一种溢油溯源方法、装置、设备及存储介质与流程

1.本发明涉及灾害监测领域，特别涉及一种基于历史风场校正的溢油溯源方法、装置、设备及存储介质。


背景技术：

2.海上溢油溯源技术是一项在海洋灾害监测与追踪领域占据重要的地位的前沿技术。其中溢油溯源数值模型作为溢油溯源的主要手段，其溢油溯源的精确度主要依赖模型输入变量的精确度。目前常规的溢油溯源数值模型通常以当前时刻的溢油位置以及该位置在历史时刻的风、浪、流等海表面气象参数作为模型的输入变量，其中溢油位置的历史风场是驱动溯源数值模型的关键因素。在进行溢油溯源时，当通过海面观测获取到当前时刻的溢油位置后，可实时获取的历史风场包括历史时刻的预报风场和观测风场，然而，预报风场和观测风场的精确度有限，无法满足实时溯源的精确度要求。
3.目前再分析风场被视作历史时刻最精确的风场估计，但因其计算周期长无法实时获取，通常具有多天的时间延迟，而实时历史风场的精确度不足又成为制约精确实时溯源的瓶颈。因此，如何基于可实时获取的预报风场和观测风场，更加精确地进行溢油溯源，是海洋灾害监测与追踪领域中亟待解决的问题。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于历史风场校正的溢油溯源方法、装置、设备及存储介质，可以通过自注意力时间卷积网络构建溢油溯源模型，并利用这个模型有效地提取历史风场的数据特征，进而对模型进行训练后校正历史风场以提高历史风场的精确度进行溢油溯源，得到更加精确的溢油溯源结果。其具体方案如下：第一方面，本技术提供了一种基于历史风场校正的溢油溯源方法，包括：基于自注意力时间卷积网络构建历史风场校正网络模型，并基于历史风场数据构建所述历史风场校正网络模型的训练数据集；所述训练数据集中包括历史时刻风场对序列，所述历史时刻风场对序列中包括预报风场分量以及对应的观测风场分量；将所述历史时刻风场对序列输入至所述历史风场校正网络模型，以便对所述历史时刻风场对序列进行校正，并利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，得到训练后模型；将待校正历史风场数据输入至所述训练后模型，以得到所述训练后模型输出的目标校正后历史风场数据；基于所述目标校正后历史风场数据确定相应的溢油溯源数值结果。
5.可选的，所述基于自注意力时间卷积网络构建历史风场校正网络模型之前，还包括：基于第一预设数量个自注意力模块构建自注意力网络，并基于第二预设数量个三维卷积层和二维卷积层构建时间卷积网络；所述三维卷积层为采用因果卷积模式的卷积
层；对所述自注意力网络和所述时间卷积网络进行级联，得到自注意力时间卷积网络。
6.可选的，所述将所述训练数据集中的历史时刻风场对序列输入至所述历史风场校正网络模型，包括：将所述训练数据集中的所述第一预设数量个历史时刻风场对序列分别输入至对应的所述第一预设数量个自注意力模块；通过所述自注意力模块对所述历史时刻风场对序列进行注意力加权，以得到目标历史风场对序列，以便将所述目标历史风场对序列输入至所述时间卷积网络进行卷积。
7.可选的，所述通过所述自注意力模块对所述历史时刻风场对序列进行注意力加权，以得到目标历史风场对序列，包括：利用所述自注意力模块计算自注意力权重矩阵，并通过所述自注意力权重矩阵对所述历史时刻风场对序列中的风速值进行加权；对加权后的所述历史时刻风场对序列进行维度转换，得到目标历史风场对序列，以便将所述目标历史风场对序列输入至所述时间卷积网络进行卷积。
8.可选的，所述基于历史风场数据构建所述历史风场校正网络模型的训练数据集之前，还包括：基于预设高分辨率原则从历史风场数据中筛选预报风场以及对应的观测风场的历史风场数据，并基于筛选到的历史风场数据构建历史时刻风场对序列。
9.可选的，所述利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，包括：基于预设残差学习机制确定所述校正后历史风场数据和再分析风场样本的差异；所述再分析风场样本为所述训练数据集中与所述历史时刻风场对序列对应的风场样本；利用所述差异以及预设损失函数对所述历史风场校正网络模型进行训练。
10.可选的，所述基于所述目标校正后历史风场数据确定相应的溢油溯源数值结果之前，还包括：基于拉格朗日油粒子模型构建溢油溯源数值模型，以便将所述目标校正后历史风场数据输入至溢油溯源数值模型，得到溢油溯源数值结果。
