本发明涉及海洋探测，更具体的说是涉及一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法及系统。
背景技术：
1、海浪有效波高(swh)构成了海洋表面动力学的一个重要方面，它概括了前三分之一大波波高的平均峰值。这一指标具有重大意义，是众多海事、研究和娱乐活动的安全和运营规划的基础。准确的swh预报对西北太平洋地区尤为重要，因为该地区海事经济活动繁忙，热带气旋的存在引入了相当大的变异性，使得可靠的预测成为一项复杂且具有挑战性的任务。准确预测swh不仅对保障海上航行至关重要，还有助于推进科学知识和增强海洋休闲活动的享受。然而，由于影响波浪生成、增长和消散的各种因素之间存在动态相互作用，因此实现精确预报本质上是困难的。这些因素包括一系列动力、物理和环境条件，凸显了为提高swh预测准确性所涉及的重大科学努力。
2、在swh预报领域，主要有两种方法被广泛认可。第一种是基于物理动力学原理，利用波浪数值模型通过计算解析基础波动方程来精细模拟海洋波浪的产生、运动和消散，这些模型结合了一系列物理过程，如波浪生成、谱分布、传播、非线性波间相互作用、消散机制以及折射和衍射效应。其中著名的数值模型包括wave watch iii(ww3)、近岸波浪模拟(swan)系统和masum模型。各种研究证实，这些模型在预测swh方面都表现出了卓越的效能。目前，操作性的波浪预报系统主要依靠这些先进的数值波浪模型来提供准确的swh预报。
3、预报swh的另一种方法为数学-统计学方法，可以大致分为点预报和时空预报。点预报深入研究swh序列中的谱特征、上下文和时间依赖性，以实现连续时间序列预报。这一类别包括各种方法，如小波分析、粒子群优化(pso)、极限学习机(elm)方法、贝叶斯超参数优化、弹性网络方法、奇异值分解(svd)和经验模态分解(emd)。点预报的扩展版本不仅分析swh的时间演变，还整合了影响因素，如风速、风向、持续时间、风区、海平面气压和气温。这一领域的技术包括长短期记忆(lstm)网络、分层机器学习模型、人工神经网络(ann)、多重加性回归树(mart)、小波和神经网络的混合模型(wnn)以及剪枝径向基函数(gap-rbf)网络。
4、时空预报则更进一步，其考虑了swh的时间演变和空间相关性以及影响气象因素的时空动态。这种方法将预报范围扩大到整个区域，例如卷积lstm网络和基于多元3层lstm的方法，它们为swh提供了更加综合和区域性的预报。这些复杂的技术旨在捕捉波浪动态在时间和空间上的复杂性，以提高海事预测的准确性。
5、数学-统计学方法的进步使swh预报取得了实质性的进展。然而，它们尚未达到与数值波浪模型相当的预测准确性。这一差距归因于传统方法对长期观测数据的依赖，往往忽视了可以显著提高swh预测能力的数值波浪建模的发展。虽然数值模型提供了更高的准确性，但其性能取决于输入数据的质量、模型分辨率和物理过程的精确表示，这些因素的任何不准确性都可能严重影响预报结果。
6、尽管存在这些缺点，但数学-统计学方法仍在揭示数据集中的复杂相关性方面表现出色，而且数值模型能够熟练捕捉swh的物理动态。因此，如何将数值波浪模型的精确性与数学-统计学方法的分析能力相结合，提高swh预测的准确性，纠正数值预测中的固有误差是本领域技术人员亟需解决的技术问题。
技术实现思路
1、有鉴于此，本发明提供了一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法及系统，解决了背景技术存在的问题。
2、为了实现上述目的，本发明提供如下技术方案：
3、一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，包括以下步骤：
4、采集原始数据并进行预处理，构建训练数据集；
5、构建2d-geoformer深度学习模型，并以训练数据集为输入、以预测误差为输出进行模型训练，直至损失函数收敛，得到误差诊断模型；
6、利用误差诊断模型识别海浪有效波高预测的估计偏差，从原始预测的海浪有效波高中减去估计偏差，得到校正后的海浪有效波高。
7、可选的，原始数据来源于海洋预测系统的海浪有效波高预测值，所述海洋预测系统基于表面波-潮汐-环流耦合海洋模型设计。
8、可选的，构建训练数据集，具体包括以下步骤：
9、对原始数据进行数据标注、数据清洗、归一化和特征处理，得到原始数据集；
10、获取各个原始数据的坐标，以该坐标为依据，提取与原始数据的坐标相对应的海平面气压矩阵、有效波高矩阵。
11、可选的，2d-geoformer深度学习模型基于编码器-解码器框架构建，包括：数据预处理模块、编码器、解码器以及输出层；
