CN108875185A - 一种基于多源数据建立海上遇险目标风漂模型的方法 - Google Patents
一种基于多源数据建立海上遇险目标风漂模型的方法 Download PDFInfo
- Publication number
- CN108875185A CN108875185A CN201810586811.2A CN201810586811A CN108875185A CN 108875185 A CN108875185 A CN 108875185A CN 201810586811 A CN201810586811 A CN 201810586811A CN 108875185 A CN108875185 A CN 108875185A
- Authority
- CN
- China
- Prior art keywords
- drift
- wind
- floating material
- data
- behaviour
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000007667 floating Methods 0.000 claims abstract description 87
- 239000000463 material Substances 0.000 claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims abstract description 15
- 230000002123 temporal effect Effects 0.000 claims abstract description 13
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000013461 design Methods 0.000 claims abstract description 4
- 239000003643 water by type Substances 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 230000008901 benefit Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 239000005433 ionosphere Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010353 genetic engineering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 241000605059 Bacteroidetes Species 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims 1
- 238000002474 experimental method Methods 0.000 abstract description 6
- 230000002045 lasting effect Effects 0.000 abstract description 2
- 108090000623 proteins and genes Proteins 0.000 description 16
- 230000035772 mutation Effects 0.000 description 6
- 239000000470 constituent Substances 0.000 description 4
- 239000003814 drug Substances 0.000 description 4