11.第二方面，本技术提供了一种基于历史风场校正的溢油溯源装置，包括：模型构建模块，用于基于自注意力时间卷积网络构建历史风场校正网络模型，并基于历史风场数据构建所述历史风场校正网络模型的训练数据集；所述训练数据集中包括历史时刻风场对序列，所述历史时刻风场对序列中包括预报风场分量以及对应的观测风场分量；模型训练模块，用于将所述历史时刻风场对序列输入至所述历史风场校正网络模型，以便对所述历史时刻风场对序列进行校正，并利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，得到训练后模型；风场校正模块，用于将待校正历史风场数据输入至所述训练后模型，以得到所述训练后模型输出的目标校正后历史风场数据；溢油确定模块，用于基于所述目标校正后历史风场数据确定相应的溢油溯源数值
结果。
12.第三方面，本技术提供了一种电子设备，所述电子设备包括处理器和存储器；其中，所述存储器用于存储计算机程序，所述计算机程序由所述处理器加载并执行以实现前述的基于历史风场校正的溢油溯源方法。
13.第四方面，本技术提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的基于历史风场校正的溢油溯源方法。
14.本技术中，基于自注意力时间卷积网络构建历史风场校正网络模型，并基于历史风场数据构建所述历史风场校正网络模型的训练数据集；所述训练数据集中包括历史时刻风场对序列，所述历史时刻风场对序列中包括预报风场分量以及对应的观测风场分量；将所述历史时刻风场对序列输入至所述历史风场校正网络模型，以便对所述历史时刻风场对序列进行校正，并利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，得到训练后模型；将待校正历史风场数据输入至所述训练后模型，以得到所述训练后模型输出的目标校正后历史风场数据；基于所述目标校正后历史风场数据确定相应的溢油溯源数值结果。通过上述技术方案，利用自注意力时间卷积网络可有效提取输入数据的全局空间特征和时间特征，满足时序数据特征提取的要求，可有效建模历史风场对序列的变化规律，继而提高所述模型输出比原始的预报风场和观测风场具有更高的精确度的校正后历史风场，避免了实时历史风场的精确度不足和再分析风场时间延迟高导致的溢油溯源结果误差较大的问题，可以满足实时溯源对历史风场精确度的要求，得到更加精确的溢油溯源结果。
附图说明
15.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
16.图1为本技术提供的一种基于历史风场校正的溢油溯源方法流程图；图2为本技术提供的一种自注意力时间卷积网络结构图；图3为本技术提供的一种风场对的组成结构图；图4为本技术提供的一种风场分量校正方式图；图5为本技术提供的一种具体的历史风场校正方法流程图；图6为本技术提供的一种时间卷积网络结构图；图7为本技术提供的一种自注意力模块结构图；图8为本技术提供的一种具体的溢油溯源方法流程图；图9为本技术提供的一种溢油溯源效果图；图10为本技术提供的一种溢油溯源装置结构示意图；图11为本技术提供的一种电子设备结构图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
18.目前再分析风场被视作历史时刻最精确的风场估计，但因其计算周期长无法实时获取，通常具有多天的时间延迟，而实时历史风场的精确度不足又成为制约精确实时溯源的瓶颈。本技术可以利用自注意力时间卷积网络可有效提取输入数据的全局空间特征和时间特征，建模历史风场对序列的变化规律，继而提高所述模型输出比原始的预报风场和观测风场具有更高的精确度的校正后历史风场，得到更加精确的溢油溯源结果。
19.参见图1所示，本技术实施例公开了一种基于历史风场校正的溢油溯源方法，包括：步骤s11、基于自注意力时间卷积网络构建历史风场校正网络模型，并基于历史风场数据构建所述历史风场校正网络模型的训练数据集；所述训练数据集中包括历史时刻风场对序列，所述历史时刻风场对序列中包括预报风场分量以及对应的观测风场分量。
20.本实施例中，可以理解的是，考虑到历史风场数据的精度，由于高分辨率的风场数据具有相对较高的精确度，且在后续的步骤s12中进行模型训练时采用残差学习机制，因此基于预设高分辨率原则，即高分辨率优先原则从历史风场数据中筛选预报风场以及对应的观测风场的历史风场数据，并基于筛选到的历史风场数据，将预报风场分量以及对应的观测风场分量构建为历史时刻风场对序列，以利用基于历史风场数据构建所述历史风场校正网络模型的训练数据集中的历史时刻风场对序列，所述训练数据集中包括历史时刻预报风场数据构成的历史时刻的预报风场样本集、历史时刻观测风场数据构成的历史时刻的观测风场样本集、以及二者对应的再分析风场样本集，即，并且每个风场样本均包含u方向和v方向两个分量，即、、。
