买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国人民解放军国防科技大学申请的专利一种基于多层次特征聚合的全球海洋环境预报方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117849903B 。

龙图腾网通过国家知识产权局官网在2025-07-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311650549.0，技术领域涉及：G01W1/10；该发明授权一种基于多层次特征聚合的全球海洋环境预报方法是由汪祥;王辉赞;朱俊星;王品强;韩毅;张卫民;宋君强;任开军;鲍森亮;邓科峰;徐建波设计研发完成，并于2023-12-05向国家知识产权局提交的专利申请。

本一种基于多层次特征聚合的全球海洋环境预报方法在说明书摘要公布了：本发明公开了一种基于多层次特征聚合的全球海洋环境预报方法，目的是解决现有预报方法预报速度较慢，预报精度不高的问题。技术方案是：构建由海洋特征提取模块、海洋特征聚合模块和全球海洋区域还原模块构成的基于多尺度特征聚合的全球海洋环境预报系统。采用训练集对预报系统进行训练，并使用验证集对训练后的预报系统的预报精度进行测试，若该轮模型参数使得当前预报精度最优，则保存该轮权重参数。训练结束后得到预报性能最优异的训练后的预报系统；最后采用预报性能最优异的训练后的预报系统根据用户输入的全球海洋环境数据进行预报，得到相应天数的海洋环境预报结果。采用本发明能提升112度高分辨率数据的预报精度，并提高预报速度。

本发明授权一种基于多层次特征聚合的全球海洋环境预报方法在权利要求书中公布了：1.一种基于多层次特征聚合的全球海洋环境预报方法，其特征在于包括以下步骤： 第一步，构建基于多层次特征聚合的全球海洋环境预报系统；海洋环境预报系统由海洋特征提取模块、海洋特征聚合模块和全球海洋区域还原模块构成； 海洋特征提取模块与海洋特征聚合模块相连、全球海洋区域还原模块相连，海洋特征提取模块接收用户输入的全球海洋环境数据即包含海洋各层要素的三维网格数据，从全球海洋环境数据中提取海洋特征，将海洋特征的特征图发送给海洋特征聚合模块、全球海洋区域还原模块；海洋特征提取模块由二维卷积神经网络和第一LayerNormalization层组成；二维卷积神经网络将三维网格数据划分成块即patch，提取全球海洋环境数据的海洋特征，将海洋特征的特征图发送给第一LayerNormalization层；第一LayerNormalization层对海洋特征的特征图进行归一化，将归一化后的海洋特征的特征图发送给海洋特征聚合模块； 海洋特征聚合模块与海洋特征提取模块、全球海洋区域还原模块相连；海洋特征聚合模块由5个权重不共享的空间信息提取网络即SIE网络、上采样模块和下采样模块构成；第一SIE网络和第五SIE网络结构相同，均由一个局部SIE网络和一个全局SIE网络构成；第二SIE网络至第四SIE网络结构相同，均由两个连续的局部SIE网络和一个全局SIE网络构成；第一SIE网络由第一局部SIE网络和第一全局SIE网络组成；第一局部SIE网络由窗口多头自注意力层和多层感知机MLP构成；窗口多头自注意力层从海洋特征提取模块接收归一化后的海洋特征的特征图，对归一化后的海洋特征的特征图进行层次归一化，将层次归一化后的特征图划分成多个窗口，使用窗口多头自注意力机制以及残差连接操作得到注意力机制增强的特征图，将注意力机制增强的特征图发送给多层感知机；多层感知机由两层线性层组成，从窗口多头自注意力层接收注意力机制增强的特征图，对其进行层次归一化、线性投影以及残差连接操作，得到融合窗口内局部空间信息的特征图，将融合窗口内局部空间信息的特征图发送给第一全局SIE网络；第一全局SIE网络由一个特征分组网络，一个组特征融合网络以及一个组特征传播网络组成；第一全局SIE网络的特征分组网络从第一局部SIE网络接收融合窗口内局部空间信息的特征图，使用交叉注意力机制对融合窗口内局部空间信息的特征图中的特征进行分组聚