- 230000004545 gene duplication Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 206010008190 Cerebrovascular accident Diseases 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 208000006011 Stroke Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000776471 DPANN group Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于多源数据建立海上遇险目标风漂模型的方法，包括：S10，设计海上试验靶场，组建立体观测网；S20，在靶场释放无动力漂浮物，计算其漂移速度。试验第一时段对漂浮物附近海域动力要素连续跟踪观测；S30，同化多源观测数据，结合数值模拟技术构建海试区域高时空分辨率的海洋气象及动力数据再分析场，对海上漂浮物的风致漂移速度进行分解；S40，在风漂模型拟合关系式的基础上，对单位时间步长的漂移物位移进行模拟。引入遗传算法对拟合的风漂系数进行优化求解；S50，绘制漂浮物风致漂移前进矢量图，得到海上漂浮物运动特性和海上风压的关系模型。本发明避免了海试期间对实验目标的持续跟踪观测，有效的降低了试验难度和成本。
Description
技术领域
本发明涉及海上遇险漂浮物轨迹预测技术领域，具体而言，涉及一种基于多源数据建立海上遇险目标风漂模型的方法。
背景技术
近年来，资源开发、交通运输等海事活动日益频繁，海难事故也时常发生。海上安全环境问题已经越来越受到我国的关注。海上遇险漂浮物轨迹预测是海上搜寻与救助决策系统的重要技术支撑，它对我国海洋环境安全保障起着重要作用。建立风漂模型是海上遇险漂浮物轨迹预测的基础，也是构建漂浮物轨迹预测模型的重要工作之一。
然而，国内针对海上遇险目标建立风漂模型方面的研究还相对较少，并且缺乏相应的技术规范。目前建立风漂模型的试验数据来源主要来自于海试期间的跟踪观测数据，这对试验人员的操作和体力都提出了极大的考验，也增大了成本，以致难以获取长时段、大样本的试验数据。而利用直接数值模型输出的试验数据又缺乏可靠性。同时国内很多研究构建的风漂模型过于简单，没有考虑表面风速和风致漂移的异方向性。众多因素制约了我国建立完备的常见海上遇险漂浮物风漂模型的数据库。这对我国海上应急保障、搜寻与救助决策系统应用都会造成一定影响。
发明内容
本发明提供一种基于多源数据建立海上遇险目标风漂模型的方法，其目的在于利用多元方式监测海面风，浪、流等海洋动力环境元素，利用多源数据同化结合数值模拟技术构建漂浮物周边海洋动力再分析场。在此基础上，将观测数据分解后进行回归分析，分别拟合漂浮物沿风和侧风向的风致漂移系数。利用拟合的风致漂移系数对单位时间步长的漂移物位移进行模拟，并与实测位移进行对比，以此对风致漂移系数进一步的修正。同时绘制漂移物前进矢量图来统计风压差翻转系数，高效的建立风漂模型，为海上遇险目标的轨迹预测提供基础技术支持。
本发明提供一种基于多源数据建立海上遇险目标风漂模型的方法，包括以下步骤：
S10，设计海上试验靶场，组建试验区域气象、海洋动力实时立体观测网；
S20，在海上靶场释放无动力漂浮物，通过双频GPS接收机实时记录漂浮物的轨迹，进行算法后处理以获取精密定位数据来计算其漂移速度。每次试验第一时段利用调查船舶对漂浮物附近海域的风、浪、流海洋动力要素连续跟踪观测；
S30，同化多源观测数据，结合数值模拟技术构建海试区域高时空分辨率的海洋气象及动力数据再分析场，并在所述再分析场中对海上漂浮物的风致漂移速度进行分解；
