一种基于图像预测模型的施工区域预测波高精度提高方法

技术领域

本发明是关于一种疏浚施工海域波浪的监测和预测方法，具体涉及基于深度学习的多源监测预测数据融合的综合应用。

背景技术

对于海上工程施工项目，波浪的准确监测和预测关系到船舶施工是否能安全高效地进行。高精度的监测预测结果有助于工程船舶安排作业路线和作业时间，有效避免或减少突变的海洋环境造成的损失。

现有的海洋波浪监测手段主要是浮标监测，但浮标数据具有空间分布不均，分布密度较小等缺陷，尤其疏浚工程的施工区域，往往较难找到适用的浮标信息(且浮标是单点的，对于海域施工理想地是希望区域性的波浪预测，)；除了浮标，那具有区域性特征的就有卫星遥感数据目前也有较多研究论证卫星遥感数据的可用性，但卫星遥感数据的解析和应用要耗费较高的经济和时间成本，不适用于工程船舶的海浪监测。

海洋波浪的预测方面，主要以大范围的海浪模式为主。这种方式存在以下几点缺陷：第一，对于建立大型波浪预测数值模型需要大范围的气象、地形等详尽资料，对于该数据的获取具有一定的难度。尤其针对近岸波浪的预测，海底地形对于波浪的影响更为复杂与重要，因此使用数值模型对预测近海岸波浪具有一定局限性。

第二，在计算成本方面，数值模型本身范围较广需要花费较大的时间成本，而针对于特定工程范围海域，需求在于预测的速度与准确性，相对来说并不是一个大范围的区域，因此利用海洋数值模型往往浪费计算资源，不是较为理想的方式。

第三，大型海洋数值模型的运行需要具有一定模型知识的预报员进行操作，目前已有的海洋波浪的研究多局限于学术层面。脱离专业人员无法获取预测结果，难以实现“傻瓜式”操作。

通常，数值模型如SWAN(Simulation Wave Nearshore)被用来预测不规则的、随机的波。虽然计算成本通常昂贵，但由于其基于物理过程建模计算，因此具有较好的精度与解释性。而神经网络模型依赖于计算机硬件能力在计算速度方面明显提高，但其缺乏完整的理论支撑，更接近为一个黑箱模型。因此，2008年马莱克莫哈马迪等人就提出了结合数值建模和神经网络建模计算相结合的方法展开波浪特征的预测。

过去的几十年里，海洋数据(包括现场测量和再分析数据)迅速积累，这使利用人工智能手段进行海洋环境预测成为可能。随着深度学习理论与方法在工业领域逐渐崭露头角，在气象和陆地水文领域已经开展了广泛的研究与应用。研究发现，深度学习可以通过卷积操作和循环模式，跟踪海洋环境因素的空间特征和时间特征。

比如，Braakmann-Forlgmann的团队2017年的研究中应用卷积神经网络(CNN)通过输入显著波高图像的时间序列来预测海平面变化(Braakmann-Folgmann A,Roscher R,Wenzel S,et al.2017.Sea level anomaly prediction using recurrent neuralnetworks.arXiv preprint arXiv:1710.07099)；Kumar的团队在2017的研究中尝试利用最小资源分配网络的序列学习算法来预测不同地理区域的日平均波高，同时利用长短时记忆网络(LSTM)对海面温度进行预测(Kumar NK,Savitha R,Al Mamun A.2017.Regionalocean wave height prediction using sequential learning neural networks.OceanEngineering,129:605–612,doi:10.1016/j.oceaneng.2016.10.033)；James等人2018年使用前馈神经网络(FFNN)对蒙特雷湾的SWAN数据进行数值建模，与基于物理的模型相比，将计算时间减少了超过1000倍。(James,S.C.,Zhang,Y.S.,O’Donncha,F.,2018.A machinelearning framework to forecast wave conditions.Coast.Eng.137,1–10.https://doi.org/10.1016/j.coastaleng.2018.03.004.)