合，得到组特征，将组特征发送给组特征融合网络；组特征融合网络的主体部分由MLP-mixer构成；组特征融合网络从特征分组网络接收组特征，交换组特征信息并更新组特征，使得每个组特征在包含当前组信息的同时又能一定程度上反映全局信息，得到更新后组特征，将更新后组特征发送给组特征传播网络；组特征传播网络使用交叉注意力机制将更新后组特征传播给融合窗口内局部空间信息的特征图中的所有特征，并利用深度可分卷积神经网络对窗口内局部空间信息的特征图中进行卷积特征提取，得到第一阶段特征增强后的特征图，将第一阶段特征增强后的特征图发送给下采样模块；第二SIE网络至第五SIE网络中的局部SIE网络结构与第一局部SIE网络结构相同，第二SIE网络至第五SIE网络中的全局SIE网络结构与第一全局SIE网络相同； 下采样模块与第一SIE网络、第二SIE网络相连，由一个线性层构成；下采样模块从第一SIE网络接收第一阶段特征增强后的特征图，将第一阶段特征增强后的特征图中每2×2个相邻的patch组合在一起，并在通道维度上拼接后进行层次归一化操作，得到通道数为第一阶段特征增强后的特征图4倍的通道拼接特征图；下采样模块在通道拼接特征图的通道维度做线性变化，将通道拼接特征图的通道数减半，得到下采样特征图；下采样特征图的高和宽是第一阶段特征增强后的特征图的一半，通道数是第一阶段特征增强后的特征图的2倍，即下采样倍率变为第一SIE网络的两倍，接着将下采样特征图发送给第二SIE网络；第二SIE网络的第二局部SIE网络和第三局部SIE网络和第二全局SIE网络对下采样特征图进行增强，获得第二阶段特征增强的特征图，并将第二阶段特征增强的特征图发送给第三SIE网络；第三SIE网络的第四局部SIE网络和第五局部SIE网络和第三全局SIE网络对第二阶段特征增强的特征图进行增强，获得第三阶段特征增强的特征图，并将第三阶段特征增强的特征图发送给第四SIE网络；第四SIE网络的第六局部SIE网络和第七局部SIE网络和第四全局SIE网络对第三阶段特征增强的特征图进行增强，获得第四阶段特征增强的特征图，将第四阶段特征增强的特征图发送给上采样模块； 上采样模块与第四SIE网络、第五SIE网络相连，由两个线性层构成；上采样模块从第四SIE网络接收第四阶段特征增强的特征图；上采样模块的第一个线性层在第四阶段特征增强的特征图的通道维度上做线性变化，得到通道维度是第四阶段特征增强的特征图的2倍的通道变换特征图；改变通道变换特征图的形状，使得高和宽是通道变换特征图的2倍，通道数是通道变换特征图的一半，得到形状变换特征图，将形状变换特征图发送给上采样模块的第二个线性层；上采样模块的第二个线性层对形状变换特征图的通道域信息进行融合，不改变通道维度的大小，得到上采样特征图，将上采样特征图发送给第五SIE网络；上采样特征图的高和宽是第四阶段特征增强的特征图的2倍，通道数是第四阶段特征增强的特征图的一半； 第五SIE网络对上采样特征图进行第五阶段特征增强，得到第五阶段特征增强的特征图，将第五阶段特征增强的特征图发送给全球海洋区域还原模块； 第一SIE网络至第五SIE网络中的局部SIE网络中的窗口多头自注意力层以及全局SIE网络中的特征分组网络中加入了掩码机制，使得陆地区域的注意力分数为0； 全球海洋区域还原模块由第二LayerNormalization层以及一个二维转置卷积神经网络组成，与海洋特征提取模块和海洋特征聚合模块的第五SIE网络相连，从海洋特征聚合模块接收第五阶段特征增强的特征图，从海洋特征提取模块接收归一化后的海洋特征的特征图；全球海洋区域还原模块的第二LayerNormalization层将第五阶段特征增强的特征图和归一化后的海洋特征的特征在通道维度进行拼接，得到通道拼接特征图，然后对通道拼接特征图进行归一化，将归一化后的通道拼接特征图发送给二维转置卷积神经网络层；二维转置卷积神经网络层采用转置卷积对归一化后的通道拼接特征图上采样6倍，得到预测的三维网格数据，预测的三维网格数据的高和宽和用户输入的全球海洋环境数据的高和宽相同，通道维度是总的目标要素的个数，预测的三维网格数即为全球海洋环境预报结果； 