12、数据预处理模块位于编码器和解码器堆栈的基础部分，用于接收输入的海浪有效波高预测值并进行补丁嵌入；
13、编码器，用于通过时空注意力机制将输入数据转换为特征图，建立多变量数据点之间复杂的时空联系；
14、解码器，基于数据预处理模块和编码器的输出进行分析，产生最终的输出字段；
15、输出层，用于将解码器的输出字段以与输入数据相同的空间分辨率进行输出。
16、可选的，数据预处理模块中的具体操作如下：
17、接收原始预测的海浪有效波高，将每组输入数据划分为n个固定大小的非重叠补丁；
18、通过可学习的线性层，将分解的非重叠补丁转换为特定维度的补丁嵌入；
19、将空间位置嵌入和时间嵌入整合到补丁嵌入中，以维护每个补丁的时空背景。
20、可选的，编码器由四个相同的编码块组成，每个编码块包括两个不同的子层；
21、第一个子层是多头时空注意力层，用于通过缩放点积注意力评分函数评估跨时空维度的依赖关系，生成特征矩阵；
22、第二个子层是全连接前馈网络，用于通过在每个子层周围加入残差连接，以促进整个编码过程中信息的流动和整合。
23、可选的，解码器由四个相同的解码块组成，每个解码块包括三个不同的子层，每个子层周围加入残差连接；
24、第一个子层和第三个子层均包括多头时空注意力层和前馈网络；
25、第二个子层用于进行时空注意力分析，将编码器的特征矩阵与前一个子层的结果整合在一起，产生最终的输出字段。
26、可选的，输出层由一个前馈网络组成，用于映射和重塑解码器细化表示的原始分辨率。
27、可选的，所述方法还包括：
28、以再分析数据集era5为观测基准，对训练后的误差诊断模型进行修正，得到满足预设要求的修正后的误差诊断模型。
29、本发明还提供了一种基于2d-geoformer的海浪有效波高智能预测与误差校正系统，包括：
30、数据集建立模块，用于采集原始数据并进行预处理，构建训练数据集；
31、模型构建模块，用于构建2d-geoformer深度学习模型；
32、模型训练模块，用于以训练数据集为输入、以预测误差为输出进行模型训练，直至损失函数收敛，得到误差诊断模型；
33、校正模块，用于利用误差诊断模型识别海浪有效波高预测的估计偏差，从原始预测的海浪有效波高中减去估计偏差，得到校正后的海浪有效波高。
34、经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法及系统，具有以下
35、有益效果：
36、将数值波浪模型的精确性与数学-统计学方法的分析能力相结合，提供设计2d-geoformer深度学习模型，阐述原始海浪波高预测与相关误差之间的关系并进行误差纠正，提高swh预测的准确性，纠正数值预测中的固有误差，为海上航行、沿海管理和更广泛的海洋经济活动提供重要支持。
1.一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，原始数据来源于海洋预测系统的海浪有效波高预测值，所述海洋预测系统基于表面波-潮汐-环流耦合海洋模型设计。
3.根据权利要求1所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，构建训练数据集，具体包括以下步骤：
4.根据权利要求1所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，2d-geoformer深度学习模型基于编码器-解码器框架构建，包括：数据预处理模块、编码器、解码器以及输出层；
5.根据权利要求4所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，数据预处理模块中的具体操作如下：
6.根据权利要求4所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，编码器由四个相同的编码块组成，每个编码块包括两个不同的子层；
7.根据权利要求6所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，解码器由四个相同的解码块组成，每个解码块包括三个不同的子层，每个子层周围加入残差连接；
8.根据权利要求4所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，输出层由一个前馈网络组成，用于映射和重塑解码器细化表示的原始分辨率。
9.根据权利要求1所述的一种基于2d-geoformer的海浪有效波高智能预测与误差校正方法，其特征在于，所述方法还包括：
10.一种实现如权利要求1-9任一项所述的基于2d-geoformer的海浪有效波高智能预测与误差校正方法的系统，其特征在于，包括：
