CN119476052A 一种海洋近表层流场重构方法和系统 （中国人民解放军国防科技大学）

本申请涉及了一种海洋近表层流场重构方序列与对标网格的海表高度数据序列之间的线向空间去相关尺度构建的矩形作为物理约束以2确定目标网格对应的海表高度数据序列与第一对标网格对应的海表高度数据序列之对标网格对应的海表高度数据序列是所述第一对标网格在所述天平均海面高度数据产品中的对应海表高度数据序列；确定所述第一线性相似度小于预设第一阈值且与所述目标网格距离最近的第一对标计算所有所述目标网格所对应的所述第一距确定所述目标网格对应的海表高度数据序列与第二对标网格对应的海表高度数据序所述天平均海面高度数据产品中的对应海表高度数据序列；确定所述第二线性相似度小于预设第二阈值且与所述目标网格距离最近的第二对标计算所有所述目标网格所对应的所述第二距获取预设的多个位置点的卫星遥感数据和实测海洋近将多组所述输入样本和所述标签样本作为训练数据，根据所述训练将待重构的目标海洋近表层流场数据输入至所述重构模型中，得到所述;;3;;所述实测海洋近表层流场数据包括实测的海表纬向流速和海将所述训练数据输入至所述特征编码模块中，以对所述训练数将所述第一融合特征图输入至所述多频注意力模块中，以将所述第一为多个频率分量的子特征图，并独立捕获每一个频率分量的子特征图对应的注意力特征将全部频率分量的子特征图对应的注意力特征图输入至所述特征根据所述重构的海洋近表层流场和所述标签根据所述损失对所述特征编码模块、多频注意力模块和特征重构;4将所述第一融合特征图划分为多个频率分量的子特征图，并独基于小波变换将所述第一融合特征图划分为多个不同频率分量将目标频率分量的子特征图输入至对应的一个所述分支网络中，以通过M个依次连接的多头自注意力模块对所述目标频率分量的子特征图进行特征学习，得到第M个所述多头征图是多个不同频率分量的子特征图中的任意一个频率分量将所述目标频率分量的子特征图和所述目标频率分量的子特征图对应的特征图残差纬向去相关尺度获取单元，用于确定目标网格对应标网格对应的海表高度数据序列是所述目标网格在所述天平均海面高度数据产品中的对所述天平均海面高度数据产品中的对应海表高度数据序列；经向去相关尺度获取单元，用于确定所述目标网格对应的海模型训练单元，用于获取预设的多个位置点的卫星遥感数据和实5模型应用单元，用于将待重构的目标海洋近表层流场数处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，6确定目标网格对应的海表高度数据序列与第一对标网格对应的海表高度数据序第一对标网格对应的海表高度数据序列是所述第一对标网格在所述天平均海面高度数据7确定所述第一线性相似度小于预设第一阈值且与所述目标网格距离最近的第一计算所有所述目标网格所对应的所述第一距确定所述目标网格对应的海表高度数据序列与第二对标网格对应的海表高度数格在所述天平均海面高度数据产品中的对应海表高度数据序列；确定所述第二线性相似度小于预设第二阈值且与所述目标网格距离最近的第二计算所有所述目标网格所对应的所述第二距获取预设的多个位置点的卫星遥感数据和实测海洋近本实施例通过计算天平均海面高度数据产品中目标网格对应的海表高度数据序格纬向的平均值作为纬向空间去相关尺度，将网格经向的平均值作为经向空间去相关尺;;其中，ru为目标网格对应的海表高度数据序列A和第一对标网格对应的海表高度8;;其中，为目标网格对应的海表高度数据序列和第二对标网格对应的海表高度所述实测海洋近表层流场数据包括实测的海表纬向流速和海根据所述重构的海洋近表层流场和所述标签9;其中，至Inorm-w分别为第一个输入变量的数据至第N个输入变量的数据，基于小波变换将所述第一融合特征图划分为多个不同频率分量将目标频率分量的子特征图输入至对应的一个所述分支网络中，以通过M个依次连接的多头自注意力模块对所述目标频率分量的子特征图进行特征学习，得到第M个所述子特征图是多个不同频率分量的子特征图中的任意一个频率分量的将所述目标频率分量的子特征图和所述目标频率分量的子特征图对应的特征图述目标网格对应的海表高度数据序列是所述目标网格在所述天平均海面高度数据产品中格在所述天平均海面高度数据产品中的对应海表高度数据序列；度数据序列是所述第二对标网格在所述天平均海面高度数据产品中的对应海表高度数据序列；模型应用单元，用于将待重构的目标海洋近表层流场数据输入至所述重构模型技