第二步，构建训练集、验证集和测试集，方法是： 2.1下载GLORYS12全球海洋再分析数据、ERA5风场再分析数据和GHR的海表面温度卫星数据，并对数据进行质量控制，方法是： 2.1.1下载GLORYS12全球海洋再分析数据，ERA5风场再分析数据和GHR的海表面温度数据，从这3种数据中收集时间跨度为1993年到2020年的数据作为海洋环境预报的数据集；选择GLORYS12数据中的thetao即温度，so即盐度，uo即海水东向流速，vo即海水北向流速，zos即海表面高度这五个要素，对于温度、盐度、海水东向流速以及海水北向流速，抽取1到33层的数据，对海表面高度抽取第1层数据；将ERA5再分析数据也作为海洋环境预报的数据集的组成部分，ERA5风场再分析数据的空间分辨率为14度，空间跨度在经度方向上为-180度到180度，在纬度方向上为-90度到90度，时间分辨率为1小时，包括u10即10米东向风速，v10即10米北向风速两个单层要素；GHR的海表面温度数据的空间分辨率为120度，空间跨度在经度方向上为-180度到180度，在纬度方向上为-90度到90度，时间分辨率为1天，仅包含海表面温度卫星数据； 2.1.2对数据进行质量控制：采用python中的xarray库，从1993年1月1日开始读取GLORYS12全球海洋再分析数据、ERA5风场再分析数据和GHR的海表面温度卫星数据，如果数据为有问题的“脏”数据，即数据缺失、损坏或者数据中某些要素的数据缺失，则将“脏”数据写入日志；然后重新下载“脏”数据对应的好数据； 2.2令1993至2020年的天数为D，令GLORYS12全球海洋再分析数据，ERA5风场再分析数据，和GHR海表面温度卫星数据三个数据集原始数据集为M，E，G；将M，E，G进行时间和空间分辨率对齐，方法是： 2.2.1将ERA5风场再分析数据的时间分辨率与GLORYS12全球海洋再分析数据、GHR海表面温度卫星数据对齐，得到时间分辨率对齐后的ERA5风场再分析数据集E1； 2.2.2将M、E1两个数据集的空间分辨率与G对齐，得到空间分辨率为112度的ERA5风场再分析数据集E2和GHR的海表温度数据集G1； 2.2.3将E2、G1两个数据集与M的空间范围进行对齐，得到空间范围对齐后的ERA5风场再分析数据集E3和GHR的海表温度数据集G2； 2.4将E3、G2和M中的数据由nc格式转为npy格式，得到格式为npy的数据集S； 2.5将S划分为训练集，验证集和测试集，并计算训练集数据的均值和标准差，对数据进行归一化，方法是： 2.5.1使用mv命令将S中1993年到2017年的数据移动到训练集train，将2018年的数据移动到验证集val中，2019到2020年的数据移动到测试集test中； 2.5.2根据训练集train数据的总体均值和标准差，采用标准化方法对训练集train中的数据进行标准化，得到标准化后的训练集DM；标准化方法如下： 2.5.2.1令变量d＝1，取train中第d天的数据为Xd，初始化标准化后的训练集DM为空； 2.5.2.2对Xd进行标准化，具体过程如公式1所示： 其中μ是训练集train数据的总体均值，σ是总体标准差；将标准化后的Xd放入DM中； 2.5.2.3若d≤D，令d＝d+1，转2.5.2.2；若dD，则已完成训练集train数据的标准化，转2.5.3； 2.5.3根据训练集数据的总体均值和标准差，采用2.5.2步所述标准化方法对验证集val中的数据进行标准化，得到标准化后的验证集DV； 2.5.4根据训练集数据的总体均值和标准差，对测试集test中的数据进行标准化，得到标准化后的测试集DT； 第三步，利用梯度反向传播方法对全球海洋环境预报系统进行训练，得到在验证集Dv上的预报效果最佳的网络权重参数，方法是： 3.1初始化海洋环境预报系统中各模块的网络权重参数；采用均值为0，方差为0.01的正态分布初始化海洋特征提取模块、海洋特征聚合模块和全球海洋区域还原模块的网络权重参数； 