S40，在风漂模型拟合关系式的基础上，利用线性回归分析率定风漂系数，根据拟合的风漂系数对单位时间步长的漂移物位移进行模拟。模拟结果与观测位移进行对比后加以约束形成多参数最优解问题，进而引入遗传算法对拟合的风漂系数进行优化求解；
S50，绘制漂浮物风致漂移前进矢量图，将统计的发生风压差翻转的频率作为风压差翻转系数，得到海上漂浮物运动特性和海上风压的关系模型。
进一步地，步骤S10中，海上试验靶场是利用地波雷达、气象雷达、浮标、平台、气象海洋站等海洋气象动力观测设备组建的海试区域实时立体观测网，靶场具有长时效、大范围和高时空分辨率的优势，以弥补调查船舶难以长时段跟踪观测的缺陷。
进一步地，步骤S20中，利用单台GPS双频接收机连续观测海试目标漂浮物的位置。利用双频相位组合模型消除电离层延迟的影响，根据下载事后的精密星历和精密钟差，用精密卫星钟来替代GPS定位观测值方程中的卫星钟差参数，将漂移物GPS观测数据误差修正至分米级，并每隔设定时间取一次漂浮物位置来计算其平均速度。
进一步地，步骤S30具体包括：
建立风场数值模型：利用多源观测数据对所述气象模型进行最优估计以实现同化，构建海试区域高时空分辨率的海洋气象数据再分析场；
建立流场数值模型：利用建立的风场，以及潮汐、环流的开边界条件进行强迫，同时同化多源观测数据建立海试区域高时空分辨率的海洋动力要素数据再分析场。
根据所述海洋气象数据再分析场和海洋动力要素数据再分析场对漂移物速度进行分析，并将风致漂移速度进一步分解为沿风向和侧风向两个分量，其中侧风向的分量指向风向左侧或者右侧。
进一步地，步骤S40中，利用最小二乘法分别将沿风向和侧风向的风致漂移速度与风速进行线性回归分析，进行参数率定，得到一组风漂系数拟合值，并结合样本对拟合的风漂系数进行置信度检验；利用拟合的系数在取定的时间步长内对漂移物轨迹轨迹进行模拟，取各时间区段内预测的位移和实测漂浮物的位移差的累加之和，并加以约束来进一步优化拟合系数。
进一步地，步骤S50中，根据将风致漂移速度分解为沿风向和侧风向两个分量得到的风致漂移速度绘制漂浮物前进矢量图，统计漂浮物每小时垂直风向的速度方向发生变化的频率，并将该频率作为风压差翻转系数。
进一步地，所述基于单台双频接收机的单点定位解算是利用事后在 IGS网站上下载的精密星历和精密钟差文件结合双频载波相位和伪距的观测数据进行单点定位数据解算，采用双频载波相位和伪距观测值的无电离层组合来组成的观测模型，可以消除一阶电离层的影响：
上两式经过简化后可表示为：
其中，φ1和φ2为两个波段信号的载波相位观测值，P1和P2为双频伪距观测值，f1和f2为双频的载波频率，λ1和λ1为双频载波波长，ρ为星地之间的几何距离，c为光速，dt为接收机钟差，trop为对流层延迟，N为无电离层组合相位观测值的模糊度，为无电离层组合观测模型的模糊度，MF为对流层天顶延迟，Zpd为其投影函数，两种组合观测值的未被模型化的误差和观测噪声由ε(φIF)和ε(PIF)表示。
进一步地，所述定位装置观测数据为大地坐标，通过大地坐标求解漂浮物平均速度的过程如下：
X＝(N+H)cosBcosL；
Y＝(N+H)cosBsinL；
其中，e为椭球第一偏心率；N为卯酉圈的半径；b为短半轴；a为长半轴；(B，L，H)为定位点的WGS84坐标系下的大地坐标。
进一步地，所同化的海流数值模型表示为下式：
其中，K为海流数值模拟非线性算子；λ(t)为海流数值模型的输出流场；φ为模式参数、初始场或边界条件；
用J(φ)表示海流数值模型模拟值和实测值之差的目标泛函，数据同化主要是为了实现模拟值与实际值的最优匹配，对控制变量φ进行最优选择：
式中：为模型中适当优化方法的算子；φ为控制变量的初始猜测；为J(φ)的梯度。伴随法是在推导的过程中自然引入的，经过推导满足如下方程：
上式即为伴随方程，其中K*(λ(t))为K(λ(t))的gateaux导数K(λ(t))的伴随算子。
