CN119294104B 一种基于ai和多源融合数据对海气交界面动力交换系数进行估算和预测的方法、介质及程序产品 （中国气象科学研究院）

一种基于AI和多源融合数据对海气交界面本发明公开了一种基于AI和多源融合数据对海气交界面动力交换系数进行估算和预测的度学习算法构建AI模型，提取数据中的时空特2SS1.重构海气界面动力交换系数的计算公式：基于拉格朗日流体运动方程和地转流方程，综合考虑多种气象与海洋;收集并整理多源气象和海洋数据，至少包括海洋漂流浮并基于时间序列分层抽样的方式将多源融合数据集划分为相互独立的训练数据集和验证SS3.AI深度学习模型的构建与训练：层负责提取时空特征并通过非线性映射建立气象和海洋变量因子与Cd'之间的关系，输出SS4.AI深度学习模型的评估与优化：基于步骤SS2中划分的验证数据集对训练好的AI深度学习模型进行性能评估，评估指基于步骤SS4优化后的AI深度学习模型，输入当前时刻t的气象和海3在计算出下一时刻t+dt的ut+dt和vt+dt后，将其作为海气相互作用数值模拟系统的输入后将这些更新后的气象和海洋变量作为输入数据传入步骤SS4优化后的AI深度学习模型2.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算SS21.使用卫星交叉定标数据建立不同卫星数据间的系统偏差校正模型；SS24.应用湿对流层延迟改正算法修正水汽含量变化导致的测量误差。3.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算均法来融合不同来源的数据，以确保每种数据源在最终结果中的贡献与其可信度成正比，并根据各个数据源的历史表现、观测精度和时效性为其分配权重，从而提高Cd'的估算精4.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算5.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算SS32.采用长短期记忆网络或门控循环单元提取时间序列特征，考虑1小时到30天不6.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算47.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算8.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算9.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估算体包括：将通过AI深度学习模型得到的海气界面动力交换系数Cd'应用于海气相互作用的10.根据权利要求1所述的基于AI和多源融合数据对海气交界面动力交换系数进行估首先，持续收集和整合新的海洋漂流浮标数据、卫星高度计其次，定期对现有模型在新数据上的性能进行评估，当性再者，每次再训练后，通过性能指标对模型性能进行评估以确保述权利要求1~10任一项所述的基于AI和多源融合数据对海气交界面动力交换系数进行估567[0013]本发明的第1个发明目的在于提供一种基于AI和多源融合数据对海气交界面动力[0015]基于拉格朗日流体运动方程和地转流方程，综合考虑至少包括10m风速、海表流ggg[0019]收集并整理用于估算海气界面动力交换系数Cd'的多源气象和海洋数据，至少包8融合数据的AI深度学习模型，其输入层用于接收多源融合数据中的相关气象和海洋因子，隐藏层负责提取时空特征并通过非线性映射建立气象和海洋变量因子与海气界面动力交[0023]基于步骤SS2中划分的模型验证数据集对步骤SS3训练好的AI深度学习模型进行2并采[0025]基于步骤SS4优化后的AI深度学习模型，输入当前时刻t生成海气界面动力交换系数Cd'的当前时刻估算值，并结合以下公式计算下一时刻t+dt的[0027]在计算出下一时刻t+dt的ut+dt和vt+dt后，将其作为海气相输入并完成一轮海气耦合数值模拟的完整计算，从而得到t+dt时刻的新的气象和海洋变量，之后将这些更新后的气象和海洋变量作为输入数据传入步骤SS4优化后的AI深度学习行上述基于AI和多源融合数据对海气交界面动力交换系数进行估算和[0029]本发明的第3个发明目的在于提供一种计算机可读存储介质，所述计算机可读存9据中的时空特征，基于非线性映射建立气象和海洋变量因子与海气界面动力交换系数Cd'[0036]（5）本发明通过将估算和预测得到的Cd'应用于海气相互作用[0037]图1所示为本发明的基于AI和多源融合数据对海气交界面动力交换系数进行估算[0041]本发明旨在提供一种基于AI和多源融合数据对海气交界面动力交换系数进行估[0044]基于拉格朗日流体运动方程和地转流方程，综合考虑至少包括10m风速、海表流ggg[0060]令,将式(16)代入’刻(t)的数据和因子。所以可以采用人工智能的方法，将当前时刻(t)的相关变量(x1,[0067]收集并整理用于估算海气界面动力交换系数Cd'的多源气象和海洋数据，至少包[0072]SS24.应用湿对流层延迟改正算法修融合数据的AI深度学习模型，其输入层用于接收多源融合数据中的相关气象和海洋因子，隐藏层负责提取时空特征并通过非线性映射建立气象和海洋变量因子与海气界面动力交[0083]基于步骤SS2中划分的模型验证数据集对步骤SS3训练好的AI深度学习模型进行2并采[0089]基于步骤SS4优化后的AI深度学习模型，输入当前时刻t生成海气界面动力交换系数Cd'的当前时刻估算值，并结合以下公式计算下一时刻t+dt的[0091]在计算出下一时刻t+dt的ut+dt和vt+dt后，将其作为海气相输入并完成一轮海气耦合数值模拟的完整计算，从而得到t+dt时刻的新的气象和海洋变量，之后将这些更新后的气象和海洋变量作为输入数据传入步骤SS4优化后的AI深度学习[0103]作为优选，步骤SS5中，在迭代预测未来多个时间步长的海气界面动力交换系数[0106]将通过AI深度学习模型得到的海气界面动力交换系数