3.2设置海洋环境预报系统训练参数，包括预热学习率、预热训练步长、学习率learning_rate，网络训练的批次大小mini_batch_size；最大训练步长maxepoch；选用AdamW作为模型训练优化器，设置模型训练优化器的超参数β1，β2，“权重衰减”； 3.3训练海洋环境预报系统，方法是将一次训练时海洋环境预报系统输出的预报结果与真实值之间差异的平方作为损失值loss，利用梯度反向传播更新网络权重参数，直到损失值达到阈值或训练步长达到maxepoch；每训练一轮，若在验证集Dv上当前系统的预报精度最好，就保存当前轮次的网络权重参数；方法是： 3.3.1令训练步epoch＝1，训练集所有数据训练一次为一个epoch，初始化批次序号Nb＝1； 3.3.2海洋特征提取模块从DM中读取第Nb批次，共B个三维网格数据，将这B个三维网格数据记为矩阵形式Itrain，Itrain中包含B个H×W×V的矩阵；其中H表示输入的网格数据的高，W表示输入的网格数据的宽，V代表通道维度，V＝3+层数×4，即3个海表要素，以及各层的温度、盐度、海水东向速度以及海水北向速度，B是正整数； 3.3.3海洋特征提取模块采用海洋特征提取方法对Itrain进行特征提取，将包含Itrain的海洋特征的归一化后的特征图X发送给海洋特征聚合模块和全球海洋区域还原模块，方法是： 3.3.3.1海洋特征提取模块中的二维卷积神经网络提取Itrain的海洋特征，得到包含海洋特征的特征图，方法是：使用卷积对Itrain的B个三维网格数据进行patch划分，得到包含海洋特征的特征图；然后将包含海洋特征的特征图发送给第一LayerNormalization层； 3.3.3.2第一LayerNormalization层在每个三维网格数据的层级上对包含海洋特征的特征图进行归一化，得到包含Itrain的海洋特征的归一化后的特征图X，归一化操作有助于提高网络的训练效果；第一LayerNormalization层将X发送给海洋特征聚合模块和全球海洋区域还原模块；X的分辨率为X的通道数为416； 3.3.4海洋特征聚合模块从海洋特征提取模块接收X，生成第五阶段的特征增强的特征图X5，将X5发送给全球海洋区域还原模块；方法是： 3.3.4.1第一SIE网络从海洋特征提取模块接收X，采用基于局部和全局空间信息提取的特征聚合方法对X进行局部空间自注意力增强和全局信息融合，得到X的第一阶段特征增强的特征图X1；方法就： 3.3.4.1.1第一SIE网络的第一局部SIE网络采用局部特征提取方法对X进行特征提取，方法是：第一局部SIE网络的窗口多头自注意力层对X进行层次归一化操作，将X划分成多个窗口；然后第一局部SIE网络的窗口多头自注意力层并行地在每个窗口内使用窗口多头自注意力机制对X进行局部空间自注意力增强，再进行残差连接得到残差连接后的特征图在窗口多头自注意力机制的计算过程中，使用掩码机制将X中对应陆地区域的特征的注意力权重置为0，接着第一局部SIE网络的窗口多头自注意力层将特征图发送给第一局部SIE网络的多层感知机；第一局部SIE网络的多层感知机首先对进行层次归一化，然后利用线性映射对在通道维度上进行融合，再进行残差连接操作，得到融合窗口内局部空间信息的特征图并将发送给第一全局SIE模块； 3.3.4.1.2第一SIE网络的第一全局SIE网络从第一局部SIE网络中接收采用特征增强方法对进行全局信息的提取融合，得到融合局部以及全局空间信息的第一阶段特征增强的特征图X1，方法是： 3.3.4.1.2.1第一特征分组网络随机初始化一组组特征G，G中包含N个特征，每个特征的维度为d，d为416；第一特征分组网络首先利用多头交叉注意力机制对中的特征分组聚合与更新，得到更新后的组特征G′，G′中的每个特征都聚合了语义近似的一簇patch的信息；在多头交叉注意力机制的计算过程中，使用掩码机制掩盖中对应陆地部分的特征，使得陆地部分不会参与交叉注意力机制的计算；然后第一特征分组网络将组特征G′发送给第一组特征融合网络； 