本技術(shù)屬于海洋觀測，具體涉及一種基于物理信息神經(jīng)網(wǎng)絡(luò)的gnss浮標(biāo)風(fēng)速反演方法及系統(tǒng)。

背景技術(shù)：

1、風(fēng)速是海洋氣象監(jiān)測中的重要參數(shù)，傳統(tǒng)的風(fēng)速觀測方法包括氣象浮標(biāo)、衛(wèi)星遙感和船舶測量等。這些方法通常存在高成本、局限性和實(shí)時(shí)性差等問題。gnss浮標(biāo)作為一種新型海洋觀測設(shè)備，能夠通過波浪頻譜數(shù)據(jù)反演風(fēng)速，為風(fēng)速監(jiān)測提供了一種低成本、高效的新方式。然而，現(xiàn)有的基于gnss浮標(biāo)的風(fēng)速反演方法仍存在精度不足、計(jì)算效率差以及泛化能力弱的問題。

2、傳統(tǒng)的風(fēng)速反演方法大多依賴于經(jīng)典物理模型或簡化假設(shè)，這些方法在復(fù)雜海況下的精度較低，且訓(xùn)練和推理時(shí)間較長。尤其是在極端天氣和強(qiáng)風(fēng)條件下，現(xiàn)有方法的反演精度無法滿足實(shí)時(shí)監(jiān)測的需求。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于物理信息神經(jīng)網(wǎng)絡(luò)的gnss浮標(biāo)風(fēng)速反演方法及系統(tǒng)，旨在解決現(xiàn)有技術(shù)中風(fēng)速反演精度、計(jì)算效率及模型泛化能力不足的問題。通過將物理方程的約束引入神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程，本發(fā)明結(jié)合了物理模型與數(shù)據(jù)驅(qū)動方法的優(yōu)勢。具體而言，本發(fā)明通過設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò)并利用物理信息指導(dǎo)網(wǎng)絡(luò)的學(xué)習(xí)，確保網(wǎng)絡(luò)能夠從復(fù)雜的波浪頻譜數(shù)據(jù)中精確提取風(fēng)速信息。同時(shí)，pinns通過直接集成物理方程來優(yōu)化網(wǎng)絡(luò)訓(xùn)練，避免了傳統(tǒng)方法中可能出現(xiàn)的誤差積累問題，顯著提高了訓(xùn)練效率與反演精度。技術(shù)方案如下：

2、一種基于物理信息神經(jīng)網(wǎng)絡(luò)的gnss浮標(biāo)風(fēng)速反演方法，包括以下步驟：

3、s1.數(shù)據(jù)采集與預(yù)處理；

4、s2.構(gòu)建基于物理信息神經(jīng)網(wǎng)絡(luò)模型pinns的風(fēng)速風(fēng)向反演模型；在物理信息神經(jīng)網(wǎng)絡(luò)pinns的訓(xùn)練過程中引入物理方程，以通過反向建模的方式約束模型pinns的輸出；

5、s3.風(fēng)速、風(fēng)向預(yù)測。

6、優(yōu)選的，步驟s1數(shù)據(jù)預(yù)處理步驟如下：

7、獲取gnss數(shù)據(jù)，得到浮標(biāo)在neu方向的三維運(yùn)動信息（），波浪的頻率譜和傅里葉系數(shù)和，通過以下公式計(jì)算：

8、；

9、；

10、；

11、；

12、其中，代表不同方向上的能量分量；是交叉譜的虛部，反映的是兩個(gè)信號之間的相位差異，描述它們的相位不對稱性；是交叉譜的實(shí)部，反映的是兩個(gè)信號的同步性，描述了它們的相位和幅度的共同變化。

13、優(yōu)選的，步驟s2物理信息神經(jīng)網(wǎng)絡(luò)模型pinns包括輸入層、隱蔵層和輸出層；

14、輸入層接收波浪頻譜數(shù)據(jù)和傅里葉系數(shù)作為輸入特征，包括波浪頻譜分量分別表征波浪在方向上的頻域能量密度分布；傅里葉系數(shù)，表征波浪信號在頻率處的周期性分解特性；

15、隱藏層通過前向傳播逐層處理輸入數(shù)據(jù)，提取波浪頻譜的空間分布特征和頻域分解特性，并將其映射至風(fēng)速相關(guān)的潛在表示空間；