21.这样一来，保证了在模型训练过程中使用的数据精度，有利于提高历史风场校正网络模型的训练效果。所述历史风场校正网络模型为基于自注意力时间卷积网络（self-attention temporal convolutional network，satcn）构建的。
22.步骤s12、将所述历史时刻风场对序列输入至所述历史风场校正网络模型，以便对所述历史时刻风场对序列进行校正，并利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，得到训练后模型。
23.本实施例中，将历史时刻风场对序列输入至历史风场校正网络模型中对所述历史时刻风场对序列进行校正，例如图2所示：将个历史时刻的风场对序列作为历史风场校正网络模型的输入，输出t时刻校正后历史风场，并且根据步骤s11可知，每个历史时刻的风场对包含一个预报风场分量和一个观测风场分量。输入历史时刻风场对序列后，如图2所示，得到的校正后历史风场可以由以下公式进行表示：
24.上述公式中，如图3所示，为预报风场分量，为观测风场分量，预报风场分量和观测风场分量构成风场对，并且由上述步骤可知，预报风场分量和观测风场分量均具有较高的分辨率。可以理解的是，在校正过程中，如图4所示，在对历史时刻风场对序列进行校正时，校正方式为分别对所述历史时刻风场对序列的两个风场分量进行校正，例如将u分量的历史时刻风场对序列输入对应的u分量校正网络，得到对应的校正后的u分量风场。
25.在得到所述校正后历史风场后，基于预设残差学习机制确定所述校正后历史风场数据和再分析风场样本的差异，并利用所述差异以及预设损失函数对所述历史风场校正网络模型进行训练。所述再分析风场样本为所述训练数据集中与所述历史时刻风场对序列对应的标准的再分析风场的样本，以样本为例，上述训练过程采用的损失函数为：
26.上述公式中，为t时刻的再分析风场，利用上述损失函数最小化使得历史风场校正网络模型逐步输出接近于再分析风场的校正后历史风场，以达到对历史风场校正网络模型进行训练的目的，得到训练后模型。需要指出的是，为了得到校正效果更好的模型，本实施例中可以将上述步骤重复预设轮次，以通过循环遍历训练数据集对历史风场校正网络模型进行预设轮次的训练。这样一来，可以提高模型的训练效果，使输出的校正后历史风场的精确度更高。
27.步骤s13、将待校正历史风场数据输入至所述训练后模型，以得到所述训练后模型输出的目标校正后历史风场数据。
28.本实施例中，将待校正历史风场数据输入至所述训练后模型得到目标校正后历史风场数据，以进行后续的溢油溯源步骤。可以理解的是，为了进一步提高历史风场校正网络模型的训练效果，可以通过在构建训练数据集的同时，构建出一个测试数据集，即将数据集按一定比例分为训练数据集和测试数据集，用于对训练后模型进行精确度检测，在所述训练后模型的精确度达到预设指标后，再将待校正历史风场数据输入至所述训练后模型，这样一来，可以降低模型训练失败导致无法准确校正风场的概率。
29.步骤s14、基于所述目标校正后历史风场数据确定相应的溢油溯源数值结果。
30.本实施例中，首先基于拉格朗日油粒子模型构建溢油溯源数值模型，然后将所述目标校正后历史风场数据输入至溢油溯源数值模型，得到溢油溯源数值结果。可以理解的是，采用拉格朗日油粒子模型，将溢油区域表示为大量油粒子的集合，因此，溢油溯源结果即为所有油粒子溯源结果的叠加。
31.本实施例中，若以单个油粒子的溯源过程为例，和分别代表油粒子在t时刻位于当前位置的反向漂移速度分量；和分别代表油粒子在t时刻位于当前位置的两个风速分量；和分别代表油粒子在t时刻位于当前位置的两个流速分量。需要指出
的是，所述风速分量和流速分量均来自校正后历史风场。这样一来，和可以表示为以下公式：
32.上述公式中，和分别代表风速的流速的权重参数。若用代表最小的时间分辨率，和分别代表油粒子在u和v两个方向经过时间的反向漂移距离分量。则和可以表示为：
33.可以理解的是，油粒子在反向漂移过程中会伴随着随机运动，因此，用和分别代表油粒子在u和v两个方向经过时间的随机运动距离分量。则和表示为：
34.上述公式中，代表一个[0,1]之间的随机数，代表一个随机移动的加权参数，代表一个水平随机运动率，代表一个在[0,2π]之间分布的方向角。结合上述公式，油粒子反向移动的距离分量和可以表示为：
[0035]
得到油粒子反向移动的距离分量后，若用代表油粒子的初始经纬度坐标，γ代表沿经线移动1
°
所经过的距离，则油粒子经过时间段所追溯到的位置坐标表示为：
[0036]
这样一来，即单个油粒子经过时间步长的溯源所追溯到的位置坐标，然后将所有油粒子按照步骤s14所述的计算步骤进行溯源操作，将所有追溯到的位置坐标集成后得到当前溢油区域时间步长的溯源结果。
[0037]