进一步的，所述的试验靶场和GPS观测数据可以进行滑动处理：将实验数据以13小时为样本选取时间窗口，以6h为时间间隔滑动选取，以增大样本量。
进一步地，所述风致漂移速度根据以下公式推导：
其中为海上漂浮物运动速度，为漂浮物周边表面流(对应漂浮物吃水深度表面流)速度，为漂浮物风致漂移速度。
将进一步分解为沿风向、侧风向的漂流速度：
进一步地，所述风漂系数率定方法基于海上漂浮物沿风向、侧风向的风致漂流速度与风速的拟合关系式：
Vdw＝adW10mwind+bd+Ed；
Vcw＝acW10mwind+bc+Ec；
其中Vdw为沿风向的风致漂流速度，Vcw为侧风向的漂流速度，W10mwind为海面10米高度处风速，ad、bd、ac、bc均为拟合系数，Ed、Ec为拟合方程额外的误差项。
进一步地，所述的拟合系数进一步优化的方法主要包括以下步骤：
利用最小二乘法对四个系数进行拟合，取置信度为(1-α)＝95％，得到ad、ac两个系数的置信区间Ad、Ac，通过样本中心点约束得到bd和bc的限制区间Bd、Bc。则四个系数的置信区间K：{ad∈Ad，ac∈Ac，bd∈Bd， bc∈Bc}。
(1)利用表示漂浮物的实测位移，则tn-1到tn时段的实测位移记做利用和可以模拟漂浮物的位移则tn-1到tn时段模拟的位移记做例如可表示为：
在漂移物实际漂移轨迹和模拟轨迹中取单位时间步长t，计算各个时间区段里的值之和D。D表示所有时间区段内实测位置和模拟位置之间距离之差的累加和。易知D越小，拟合的轨迹与实测轨迹越吻合。
其中：
式中，和为时段内沿风和侧风向的单位向量，W10mwind-n表示时段内海面十米高处风速大小，和表示时段内漂浮物风致漂移沿风向速度和侧风向漂移速度的矢量，表示时段内漂浮物周边流速。可以理解为风致位移的观测量。
(2)在拟合区间K：{ad∈Ad，ac∈Ac，bd∈Bd，bc∈Bc}中，求解D 取最小值时，ad，ac，bd，bc的最优解，其中W10mwind-n，t 均为统计量。
另：
将问题转变为求最优解问题：
利用遗传算法对上式参数集进行求解：
a.确定拟合的参数集(ad,bd,ac,bc)；
b.对风漂系数集进行二进制编码，ad,bd,ac,bc四个系数取值均在0～1之间，区间长度取1，各系数求解至小数点后三位。由于：210＝1024＞103＝1000 因此本发明中二进制编码取10位即可。并在拟合区间K中随机初始化群体；
c.取适应度函数
d.产生新一代群体后对群体进行评价。在此过程中计算位串解码的参数和目标函数值，利用函数值向适应值的映射对适应值进行调整；
e.设置繁衍代数为N代，当不满足停止规则时即对群体进行遗传操作，包括复制、交叉和变异：
交叉：本发明中取概率Pa＝0.5来执行交叉操作，每次选择τ个父代基因随机交叉以获取新的τ个子代基因。每个阶段产生新的子代基因都并入群体里准备进行适应度评价。交叉算子把各父代的基因拆分成τ个部分，在算法繁衍第β代时，利用蒙特卡洛方法模拟出K个断点(1≤K≤τ-1)进行交叉。生成的子代基因的τ段都遗传于所选择的μ个父代基因(2≤μ≤τ)。
变异：基因变异是为了避免算法陷入区域最优解，能够防止优化过程中风漂系数的非成熟收敛。通常基因变异的概率不宜太大，本发明中选择变异的初始概率Pb为0.06，并且概率随着繁衍代数的增加而减小，变异也能够在一定程度上加速优化。设置基因变异的概率为遗传代数的函数：
Pb(x)＝0.06-0.05×(EVO/γ)
其中：EVO是当前代数，γ是设置的总遗传代数。易知，Pb值在算法遗传过程中始终保持在区间[0.01，0.06]中，并且逐渐减少。
复制：基因复制是根据遗传个体的适应度进行局部优化和个体保留的有效操作。系统每繁衍一代，都将父代和子代的适应度进行对比，如果父代最优基因的适应度高于子代基因，即直接复制父代的最优基因来取代子代的最差基因。本发明取基因复制的概率为Pc＝1-Pa-Pb，易知Pc取值区间为[0.44，0.49]，随着遗传代数增加而增加。