16、輸出層通過將隱藏層提取的高維特征進(jìn)行整合，生成風(fēng)速和風(fēng)向的聯(lián)合預(yù)測結(jié)果，對于風(fēng)速預(yù)測值，采用線性激活函數(shù)，以輸出連續(xù)的正值；對于風(fēng)向預(yù)測值，選擇線性激活函數(shù)后通過模運(yùn)算約束角度范圍。

17、優(yōu)選的，物理方程的約束與反向建模步驟如下：

18、基于波浪能量平衡的反向建模方法，從波浪頻譜數(shù)據(jù)反推風(fēng)速和風(fēng)向，假設(shè)波浪場處于準(zhǔn)均勻和準(zhǔn)平穩(wěn)狀態(tài)，源項(xiàng)平衡方程在所有頻率和方向分量上近似閉合，即：

19、；

20、其中：10米高度的風(fēng)速和風(fēng)向；為風(fēng)輸入源項(xiàng)；為海浪破碎耗散源項(xiàng)；為四波相互作用源項(xiàng)；為方向波浪頻譜；

21、方向波浪頻譜分解為頻率譜和方向分布的乘積：

22、；

23、其中：是垂向的頻率譜；是方向分布函數(shù)，滿足歸一化條件，由傅里葉系數(shù)?重建；

24、方向分布的傅里葉展開形式為：

25、；

26、通過對頻率和方向積分，得到：

27、；

28、風(fēng)向通過整體運(yùn)動應(yīng)力與風(fēng)向?qū)R約束，定義為：

29、；

30、；

31、；

32、其中：為風(fēng)施加在海面上的總運(yùn)動應(yīng)力矢量；是波浪從風(fēng)中獲得的動量貢獻(xiàn)部分；表示黏性應(yīng)力；表示背景應(yīng)力，是重力加速度；是波數(shù)矢量，方向與波浪傳播方向一致；為波數(shù)標(biāo)量，是波浪角頻率；為空氣與水的密度比；c表示波浪相速度；，表征風(fēng)驅(qū)動下海面粗糙度的動態(tài)變化，其中是摩擦速度，是charnock常數(shù)；表面粗糙度長度，為馮?卡門常數(shù)。

33、優(yōu)選的，引入源項(xiàng)近似：

34、a1.風(fēng)輸入源項(xiàng)，采用準(zhǔn)線性近似表示為：

35、；

36、；

37、；

38、當(dāng)時(shí)，；

39、；

40、；

41、和為可調(diào)參數(shù)；

42、a2.耗散源項(xiàng)，表示波浪能量耗散率，采用方向依賴飽和度近似，表示為：

43、；

44、其中：表示波浪在給定方向和波數(shù)上的飽和度，衡量波浪能量是否達(dá)到破碎臨界，越大，波浪越不穩(wěn)定，越易破碎；

45、；

46、；

47、表示波浪群速度，表示積分變量，為耗散影響的方向范圍，超出此角度的波浪不貢獻(xiàn)飽和度；表示耗散強(qiáng)度的調(diào)參系數(shù)，控制白浪破碎的耗散強(qiáng)度，根據(jù)模型校準(zhǔn)確定；波浪飽和度的臨界值，當(dāng)時(shí)，波浪開始破碎，耗散發(fā)生，反之則無耗散。

48、優(yōu)選的，物理方程通過損失函數(shù)引入訓(xùn)練過程，物理損失包括整體源項(xiàng)平衡約束和風(fēng)向應(yīng)力約束，計(jì)算如下：

49、整體源項(xiàng)平衡約束：

50、；

51、風(fēng)向應(yīng)力約束：

52、；

53、其中為應(yīng)力幅值；

54、總物理損失表示為：

55、。

56、優(yōu)選的，引入物理方程：在每次前向傳播后，基于風(fēng)速預(yù)測值和風(fēng)向預(yù)測值，計(jì)算物理損失，并與數(shù)據(jù)損失聯(lián)合優(yōu)化，總損失函數(shù)為：