通过上述技术方案，本实施例中，基于自注意力时间卷积网络构建历史风场校正网络模型，并基于历史风场数据构建所述历史风场校正网络模型的训练数据集；所述训练
数据集中包括历史时刻风场对序列，所述历史时刻风场对序列中包括预报风场分量以及对应的观测风场分量；将所述历史时刻风场对序列输入至所述历史风场校正网络模型，以便对所述历史时刻风场对序列进行校正，并利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，得到训练后模型；将待校正历史风场数据输入至所述训练后模型，以得到所述训练后模型输出的目标校正后历史风场数据；基于所述目标校正后历史风场数据确定相应的溢油溯源数值结果。通过上述技术方案，利用自注意力时间卷积网络可有效提取输入数据的全局空间特征和时间特征，满足时序数据特征提取的要求，可有效建模历史风场对序列的变化规律，继而提高所述模型输出比原始的预报风场和观测风场具有更高的精确度的校正后历史风场，可以满足实时溯源对历史风场精确度的要求，得到更加精确的溢油溯源结果。
[0038]
基于上一实施例可知，本技术可以通过自注意力时间卷积网络构建历史风场校正网络模型对历史风场进行校正，接下来，本实施例中将对自注意力时间卷积网络的构建以及应用过程进行详细地阐述。参见图5所示，本技术实施例公开了一种具体的历史风场校正方法，包括：步骤s21、基于第一预设数量个自注意力模块构建自注意力网络，并基于第二预设数量个三维卷积层和二维卷积层构建时间卷积网络，然后对所述自注意力网络和所述时间卷积网络进行级联，得到自注意力时间卷积网络。
[0039]
本实施例中，首先基于自注意力模块构建自注意力网络，然后基于预设的卷积层构建时间卷积网络，并通过将两者级联构建自注意力时间卷积网络。其中，在时间卷积网络中，上述第二预设数量个三维卷积层为采用因果卷积模式的卷积层。
[0040]
步骤s22、将训练数据集中的所述第一预设数量个历史时刻风场对序列分别输入至对应的所述第一预设数量个自注意力模块。
[0041]
本实施例中，将训练数据集中的第一预设数量个历史时刻风场对序列中的历史风场分别输入至对应的自注意力网络中的第一预设数量个自注意力模块，接下来的步骤中，将以对个自注意力模块输入包含个历史时刻风场对的风场对序列为例，对历史风场进行校正以输出注意力加权的风场序列进行描述。
[0042]
步骤s23、利用所述自注意力模块计算自注意力权重矩阵，并通过所述自注意力权重矩阵对所述历史时刻风场对序列中的风速值进行加权，然后对加权后的所述历史时刻风场对序列进行维度转换，得到目标历史风场对序列。
[0043]
本实施例中，利用自注意力模块计算自注意力权重矩阵，并通过所述自注意力权重矩阵对所述历史时刻风场对序列中的风速值进行加权，如图6所示，向自注意力模块输入t时刻的历史风场对，并输出注意力加权的风场。
[0044]
具体的，经过三个1
×
1的卷积操作后，得到三个特征映射、、。三个特征映射经维度转换后分别得到、、。
[0045]
自注意力模块通过计算自注意力权重矩阵将风场中的所有风速值建立权重联系，促使模块从历史风场对中提取全局空间特征。自注意力权重矩阵表示为：
[0046]
注意力特征映射表示为：
[0047]
式中reshape(
·
)为由到的维度转换。
[0048]
自注意力模块最终的输出表示为：
[0049]
式中conv(
·
)代表1
×
1的卷积操作。这样一来，通过自注意力网络可以提取输入历史风场对的全局空间特征，以便后续计算。
[0050]
步骤s24、将所述目标历史风场对序列输入至所述时间卷积网络进行卷积。
[0051]
本实施例中，将步骤s23得到的目标历史风场对序列输入至时间卷积网络进行卷积，以完成历史风场对的校正。具体的，如图7所示，将所有自注意力模块的输出输入到后续的时间卷积网络（tcn，temporal convolutional network）。本实施例中的tcn由级联的l个3dcnn模块和一个2dcnn模块构成。第l（1≤l≤l）个3dcnn模块输出的特征图序列可以表示为：
[0052]
上述公式中，3dcnn(
·
)代表3dcnn模块的功能函数，代表用于因果卷积单侧补零的全零张量。本实施例中的三维卷积采用因果卷积，这样一来，只取决于特征图序列。
[0053]
第l个3dcnn模块的输出为，将其输入到后续的2dcnn模块，2dcnn模块的输出表示为：
[0054]
式中，2dcnn(
·
)代表2dcnn模块的功能函数。经过卷积后的数据即可以通过上一实施例中利用损失函数进行模型训练的过程完成数据的校正。通过时间卷积网络可以提取输入的风场数据的局部空间特征和时间特征，这样一来，结合上述步骤的自注意力网络，可以较好的完成对历史风场对的特征提取，以保证模型的训练效果，达到提高校正后历史风场精确度的目的。