3.3.4.1.2.2第一组特征融合网络从第一特征分组网络接收G′，在G′中的每个特征间进行信息交换，然后融合并更新G′组特征信息，得到更新后的组特征第一组特征融合网络的第一个MLP层对在G′空间域上进行融合得到融合空间信息的组特征第二个MLP层对在通道域上进行融合，得到更新后的组特征第一组特征融合网络将更新后的组特征发送给第一组特征传播网络； 3.3.4.1.2.3第一组特征传播网络从第一组特征融合网络接收从第一局部SIE网络中接收采用多头交叉注意力机制，将中的特征作为查询向量，将组特征作为键向量和值向量，根据中的不同特征，对组特征中的每个特征赋予不同的权重，然后根据权重对中的特征加权求和得到全局空间特征U，将U发送给第一组特征传播网络； 3.3.4.1.2.4第一组特征传播网络的前馈神经网络将U与中的特征拼接起来，获得拼接特征图X1′，并对X1′进行线性变化，然后通过残差连接获得残差连接后的特征图X1″；深度可分卷积神经网络对X1″进行卷积特征提取，获得融合局部以及全局空间信息的第一阶段特征增强的特征图X1；X1的分辨率为X1的通道数为416；第一SIE网络的第一组特征传播网络将X1发送给下采样模块； 3.3.4.2下采样模块从第一SIE网络的第一组特征传播网络接收X1，采用patch组合拼接与通道域线性变换方法对X1进行下采样，得到下采样特征图XD，将XD发送给第二SIE网络，方法是： 3.3.4.2.1将X1中每个2×2的相邻patch组合在一起，并在通道域上将这4个patch拼接后进行层次归一化操作，得到通道数为X1的4倍的通道拼接特征图，拼接特征图的通道维度为4×416； 3.3.4.2.2在通道拼接特征图的通道维度做线性变化，将通道拼接特征图的通道数减半，得到下采样特征图XD；XD的特征图分辨率为XD的特征图通道数为832；下采样特征图XD的下采样倍率是X1的两倍； 3.3.4.2.3下采样模块将XD发送给第二SIE网络； 3.3.4.3第二SIE网络接收下采样模块发送的下采样特征图XD，第二局部SIE网络、第三局部SIE网络采用3.3.4.1.1步所述局部特征提取方法对XD进行2次特征提取，第二全局SIE网络采用3.3.4.1.2步所述特征增强方法对经2次特征提取后的XD进行全局信息的提取融合特征增强，获得第二阶段特征增强的特征图X2，将X2发送给第三SIE网络；X2的特征图分辨率为X2的特征图通道数为832，第二SIE网络仅对X1进行特征增强，不改变X1的分辨率； 3.3.4.4第三SIE网络接收X2，第三SIE网络的第四局部SIE网络、第五局部SIE网络采用3.3.4.1.1步所述特征提取方法对X2进行2次特征提取，第三全局SIE网络采用3.3.4.1.2步所述局部特征增强方法对2次特征提取后的X2进行全局信息的提取融合特征增强，获得第三阶段特征增强的特征图X3，将X3发送给第四SIE网络；X3的特征图分辨率为X3的特征图通道数为832，第三SIE网络仅对X2进行特征增强，不改变X2的分辨率； 3.3.4.5第四SIE网络接收X3，第四SIE网络的第六局部SIE网络、第七局部SIE网络采用3.3.4.1.1步所述特征提取方法对X3进行2次特征提取，第四全局SIE网络采用3.3.4.1.2步所述局部特征增强方法对2次特征提取后的X3进行全局信息的提取融合特征增强，获得第四阶段特征增强的特征图X4，将X4发送给上采样模块；X4的特征图分辨率为X4的特征图通道数为832，第四SIE网络仅对X3进行特征增强，不改变X3的分辨率； 3.3.4.6上采样模块从第四SIE网络接收X4，采用上采样方法对X4进行上采样，得到上采样特征图XU，将XU发送给第五SIE网络，方法是： 3.3.4.6.1上采样模块的第一个线性层在X4的通道域上做线性变化，将通道数变换为X4的两倍，得到通道变换特征图； 3.3.4.6.2上采样模块的第一个线性层改变通道变换特征图的形状，使得高和宽是通道变换特征图的2倍，即特征图分辨率为通道数是通道变换特征图的14，得到形状变换特征图； 3.3.4.6.3上采样模块的第一个线性层将形状变换特征图进行层次归一化，得到层次归一化后的形状变换特征图，将层次归一化后的形状变换特征图发送到第二个线性层； 