f.设置遗传的停止条件为各解码参数波动区间小于0.01，当满足停止规则时即可以得到拟合参数的最优解(a'd,b'd,a'c,b'c)，各参数取小数点后一位。
综上所述，本发明实现了以下有益效果：
(1)本发明利用海洋气象实时立体观测网(主要是地波雷达、浮标、岸基站和平台等)构建海上综合“实验靶场”，基于“靶场”的多源化、长时效、大范围和高时空分辨率的海洋气象动力环境观测数据场，结合数据同化技术构建“靶场”的海洋气象动力环境数据再分析场。在“靶场”内可以有效开展针对不同类型遇险目标的海上综合实验，研发风漂作用模型。从而避免了海试期间对实验目标的持续跟踪观测，有效的降低了试验难度和成本，能够实现高性价比的率定漂浮物风漂系数。
(2)本发明在处理海试漂浮物定位数据时，采用精密星历和精密钟差结合双频载波相位和伪距的观测数据进行解算，大幅度提高海试漂浮物定位数据精度。
(3)本发明在对漂浮物沿风和侧风向的风致漂移系数进行回归分析后，再利用拟合的系数对单位时间步长的漂移物位移进行模拟，并与实测位移进行对比，以此对风致漂移系数进一步的修正。此步骤考虑到长时段的轨迹预测中各项误差的累积将会导致预测轨迹逐渐发散，因而不直接用连续预测的位置与实测漂移物位置进行对比处理。
(4)结合长时段样本，对漂浮物的风压差翻转频率进行率定，精细化描述漂浮物风致漂移特性。
附图说明
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明一种基于多源数据建立海上遇险目标风漂模型的方法流程示意图；
图2是海流数据同化算法步骤示意图；
图3是遗传算法优化风漂系数步骤示意图；
图4是漂浮物前进位移矢量图。
具体实施方式
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付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。
本实施例的基于多源数据建立海上遇险目标风漂模型的方法，在海上靶场释放无动力漂浮物，使用GPS双频接收机实时记录漂浮物轨迹以获取其平均速度。利用气象资料和多元观测手段连续监控海上动力要素，融合多源观测数据，构建海试区域高时空分辨率的海洋气象及动力数据再分析场，并在再分析场中对海上漂浮物风致漂移速度进行分解。在风漂模型中拟合关系式的基础上进行线性回归分析拟合风漂系数，再利用拟合的风致漂移系数对单位时间步长的漂移物位移进行模拟，并与实测位移进行对比，以此对风致漂移系数进一步的修正。最后根据漂浮物风致漂移的试验数据绘制物体前进矢量图，统计发生风压差翻转的频率，得到其风压差翻转系数，模型化表示海上漂浮物运动特性和海上风压的关系。
S1、设计海上试验靶场，组建试验区域气象、海洋动力实时立体多源观测网，在实验第一时段利用调查船舶对漂浮物附近海域包括海面风、浪、流场的海洋动力要素连续跟踪观测；
海上“试验靶场”由地波雷达、浮标、岸基站和平台等观测设备构成的海洋气象实时立体观测网。基于“靶场”可以开展针对不同类型遇险目标的海上综合实验，同时结合大量搜救历史案例率定不同类型遇险目标风漂系数，研发风漂作用模型。靶场具有长时效、大范围和高时空分辨率的优势，以弥补调查船舶难以长时段跟踪观测的缺陷。
S2、利用单台GPS双频接收机连续观测海试目标漂浮物位置。利用双频相位组合消除电离层延迟的影响，下载事后的精密星历和精密钟差，用精密卫星钟来替代GPS定位观测值方程中的卫星钟差参数，将漂移物GPS 观测数据误差修正至分米级，并每10分钟取一次漂浮物位置来计算其平均速度。具体做法如下：
采用事后在IGS网站上下载的精密星历和精密钟差文件结合双频载波相位和伪距的观测数据进行单点定位数据解算。利用用双频载波相位和伪距观测值的无电离层组合来组成的观测模型，以消除一阶电离层的影响：
上两式经过简化后可表示为：
