风暴潮位实时校正方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种风暴潮位实时校正方法，其特征在于，采用长短时记忆神经网络学习风暴潮期间天文潮位预报误差的非线性关系以构建天文潮校正模型。

3.根据权利要求1或2所述的一种风暴潮位实时校正方法，其特征在于，所述天文潮校正模型的构建过程为：

4.根据权利要求3所述的一种风暴潮位实时校正方法，其特征在于，还包括s7：采用s5步骤划分完成的测试集数据对训练好的天文潮校正模型进行模型精度测试，评估模型对调和分析预报误差的预测性能。

5.根据权利要求3所述的一种风暴潮位实时校正方法，其特征在于，还包括：

6.根据权利要求3所述的一种风暴潮位实时校正方法，其特征在于，s2中所述调和分析在选取分潮过程中引入瑞利判据。

7.根据权利要求1所述的一种风暴潮位实时校正方法，其特征在于，s6的模型训练中，采用组合调优的方式进行超参数确定；即对各模型所有可能的超参数组合进行数值试验，并以验证集上的预测均方根误差值为筛选标准，选取在验证集上预测均方根误差最低的组合为最优超参数组合。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可执行指令，其特征在于，所述处理器执行所述指令时实现权利要求1至8任一项所述的风暴潮位实时校正方法。

9.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，其特征在于，所述计算机可执行指令被执行时实现权利要求1至8任一项所述的风暴潮位实时校正方法。

技术总结本发明公开了一种风暴潮位实时校正方法。本发明采用深度学习算法中的长短时记忆神经网络模型建立了风暴潮期间调和分析预报误差间的非线性关系，同时构建高精度的风暴潮数值模型，通过上述两模型的输出以实现风暴潮位的实时校正，从而显著提高风暴潮24小时内的预报精度。技术研发人员：车助镁,丁骏,徐晓武,陈永平,沈辉,朱业,沈远,张楠楠,郭敬受保护的技术使用者：浙江省海洋监测预报中心技术研发日：技术公布日：2024/7/29