3.3.4.6.4上采样模块的第二个线性层对层次归一化后的形状变换特征图的通道域的信息进行融合，不改变通道维度的大小，得到上采样特征图XU，将XU发送给第五SIE网络； 3.3.4.7第五SIE网络从上采样模块接收XU，第五SIE网络的第八局部SIE网络采用3.3.4.1.1步所述局部特征提取方法对XU进行特征提取，第五全局SIE网络采用3.3.4.1.2步所述特征增强方法对特征提取后的XU进行全局信息的提取融合特征增强，得到第五阶段特征增强后的特征图X5，X5也是的矩阵；将X5发送给全球海洋区域还原模块； 3.3.5全球海洋区域还原模块的第二LayerNormalization层从海洋特征聚合模块接收X5，从海洋特征提取模块接收X，将X5和X在通道维度进行拼接，得到通道拼接特征图，并对通道拼接特征图进行归一化，得到归一化后的通道拼接特征图，将归一化后的通道拼接特征图发送给全球海洋区域还原模块的二维转置卷积神经网络； 3.3.4.6上采样模块从第四SIE网络接收X4，采用上采样方法对X4进行上采样，得到上采样特征图XU，将XU发送给第五SIE网络，方法是： 3.3.4.6.1上采样模块的第一个线性层在X4的通道域上做线性变化，将通道数变换为X4的两倍，得到通道变换特征图； 3.3.4.6.2改变通道变换特征图的形状，使得高和宽是通道变换特征图的2倍，即特征图分辨率为通道数是通道变换特征图的14，得到形状变换特征图； 3.3.4.6.3第一个线性层将形状变换特征图进行层次归一化后发送到第二个线性层； 3.3.4.6.4第二个线性层对通道域的信息进行融合，不改变通道维度的大小得到上采样特征图XU，将XU发送给第五SIE网络； 3.3.4.6第五SIE网络从上采样模块接收XU，第五SIE网络的第八局部SIE网络、第九局部SIE网络和第五全局SIE网络对X3进行特征提取和增强，得到第五阶段特征增强后的特征图X5，X5也是的矩阵；然后将X5发送给全球海洋区域还原模块； 3.3.5全球海洋区域还原模块的第二LayerNormalization层从海洋特征聚合模块接收X5以及，从海洋特征提取模块接收X，将X5和X两个特征图在通道维度进行拼接，得到通道拼接特征图，并对通道拼接特征图进行归一化，得到归一化后的通道拼接特征图，将归一化后的通道拼接特征图发送给全球海洋区域还原模块的二维转置卷积神经网络； 3.3.6二维转置卷积神经网络对归一化后的通道拼接特征图的分辨率上采样6倍，得到预测的三维网格数据，三维网格数据的高等于Itrain的高H，宽等于Itrain的宽W，通道数为需要预测的要素数Cout，Cout＝2+层数×4，包括海表面温度、海表面高度，以及各层的温度、盐度、海水东向速度以及海水北向速度，三维网格数据即为生成全球海洋环境要素预报结果数据格式为[H×W×Cout]，表示以第t天为起始时间，对第t+τ天的海表面温度、海表面高度以及1到33层的温度、盐度、流速的预报结果；所述流速包括海水东向流速以及海水北向流速两个分量； 3.3.7设计海洋环境预报系统的总损失函数如公式2所示： 其中表示在经纬网格上坐标为[i,j]的网格点上的第c个要素的预报值；表示Yt+τ在经纬网格上坐标为[i,j]的网格点上的第c个要素的真实值，i≤H,j≤W，c≤Cout； 3.3.8令Nb＝Nb+1，若转3.3.2；若|DM|表示训练集DM中三维网格数据的总数，转第四步； 第四步，使用验证集验证当前epoch结束后的全球海洋环境预报系统的预报精度，保留性能最好的网络权重参数作为全球海洋环境预报系统的网络权重参数；方法是： 4.1将2.5.3步得到的标准化后的验证集DV中的数据输入当前epoch结束后的海洋环境预报系统； 4.2令变量v＝1，令V是验证集的所有三维网格数据的总数； 4.3海洋特征提取模块从DV读取第v个三维网格数据Dv，采用3.3.3步所述的海洋特征提取方法对Dv进行特征提取，得到包含Dv的海洋特征的归一化后的特征图Xv，将Xv发送给海洋特征聚合模块和全球海洋区域还原模块；Xv是的矩阵，分辨率大小为通道数为416； 