以上分别为本发明采用的单点定位数据模型中非差相位观测方程和非差测码伪距观测方程。其中，ρ为星地之间的几何距离，φ为载波相位观测值，f为载波频率，P为伪距观测值，c为光速，dt为接收机钟差，trop 为对流层延迟，为无电离层组合观测模型的模糊度， MF为对流层天顶延迟，Zpd为其投影函数，N为无电离层组合相位观测值的模糊度。两种组合观测值的未被模型化的误差和观测噪声由ε(φIF)和ε(PIF)表示。
经过这种单点定位模型解算后的GPS动态定位数据精度可以将一般单点定位的精度从十米左右降低至分米级。
通过模型解算的观测数据为大地坐标，通过大地坐标求解漂浮物平均速度的过程如下：
X＝(N+H)cosBcosL；
Y＝(N+H)cosBsinL；
其中，e为椭球第一偏心率；N为卯酉圈的半径；b为短半轴；a为长半轴；(B，L，H)为定位点的WGS84坐标系下的大地坐标。
S3、建立风场数值模型：利用S1中多源观测数据对所述气象模型进行最优估计以实现同化，构建海试区域高时空分辨率的海洋气象数据再分析场；
多源数据同化使用是的三维变分(3DVAR)同化，用该同化算法将获取的高质量稳定的观测资料同化至数据再分析场中。本发明中主要同化的是流速仪、风速仪以拉格朗日法追踪漂浮物的所测风速、流速以及地波雷达、双偏振多普勒天气雷达、海上浮标、气象海洋观测站以欧拉法观测的海洋动力数据。
数值气象模型使用的是GRAPES，用该模型完成漂浮物周边海区的再分析风场。该模型的优势主要包括：半隐式>半拉格朗日全可压非静力平衡动力模式；可自由组合的、优化的物理过程参数化方案；全球、区域一体化的同化与预报系统；标准化、模块化、并行化的同化与模式程序。
S4、建立流场数值模型：利用S3中建立的风场，以及潮汐、环流的开边界条件进行强迫，同时同化多源观测数据建立海试区域高时空分辨率的海洋动力要素数据再分析场。
其中潮汐和环流的开边界条件是由TPXO全球潮汐卫星高度计反演数据集提供的8个分潮M2、S2、N2、K2、K1、O1、P1、Q1的调和常数给出的：
式中ξtd表示预报水位，A表示平均海面高度，fk，u为由于月球轨道18.6 年变化引入的相对平均振幅Hk相角V0的修订值，n为分潮个数。本发明取的8个分潮M2、S2、N2、K2、K1、O1、P1、Q1分别指太阴主要半日分潮、太阳主要半日分潮、太阴主要椭率半日分潮、太阴——太阳赤纬半日分潮、太阴——太阳赤纬全日分潮、太阴赤纬全日分潮、太阳赤纬全日分潮、太阴主要椭率全日分潮。
利用多源数据数据同化建立海洋动力要素数据再分析场的方法是利用变分及最优控制法的原理，将海洋动力分析场数据与实测数据之差作为目标函数，从而通过求解与海洋动力分析场匹配的伴随方程，即可以分析得到拟合参数最快下降的梯度。以使目标函数最小为准则来调整控制变量，即可以实现多源数据同化以构建再分析场。
本发明主要同化的海流数值模型可以表示为下式：
其中，K为海流数值模拟非线性算子；λ(t)为海流数值模型的输出流场；φ为模式参数、初始场或边界条件。用J(φ)表示海流数值模型模拟值和实测值之差的目标泛函，数据同化主要是为了实现模拟值与实际值的最优匹配，对控制变量φ进行最优选择：
式中：为模型中适当优化方法的算子；φ为控制变量的初始猜测；为J(φ)的梯度。伴随法是在推导的过程中自然引入的，经过推导满足如下方程：
上式即为伴随方程，其中K*(λ(t))为K(λ(t))的gateaux导数K(λ(t))的伴随算子，即进一步把问题转化成了求解伴随方程的初值问题。由于伴随方程的初值问题既包括原始控制方程的伴随方程，又包括观测值和计算值的数据差异，因此能够有机的结合实测数据和原始控制方程的有效信息。
流场数值建模采用FVCOM，用该模型完成漂浮物周边海区的再分析流场。FVCOM模式最大的特色和优点是结合了有限元法易拟合边界、局部加密的优点和有限差分法便于离散计算海洋原始方程组的优点。