2020年，杨等人开发了用于水体分割的掩模R-CNN方法，宋涛等提出了一种基于深度学习的双路径门控循环的海面盐度预测单元模型(Yang Fengyu,Feng Tao,Xu Ganyang,et al.2020.Applied method for water-body segmentation based on mask R-CNN.Journal of Applied Remote Sensing,14(1):014502)(Song Tao,Wang Zihe,XiePengfei,et al.2020.A novel dual path gated recurrent unit model for seasurface salinity prediction.Journal of Atmospheric and Oceanic Technology,37(2):317–325,doi:10.1175/JTECH-D-19-0168.1)。

发明内容

本发明首次提出将巡测数据与模型数据结合，利用无人机搭载声学测波设备，对施工的局部波浪观测数据进行补充，解决了部分数据缺乏的问题。另外，本发明提出一种结合卷积运算与长短时记忆网络(LSTM)结合的模型ConvLSTM，该模型网络捕捉序列时空变化的性能优于深度前馈神经网络和其他先进的机器学习算法。本发明应用于数值模式预测数据(大网格)与局部地区的波浪巡测数据(小网格)的融合问题中，通过模型训练，获得数值模式预测波浪与局部波浪之间的关联模型，为工程作业船舶需求的高精度区域波浪预测提供技术支持。

本发明的核心就是建立一个将模拟数据和巡测数据关联的ConvLSTM网络，预测船舶施工区域的波浪。无人机提供了小网格巡测数据；模拟数据是大范围数值模型计算得到。

本发明解决的技术问题：工程作业海域中，开发了一种基于深度学习框架的数据融合方式，以提高船舶周围小范围海域中海浪预测的精度。

为解决上述技术问题，本发明采用以下技术方案

一种基于图像预测模型的施工区域预测波高精度提高方法，其特征在于，包括以下步骤：

S1.应用无人机搭载便携式波浪的声学测量设备和摄像机，在工程船舶作业区域进行波浪要素测量，为S2做准备；

S2.工程施工水域的海洋波浪模式预测数据采集；

根据指定的工程领域，以及确定无人机可以进行采集数据的时间段，对该时段的波高进行数值预测；将大网格的数值模型预测结果的NC格式数据重构形成深度学习网络可用的张量格式，将每个区域的数据以时间为基准按顺序排列。将获取到的数值模型数据插值到小网格，得到时间序列网格数据；

S3.对数据归一化处理，并划分为训练集和测试集；

经步骤S2对数据进行时空连续性重构后，分别形成两组张量：由数值模式预测数据组成的波高场时间序列

y＝(x-x

其中，x表示原始变量；y是归一化后的变量，x

S4.构建基于ConvLSTM网络的深度学习海浪波高要素预测模型；

用步骤S3中的

在获取输出数据后将其带入预置的损失函数表达式中进行计算，得到损失值；上述损失函数表达式采用评价指标(MAE)损失函数，其表达式为：

式中，P

再将损失值反向传播，通过预置的优化器(Adam)对模型各层参数进行更新优化，在预置的迭代次数中训练以达到最低的MAE值，最终生成优化后的ConvLSTM神经网络模型。

本发明首次提出以数值模式模拟获得的网格插值的时间序列数据作为训练模型的输入，与之对应的巡测网格的时间序列数据作为标签，应用ConvLSTM网络进行模型构建，获得波浪特征值的预测模型；通过本发明模型，使一般的波浪预测模式的预测结果的精度得到了质得提升。以无人机采集的实测数据做为标签，通过本发明算法，实现将数值模拟结果转化为与实测数据相匹配。

附图说明

图1无人机巡测装置

图2船舶作业位置高精度快速预测流程

图3.施工作业海域无人机巡测示意图

图4波高预测模型中无人机测量数据与大范围数值模式融合方式

图5ConvLSTM网络示意图

图6ConvLSTM的计算单元示意图

图7模型预测结果其中一点的显著波高结果

图8模型预测值和数值模型模拟值的相关性图

具体实施方式

下面结合附图和具体实施方式对发明进行详细阐述。

一种基于图像预测模型的施工区域预测波高精度提高方法，其包括以下步骤：

S1.应用无人机搭载便携式波浪的声学测量设备和摄像机，在工程船舶作业区域进行波浪要素测量，为S2做准备；其中无人机采样系统设备的搭建如图1所示(未示意出船)，举例而非限定。设备整体说明如下：

(1)选择具有载重能力的飞行器，为移动式采样系统提供航行能力。无人机大小应当满足载重量大于波浪仪的重量。

(2)波浪仪采用超声波原理对波浪进测量，测量时需要保持仪器正对着波面进行测量，经过5分钟能够得到1/10的有效波高大小及对应的波周期，波浪数据连接无人机无线传输接口。