4.4海洋特征聚合模块中的第一SIE网络接收Xv，采用3.3.4.1步所述基于局部和全局空间信息提取的特征聚合方法对Xv进行局部空间自注意力增强和全局信息融合，得到Dv的第一阶段特征增强后的特征图将发送给下采样模块； 4.5下采样模块从第一SIE网络接收采用3.3.4.2步所述的patch组合拼接与通道域线性变换方法对进行下采样，得到第的下采样特征图将发送给第二SIE网络；是的矩阵，分辨率大小为通道数为832； 4.6第二SIE网络从下采样模块接收第二SIE网络的第二局部SIE网络、第三局部SIE网络采用3.3.4.1.1步所述局部特征提取方法对进行2次特征提取，第二全局SIE网络采用3.3.4.1.2步所述特征增强方法对经2次特征提取后的进行全局信息的提取融合特征增强，得到第二阶段特征增强后的特征图将发送给第三SIE网络；是的矩阵，分辨率大小为通道数为832； 4.7第三SIE网络接收第二SIE网络发送的第三SIE网络的第四局部SIE网络、第五局部SIE网络采用3.3.4.1.1步所述特征提取方法对进行2次特征提取，第三全局SIE网络采用3.3.4.1.2步所述局部特征增强方法对2次特征提取后的进行全局信息的提取融合特征增强，，得到第三阶段特征增强后的特征图将发送给第四SIE网络；是的矩阵，分辨率大小为通道数为832； 4.8第四SIE网络接收第三SIE网络发送的第四SIE网络的第六局部SIE网络、第七局部SIE网络采用3.3.4.1.1步所述特征提取方法对进行2次特征提取，第四全局SIE网络采用3.3.4.1.2步所述局部特征增强方法对2次特征提取后的进行全局信息的提取融合特征增强，得到第四阶段特征增强后的特征图将发送上采样模块；是的矩阵，分辨率大小为通道数为832； 4.9上采样模块接收特征图采用3.3.4.6步所述上采样方法对进行上采样，得到Dv的上采样特征图将发送给第五SIE网络；是的矩阵，分辨率大小为通道数为416； 4.10第五SIE网络接收上采样后的特征图第八局部SIE网络采用3.3.4.1.1步所述局部特征提取方法对进行特征提取，第五全局SIE网络采用3.3.4.1.2步所述特征增强方法对特征提取后的进行全局信息的提取融合特征增强，得到Dv的第五阶段特征增强后的特征图将发送给全球海洋区域还原模块； 4.11全球海洋区域还原模块的二维转置卷积神经网络接收对上采样6倍，输出一个三维网格数据，该三维网格数据的高等于训练集中的三维网格数据的高H，宽等于训练集中的三维网格数据的宽W，通道数为需要预测的要素数Cout；输出的三维网格数据即为全球海洋环境要素预报结果它是以第t天为起始时间，对第t+τ天的海表面温度、海表面高度以及1到33层的温度、盐度、流速的预报结果； 4.12全球海洋区域还原模块的第二LayerNormalization层采用均方根误差RMSE衡量海洋环境预报系统对以Dv为输入，往后第τ天的预报性能；RMSE的计算方法如公式3所示： 其中DM表示逆归一化操作，表示在经纬网格上坐标为[i,j]的网格点上的第c个要素的预报值，表示在经纬网格上坐标为[i,j]的网格点上的第c个要素的真实值； 4.13令v＝v+1，若v≤V，转4.3；若vV，说明已经得到当前epoch结束后的全球海洋环境预报结果的集合，转4.14； 4.14第二LayerNormalization层对海洋环境要素预报集合的RMSE求均值，得到系统在验证集上的平均RMSE，转4.15； 4.15若epoch＝1，保存当前epoch结束后的网络权重参数，直接转4.16；若epoch＝3，令learning_rate＝5×10-5，如果当前epoch结束后的系统在验证集上的平均RMSE小于前一个epoch结束后的平均RMSE，则将网络权重参数更新为当前epoch结束后的网络权重参数，转4.16；若当前epoch结束后的系统在验证集上的平均RMSE不小于前一个epoch结束后的平均RMSE，直接转4.16；若epoch＝2或epoch3，如果当前epoch结束后的系统在验证集上的平均RMSE小于前一个epoch结束后的平均RMSE，则将网络权重参数更新为当前epoch结束后的网络权重参数，转4.16；若当前epoch结束后的系统在验证集上的平均RMSE不小于前一个epoch结束后的平均RMSE，直接转4.16； 