[0055]
由此可见，本实施例中，基于第一预设数量个自注意力模块构建自注意力网络，并基于第二预设数量个三维卷积层和二维卷积层构建时间卷积网络，然后对所述自注意力网络和所述时间卷积网络进行级联，得到自注意力时间卷积网络；所述三维卷积层为采用因果卷积模式的卷积层；然后将训练数据集中的所述第一预设数量个历史时刻风场对序列分
别输入至对应的所述第一预设数量个自注意力模块，并利用所述自注意力模块计算自注意力权重矩阵，通过所述自注意力权重矩阵对所述历史时刻风场对序列中的风速值进行加权，最后对加权后的所述历史时刻风场对序列进行维度转换，得到目标历史风场对序列，以将所述目标历史风场对序列输入至所述时间卷积网络进行卷积。通过自注意力网络在提取输入数据的全局空间特征，并通过时间卷积网络提取输入数据的局部空间特征和时间特征，两者结合，可以较好的完成对历史风场对的特征提取，以保证模型的训练效果。
[0056]
如图8、图9所示，本实施例结合桑吉号溢油事故和本技术中的自注意力时间卷积网络公开了一种具体的基于历史风场校正的溢油溯源方法，包括：首先构建用于历史风场智能校正的数据集；然后构建历史风场智能校正网络satcn，并将其作为本实施例中历史风场校正的主体模型，所述satcn模型的输入为历史风场对序列，输出为校正的历史风场。通过遍历训练集的历史风场样本，训练satcn模型，使其逐步具备历史风场校正的能力，最后循环遍历训练数据集直至预设的训练次数，得到训练好的satcn模型。模型训练完成后将测试数据集的历史风场数据输入到训练好的satcn模型，输出校正后的历史风场，并将校正后的历史风场输入到溢油溯源数值模型，驱动溯源模型输出更加精确的溢油溯源结果，在测试模型效果达标后，将桑吉号溢油事故中的历史风场数据输入satcn模型进行校正，并完成溢油溯源。如图9所示，在使用相同的历史流场数据条件下，本技术提供的基于历史风场校正的溢油溯源方法追溯的溢油源更加接近真实的溢油源，取得了良好的溯源效果，提高了溢油溯源的精确度。
[0057]
参见图10所示，本技术实施例还公开了一种基于历史风场校正的溢油溯源装置，包括：模型构建模块11，用于基于自注意力时间卷积网络构建历史风场校正网络模型，并基于历史风场数据构建所述历史风场校正网络模型的训练数据集；所述训练数据集中包括历史时刻风场对序列，所述历史时刻风场对序列中包括预报风场分量以及对应的观测风场分量；模型训练模块12，用于将所述历史时刻风场对序列输入至所述历史风场校正网络模型，以便对所述历史时刻风场对序列进行校正，并利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，得到训练后模型；风场校正模块13，用于将待校正历史风场数据输入至所述训练后模型，以得到所述训练后模型输出的目标校正后历史风场数据；溢油确定模块14，用于基于所述目标校正后历史风场数据确定相应的溢油溯源数值结果。
[0058]
本实施例中，首先基于自注意力时间卷积网络构建历史风场校正网络模型，并基于历史风场数据构建所述历史风场校正网络模型的训练数据集；所述训练数据集中包括历史时刻风场对序列，所述历史时刻风场对序列中包括预报风场分量以及对应的观测风场分量；然后将所述历史时刻风场对序列输入至所述历史风场校正网络模型，以便对所述历史时刻风场对序列进行校正，并利用校正后历史风场数据以及预设损失函数对所述历史风场校正网络模型进行训练，得到训练后模型；并将待校正历史风场数据输入至所述训练后模型，以得到所述训练后模型输出的目标校正后历史风场数据；基于所述目标校正后历史风场数据确定相应的溢油溯源数值结果。通过上述技术方案，本实施例中利用自注意力时间
卷积网络可有效提取输入数据的全局空间特征和时间特征，满足时序数据特征提取的要求，可有效建模历史风场对序列的变化规律，继而提高所述模型输出比原始的预报风场和观测风场具有更高的精确度的校正后历史风场，可以满足实时溯源对历史风场精确度的要求，得到更加精确的溢油溯源结果。
[0059]
在一些具体实施例中，所述模型构建模块11，还包括：第一网络构建单元，用于基于第一预设数量个自注意力模块构建自注意力网络；第二网络构建单元，用于基于第二预设数量个三维卷积层和二维卷积层构建时间卷积网络；所述三维卷积层为采用因果卷积模式的卷积层；网络级联单元，用于对所述自注意力网络和所述时间卷积网络进行级联，得到自注意力时间卷积网络。
[0060]
在一些具体实施例中，所述模型训练模块12，具体包括：序列输入单元，用于将所述训练数据集中的所述第一预设数量个历史时刻风场对序列分别输入至对应的所述第一预设数量个自注意力模块；序列加权子模块，用于通过所述自注意力模块对所述历史时刻风场对序列进行注意力加权，以得到目标历史风场对序列，以便将所述目标历史风场对序列输入至所述时间卷积网络进行卷积。