S5、在S3和S4建立的海洋气象数据再分析场中的风场和海洋动力要素数据再分析场中的流场对漂移物速度进行分析，并将风致漂移速度进一步分解为沿风向和侧风向两个分量。其中侧风向的分量指向风向左侧或者右侧。
风致漂移速度的推导和分解过程如下：
漂浮物在海面上的漂移主要是受到海面风、浪、流的共同作用：
其中，m表示遇险漂浮物的质量，表示其漂移速度，表示风对漂移物的作用力，为表面流对物体的作用力，表示波浪对漂移物的的作用力，f表示科氏力系数。
上式中，和分别表示遇险漂浮物周边的表面流速和海面风速，ρair和ρw分别对应空气和海水密度(本发明中二值分别取1.293kg/m3和 1025kg/m3)。Cair和Cw为空气和海流对漂浮物的作用力系数，Cwave表示入射波的反射系数，Sair和Sw为海上漂浮物在空气和水面中的面积，A表示海浪波长，L是漂浮物尺度，g表示重力加速度。由于漂浮物在海面上响应风浪流的加速度时间较短，因此我们忽略其加速过程；通常一般漂浮物长度均小于波长，可以忽略海浪的作用力；同时忽略科氏力的影响，即可以得到：
因此：
式中取Cair＝Cw时，可以得出通常λ比1小一到两个量级，漂移速度公式可以简化为
取为风致漂移速度：
由于漂移物形状的不规则性，同时结合根据大量的历史实验样本分析可以得到，风致漂移速度和风速方向并不完全一致，而是和风速存在一定夹角。因此本发明将进一步分解为沿风向和侧风向的漂流速度：
同时，本发明将指向风速左右的样本分离进行合并处理。
S6、利用最小二乘法分别将S5中分解的沿风向和侧风向的风致漂移速度与风速进行线性回归分析，进行参数率定，得到一组风漂系数拟合值。结合样本对拟合的风漂系数进行置信度检验。
风漂系数率定方法主要包括以下步骤：
大量实验样本和历史数据表明，海面风速为零时，除了风以外还可能存在一些残余的风流压差，以致此时并不为零。因此建立和海面风速的线性回归关系式：
Vdw＝adW10mwind+bd+Ed；
Vcw＝acW10mwind+bc+Ec；
其中Vdw为沿风向的风致漂流速度，Vcw为侧风向的漂流速度，此时 Vwind取海面10米高度处风速W10mwind，ad、bd、ac、bc均为拟合系数，Ed、 Ec为拟合方程额外的误差项。
本发明利用最小二乘法对四个系数进行拟合，并取置信度为(1-α)＝95％，得到ad、ac两个系数的置信区间Ad、Ac，通过样本中心点约束得到bd和 bc的限制区间Bd、Bc，得到四个系数的置信区间K：{ad∈Ad，ac∈Ac，bd∈Bd， bc∈Bc}。
S7、利用拟合的系数在取定的时间步长内对漂移物轨迹轨迹进行模拟，取各时间区段内预测的位移和实测漂浮物的位移差的累加之和，作为约束条件来进一步优化拟合系数。
优化拟合系数的详细步骤如下：
(1)利用表示漂浮物的实测位移，则tn-1到tn时段的实测位移记做利用和可以模拟漂浮物的位移则tn-1到tn时段模拟的位移记做例如可表示为：
在漂移物实际漂移轨迹和模拟轨迹中取单位时间步长t，计算各个时间区段里的值之和D。D表示所有时间区段内实测位置和模拟位置之间距离之差的累加和。易知D越小，拟合的轨迹与实测轨迹越吻合。
其中：
式中，和为时段内沿风和侧风向的单位向量，W10mwind-n表示时段内海面十米高处风速大小，和表示时段内漂浮物风致漂移沿风向速度和侧风向漂移速度的矢量，表示时段内漂浮物周边流速。可以理解为风致位移的观测量。
(2)在拟合区间K：{ad∈Ad，ac∈Ac，bd∈Bd，bc∈Bc}中，求解D 取最小值时，ad，ac，bd，bc的最优解，其中W10mwind-n，t 均为统计量。
另：
将问题转变为求最优解问题：
利用遗传算法对上式参数集进行求解：
a.确定拟合的参数集(ad,bd,ac,bc)；
b.对风漂系数集进行二进制编码，ad,bd,ac,bc四个系数取值均在0～1之间，区间长度取1，各系数求解至小数点后三位。由于：210＝1024＞103＝1000 因此本发明中二进制编码取10位即可。并在拟合区间K中随机初始化群体。