4.16令epoch＝epoch+1，若epoch≤maxepoch，转3.3.2；若epochmaxepoch，说明训练结束，得到训练后的全球海洋环境预报系统，转第五步； 第五步，采用训练后的海洋环境预报系统对用户输入的全球海洋环境数据I进行预报，方法是： 5.1根据训练集train数据的总体均值和标准差，采用第2.5.2步所述标准化方法对用户输入的全球海洋环境数据I进行标准化；I是一个三维网格数据，即格式为[H×W×V]的三维矩阵，得到标准化后的矩阵Inor，将Inor输入海洋特征提取模块； 5.2海洋特征提取模块接收Inor，采用3.3.3步所述的海洋特征提取方法对Inor进行特征提取，得到包含Inor的海洋特征的归一化后的特征图XI，将XI发送给海洋特征聚合模块； 5.3海洋特征聚合模块中的第一SIE网络接收XI，采用3.3.4.1步所述的局部和全局空间信息提取的特征聚合方法对XI进行局部空间自注意力增强和全局信息融合，得到Inor的第一阶段特征增强后的特征图将发送给下采样模块； 5.4下采样模块接收采用3.3.4.2所述的patch组合拼接与通道域线性变换方法对进行下采样，得到的下采样特征图将发送给第二SIE网络；是 的矩阵，分辨率大小为通道数为832； 5.5第二SIE网络从下采样模块接收对进行第二阶段的特征提取：第二SIE网络的第二局部SIE网络、第三局部SIE网络采用3.3.4.1.1步所述局部特征提取方法对进行2次特征提取，第二全局SIE网络采用3.3.4.1.2步所述特征增强方法对经2次特征提取后的进行全局信息的提取融合特征增强，得到Inor的第二阶段特征增强的特征图将发送给第三SIE网络；是的矩阵，分辨率大小为通道数为832； 5.6第三SIE网络接收第三SIE网络的第四局部SIE网络、第五局部SIE网络采用3.3.4.1.1步所述特征提取方法对进行2次特征提取，第三全局SIE网络采用3.3.4.1.2步所述局部特征增强方法对2次特征提取后的进行全局信息的提取融合特征增强，得到Inor的第三阶段特征增强后的特征图将发送给第四SIE网络；是 的矩阵，分辨率大小为通道数为832； 5.7第四SIE网络接收第四SIE网络的第六局部SIE网络、第七局部SIE网络采用3.3.4.1.1步所述特征提取方法对进行2次特征提取，第四全局SIE网络采用3.3.4.1.2步所述局部特征增强方法对2次特征提取后的进行全局信息的提取融合特征增强，得到Inor的第四阶段特征增强后的特征图将发送上采样模块；是的矩阵，分辨率大小为通道数为832； 5.8上采样模块接收采用3.3.4.6步所述上采样方法对进行上采样，得到的上采样特征图将发送给第五SIE网络；是的矩阵，分辨率大小为通道数为416；采用3.3.4.6步所述上采样方法对进行上采样，得到Dv的上采样特征图 5.9第五SIE网络接收第八局部SIE网络采用3.3.4.1.1步所述局部特征提取方法对进行特征提取，第五全局SIE网络采用3.3.4.1.2步所述特征增强方法对特征提取后的进行全局信息的提取融合特征增强，和第五全局SIE网络提取全局信息，得到Inor的第五阶段特征增强后的特征图将发送给全球海洋区域还原模块； 5.10全球海洋区域还原模块的二维转置卷积神经网络接收对上采样6倍，输出一个三维网格数据；输出的三维网格数据的高等于H，宽等于W，通道数为需要预测的要素数Cout；输出的三维网格数据即为对用户输入的全球海洋环境数据I的全球海洋环境预报结果它是以第t天为起始时间，对第t+τ天的海表面温度、海表面高度以及1到33层的温度、盐度、流速的预报结果； 第六步，结束。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国人民解放军国防科技大学，其通讯地址为：410073 湖南省长沙市开福区德雅路109号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。