[0061]
在一些具体实施例中，所述序列加权子模块，具体包括：风速加权单元，用于利用所述自注意力模块计算自注意力权重矩阵，并通过所述自注意力权重矩阵对所述历史时刻风场对序列中的风速值进行加权；维度转换单元，用于对加权后的所述历史时刻风场对序列进行维度转换，得到目标历史风场对序列，以便将所述目标历史风场对序列输入至所述时间卷积网络进行卷积。
[0062]
在一些具体实施例中，所述模型构建模块11，还包括：数据筛选单元，用于基于预设高分辨率原则从历史风场数据中筛选预报风场以及对应的观测风场的历史风场数据，并基于筛选到的历史风场数据构建历史时刻风场对序列。
[0063]
在一些具体实施例中，所述模型训练模块12，具体包括：差异确定单元，用于基于预设残差学习机制确定所述校正后历史风场数据和再分析风场样本的差异；所述再分析风场样本为所述训练数据集中与所述历史时刻风场对序列对应的风场样本；模型训练单元，用于利用所述差异以及预设损失函数对所述历史风场校正网络模型进行训练。
[0064]
在一些具体实施例中，所述溢油确定模块14，具体包括：模型构建单元，用于基于拉格朗日油粒子模型构建溢油溯源数值模型，以便将所述目标校正后历史风场数据输入至溢油溯源数值模型，得到溢油溯源数值结果。
[0065]
进一步的，本技术实施例还公开了一种电子设备，图11是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本技术的使用范围的任何限制。
[0066]
图11为本技术实施例提供的一种电子设备20的结构示意图。该电子设备 20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加
载并执行，以实现前述任一实施例公开的基于历史风场校正的溢油溯源方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
[0067]
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵 循的通信协议是能够适用于本技术技术方案的任意通信协议，在此不对其进 行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
[0068]
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、 磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222 等，存储方式可以是短暂存储或者永久存储。
[0069]
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222，其可以是windows server、netware、unix、linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的基于历史风场校正的溢油溯源方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
[0070]
进一步的，本技术还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的基于历史风场校正的溢油溯源方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
[0071]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0072]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0073]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（ram）、内存、只读存储器（rom）、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0074]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0075]
以上对本技术所提供的技术方案进行了详细介绍，本文中应用了具体个例对本申
请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本技术的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本技术的限制。