57、；

58、；

59、為可調(diào)權(quán)重，n用于計(jì)算數(shù)據(jù)損失的樣本數(shù)量。

60、優(yōu)選的，物理方程在模型訓(xùn)練階段引入，使用優(yōu)化算法計(jì)算總損失對網(wǎng)絡(luò)參數(shù)的梯度，更新網(wǎng)絡(luò)參數(shù)，直到收斂；

61、計(jì)算風(fēng)速偏差和風(fēng)向偏差：

62、 ；

63、;

64、風(fēng)速實(shí)際值，風(fēng)向?qū)嶋H值。

65、優(yōu)選的，數(shù)據(jù)采集采用2?hz的采樣頻率，每t時(shí)間采集一段完整的數(shù)據(jù)序列，采集數(shù)據(jù)格式為rtcm格式。

66、一種基于物理信息神經(jīng)網(wǎng)絡(luò)的gnss浮標(biāo)風(fēng)速反演系統(tǒng)，包括數(shù)據(jù)采集模塊、數(shù)據(jù)處理模塊和輸出模塊；

67、數(shù)據(jù)采集模塊：浮標(biāo)內(nèi)置的gnss接收機(jī)可實(shí)時(shí)接收多顆衛(wèi)星信號，進(jìn)行定位，并為數(shù)據(jù)同步提供精確時(shí)間戳；浮標(biāo)的數(shù)據(jù)采集采用2?hz的采樣頻率，每t時(shí)間采集一段完整的數(shù)據(jù)序列，采集數(shù)據(jù)格式為rtcm格式；采集到的數(shù)據(jù)在浮標(biāo)內(nèi)部完成后續(xù)處理和計(jì)算；

68、數(shù)據(jù)處理模塊：基于物理信息神經(jīng)網(wǎng)絡(luò)pinns的風(fēng)速風(fēng)向反演模型；在物理信息神經(jīng)網(wǎng)絡(luò)模型pinns的訓(xùn)練過程中引入物理方程，以通過反向建模的方式約束模型輸出；

69、輸出模塊：風(fēng)速、方向預(yù)測的可視化輸出。

70、與現(xiàn)有技術(shù)相比，本技術(shù)有益效果如下：

71、1.提升預(yù)測精度并增強(qiáng)物理一致性：本發(fā)明通過將風(fēng)浪物理規(guī)律嵌入神經(jīng)網(wǎng)絡(luò)，相較于現(xiàn)有技術(shù)的傳統(tǒng)物理方法和純數(shù)據(jù)驅(qū)動方法，能夠從波浪頻譜數(shù)據(jù)更準(zhǔn)確地預(yù)測風(fēng)速和風(fēng)向。測試表明，風(fēng)速預(yù)測誤差小于1.5?m/s，風(fēng)向預(yù)測誤差低于25度，精度較現(xiàn)有技術(shù)提升約15%至20%，且預(yù)測結(jié)果符合風(fēng)浪相互作用的科學(xué)原理。

72、2.增強(qiáng)稀疏數(shù)據(jù)條件下的魯棒性：本發(fā)明利用物理約束優(yōu)化預(yù)測過程，相較于現(xiàn)有技術(shù)在數(shù)據(jù)稀疏或噪聲較大時(shí)易受限于假設(shè)或過擬合的缺陷，能夠在觀測數(shù)據(jù)有限的情況下仍生成可靠的風(fēng)速和風(fēng)向預(yù)測結(jié)果，顯著提高了方法的穩(wěn)健性。

73、3.實(shí)現(xiàn)高效計(jì)算與實(shí)時(shí)預(yù)測：本發(fā)明通過訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)模型，相較于現(xiàn)有技術(shù)中計(jì)算復(fù)雜度高、耗時(shí)長的傳統(tǒng)數(shù)值模型，可在毫秒級時(shí)間內(nèi)完成風(fēng)速和風(fēng)向預(yù)測，大幅提升計(jì)算效率，滿足海洋實(shí)時(shí)應(yīng)用的需求。

74、4.降低對外部數(shù)據(jù)的依賴性：本發(fā)明僅依賴波浪頻譜數(shù)據(jù)即可完成風(fēng)速和風(fēng)向預(yù)測，相較于現(xiàn)有技術(shù)常需額外風(fēng)場觀測的局限性，減少了對外部數(shù)據(jù)的依賴，降低了觀測成本并提高了應(yīng)用便捷性。