(3)将摄像头和波浪仪固定为同方向，摄像头的图像信号线接入无人机的图传端口，波浪仪的数据线接入无人机的数传端口。

(4)计算机放置在岸端或者船端，通过无线电台接收无人机传输的数据，数据类型为波浪数据，计算机通过融合船体数据并进行计算形成测量点处的波向、波高、周期数据。

S2.工程施工水域的海洋波浪模式预测数据采集；

根据指定的工程领域(如图3中无人机巡测的ABCD区域)，以及确定无人机可以进行采集数据的时间段，对该时段的波高进行数值预测。需要将大网格的(100km×100km)数值模型预测结果的NC格式数据重构形成深度学习网络可用的张量格式，将每个区域的数据以时间为基准按顺序排列。将获取到的数值模型数据插值到小网格(5.5km×5.5km)，得到时间序列的5.5km×5.5km网格数据。

S3.对数据归一化处理，并划分为训练集和测试集；

经步骤S2对数据进行时空连续性重构后，分别形成两组张量：由数值模式预测数据组成的波高场时间序列

y＝(x-x

其中，x表示原始变量；y是归一化后的变量，x

归一化后将两数据集均按时间序列的6:4的比例划分训练集和测试集。

S4.构建基于ConvLSTM网络的深度学习海浪波高要素预测模型；

用步骤S3中的

该模型主要以ConvLSTM为计算单元，其具体结构如图5：

通过叠加多个ConvLSTM层，并接有一个Conv3D层，最终接有一个Dropout层，得到输出数据。

其中ConvLSTM层的计算单元结构见图6，由遗忘门、输入门、输出门和单元状态组成，i

式中，x是输入端的样本数据，即波高场时间序列

Conv3D层将上述完成空间卷积的数据进一步做时空同步的卷积计算。

Dropout层则用于防止过拟合，最终获得输出数据。

在获取输出数据后将其带入预置的损失函数表达式中进行计算，得到损失值；上述损失函数表达式采用评价指标(MAE)损失函数，其表达式为：

式中，P

再将损失值反向传播，通过预置的优化器(Adam)对模型各层参数进行更新优化，在预置的迭代次数中训练以达到最低的MAE值，最终生成优化后的ConvLSTM神经网络模型。

S5.测试应用

将模型在实船应用，并将实际数据输入S4训练优化后的波高预测模型得到预测结果，进行精度验证。

为使本发明的目的、技术方案更加清楚明了，结合以下实施例，对本发明进行进一步地详细说明。应当说明，所表述的实施例仅针对发明的一部分实例，非全部实例。

步骤1.无人机巡测数据的采集

利用无人机采样系统每小时获取施工海域的波浪数据，其数据形式为网格数据，5.5km×5.5km(小网格巡测数据，见图3)，并以时间维度形成巡测数据集合。

步骤2.模型数据获取

收集施工海域的数值模式计算得到100km×100km的网格数据(大网格预测数据，见图3)，将大网格数据统一插值到与巡测数据对应的网格上，同样以时间维度为标准形成模型波浪数据集合。

步骤3.数据预处理和训练集与测试集划分

对模拟数剔除异常数据，补全缺失数据。对所有数据做归一化处理，并基于时间序列以6：4的比例划分训练集和测试集。

步骤4.模型建立

搭建合适该数据集的深度学习框架结构，模型结构为4层ConvLSTM层(每层卷积核个数均设置为40个，卷积核形状为3X3，每层后均跟有标准化处理)、一层Conv3D(卷积核个数为1，形状为3X3X3)，一层Dropout，设定为0.3。将步骤3处理好的数据集导入框架模型进行训练，根据每次训练结果调整模型的超参数，修改模型结构，以MAE(评价指标)为基准，取训练误差最小的模型参数作为最终的波高预测模型(判断依据为验证集MAE值最小)。

步骤5.测试模型效果

在实船应用中，上述模型的预测效果见图7，从模型结果图中可以看出，模型整体预测结果较好，且较大波高位置的结果比模拟结果表现效果更好，有效提高模拟结果的精度值，较准确地把握波高最大值情况；预测值与真实值的相关性散点图见图8。