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，第一对标网格在天平均海面高度数据产品中的对应海表高度数据序列；度数据产品中的对应海表高度数据序列；区域作为窗口，从卫星遥感数据中截取窗口大小的位置点的输入变量的数据作为输入样[0035]本实施例通过计算天平均海面高度数据产品中目标网格对应的海表高度数据序格纬向的平均值作为纬向空间去相关尺度，将网格经向的平均值作为经向空间去相关尺[0040]其中特征编码模块用于将训练数据中的输入样本（即多种输入变量所对应的数基于小波变换将第一融合特征图划分为多个不同频率分量将目标频率分量的子特征图输入至对应的一个分支网络中，以通过M个依次连接的多头自注意力模块对目标频率分量的子特征图进行特征学习，得到第M个多头自注意力率分量的子特征图中的任意一个频率分量的将目标频率分量的子特征图和目标频率分量的子特征图对应的特征图残差连接，次连接的多头自注意力模块（Multi_Hea[0045]来自CMEMS的卫星海面高度L4级的天平均海面高度数据产品，跨度为1993年到的长度为time的海表高度数据序列A，然后依次计算目标网格的纬向空间去相关尺度以及[0048]逐一计算目标网格的海表高度数据序列与其同纬度的每一个网格的序列的线性格的海表高度数据序列所有海表高度值的平均值；表示第一对标网格的海表高度数据序列的某个时刻的海表高度值，表示第一对标网格的海表高度数据序列所有海表高度值的平均值；ru表示目标网格的海表高度数据序列A与第一对标网格的海表高度数据序列之间的第一线性相似度。目标网格的纬向空间去相关尺度；最后，将此时遍历到的目标网格的dar，记录在尺寸为第二对标网格的海表高度数据序列所有海表高度值的平均值；表示目标网格的海表高度数据序列A与第二对标网格的海表高度数据序列A,之间的全球气候观测系统(GCOS)的一个分支一一全球漂流浮标计划；按每一个浮标存储为一个[0062]4个卫星数据的具体描述与来源为：海面温度数据来自美国海洋和大气管理局下率约为0.25ex0.25e，时间分辨率为天平均；海面风（经向与纬向）数据同样来自Remote绝对动力高度数据来自法国AVISO提供的融合产品集成了来自多个卫星的高度计数据，空面温度经向梯度采用一阶中心差分计算。变量A的第(i,j)个网格点的纬向梯度和经向[0067]步骤S9240，将步骤S9230得到的统一了空间分辨率的输入变量与步骤S9210得到特征编码与融合，获得具备重构能力的初步特征，每个输入变量都包含d=10个1×1×1卷积核的卷积层的映射函数，fr-z表示单独用于合并后的变量特征的1×1卷积核的中的某个输入变量的数据。F=-x十-3十（23向的偶数行组成的特征，[,:,1:2,:]表示取出特征图中的经度方向的奇数行组成的特征，[,,:,0:2]表示取出特征图中的纬度方向的偶数列组成的特征，[,,,1::2]表示取出特征图中的2维被扩大h=8倍，尺寸为[16,64,64]；然后，将Q,K,V分别切分成h段，变成4维的尺寸为进行矩阵乘法并将计算结果每一个值都缩小为原来的F'u-norm=fiayernorm(F'u)（26q=fiuup(F'u-norm)（27k=fiv=fi意力模块处理后的特征图进行残差连接，即输入分支的特征图与M个MHSA多头自注意力模步骤S9331，得到每个分支网络处理后的特征Fiu-wnsaFin-wnsa和O=Mrrnw(Inorm,0)（33[0085]步骤S9420，基于训练集T与验证集V分批次输入步骤S930得到的神经网络FFRN中将训练集中数据分批次输入步骤S920得到的神经网络FFRN中进行训练，由于数据样本共及泛化性能；数据获取单元1100用于获取天平均海面纬向去相关尺度获取单元1200用于确定目标网格对应的海表高度数据序列与第应的海表高度数据序列是第一对标网格在天平均海面高度数据产品中的对应海表高度数据序列；经向去相关尺度获取单元1300用于确定目标网格对应的海表高度数据序列与第对标网格在天平均海面高度数据产品中的对应海表高度数据序列；模型训练单元1400用于获取预设的多个位置点的卫星遥感数据和实测海洋近表模型应用单元1500用于将待重构的目标海洋近表层流场数据输入至重构模型中，[0097]该电子设备可以为包括手机、平板电脑、个人数字助理（PersonalDigital可以根据实际的需要选择其中的部分或者全部模块来实现本