c.取适应度函数
c.产生新一代群体后对群体进行评价。在此过程中计算位串解码的参数和目标函数值，利用函数值向适应值的映射对适应值进行调整；
d.设置繁衍代数为N代，当不满足停止规则时即对群体进行遗传操作，包括复制、交叉和变异：
交叉：本发明中取概率Pa＝0.5来执行交叉操作，每次选择τ个父代基因随机交叉以获取新的τ个子代基因。每个阶段产生新的子代基因都并入群体里准备进行适应度评价。交叉算子把各父代的基因拆分成τ个部分，在算法繁衍第β代时，利用蒙特卡洛方法模拟出K个断点(1≤K≤τ-1)进行交叉。生成的子代基因的τ段都遗传于所选择的μ个父代基因(2≤μ≤τ)。
变异：基因变异是为了避免算法陷入区域最优解，能够防止优化过程中风漂系数的非成熟收敛。通常基因变异的概率不宜太大，本发明中选择变异的初始概率Pb为0.06，并且概率随着繁衍代数的增加而减小，变异也能够在一定程度上加速优化。设置基因变异的概率为遗传代数的函数：
Pb(x)＝0.06-0.05×(EVO/γ)
其中：EVO表示当前代数，γ是设置的总遗传代数。易知，Pb值在算法遗传过程中始终保持在区间[0.01，0.06]中，并且逐渐减少。
复制：基因复制是根据遗传个体的适应度进行局部优化和个体保留的有效操作。系统每繁衍一代，都将父代和子代的适应度进行对比，如果父代最优基因的适应度高于子代基因，即直接复制父代的最优基因来取代子代的最差基因。本发明取基因复制的概率为Pc＝1-Pa-Pb，易知Pc取值区间为[0.44，0.49]，随着遗传代数增加而增加。
e.设置遗传的停止条件为各解码参数波动区间小于0.01，当满足停止规则时即可以得到拟合参数的最优解(a'd,b'd,a'c,b'c)，各参数取小数点后一位。
S8、根据S5中处理得到的风致漂移速度绘制漂浮物前进矢量图，统计漂浮物每小时垂直风向的速度方向发生变化的频率，设为风压差翻转系数 (Jibing系数)。
率定风压差翻转(Jibing)系数主要是通过绘制海试漂浮物前进矢量图来统计漂浮物风致漂移速度侧风速的分量转变符号次数n，取每小时平均得到其风压差翻转系数F，其计算公式为：
以上说明对本发明而言只是说明性的，而非限制性的，本领域普通技术人员理解，在不脱离以下所附权利要求所限定的精神和范围的情况下，可做出许多修改、变化或等效，但都将落入本发明的保护范围内。
Claims (9)
1.一种基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，包括以下步骤：
S10，设计海上试验靶场，组建试验区域气象、海洋动力实时立体观测网；
S20，在海上靶场释放无动力漂浮物，通过双频GPS接收机实时记录漂浮物的轨迹，进行算法后处理以获取精密定位数据来计算其漂移速度；其中每次试验第一时段利用调查船舶对漂浮物附近海域的风、浪、流海洋动力要素连续跟踪观测；
S30，同化多源观测数据，结合数值模拟技术构建海试区域高时空分辨率的海洋气象及动力数据再分析场，并在所述再分析场中对海上漂浮物的风致漂移速度进行分解；
S40，在风漂模型拟合关系式的基础上，利用线性回归分析率定风漂系数，根据拟合的风漂系数对单位时间步长的漂移物位移进行模拟。模拟结果与观测位移进行对比后加以约束形成多参数最优解问题，进而引入遗传算法对拟合的风漂系数进行优化求解；
S50，绘制漂浮物风致漂移前进矢量图，将统计的发生风压差翻转的频率作为风压差翻转系数，得到海上漂浮物运动特性和海上风压的关系模型。
2.根据权利要求1所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，步骤S10中，利用单台GPS双频接收机连续观测海试目标漂浮物的位置；考虑接收机观测坐标误差主要为电离层对电磁波的影响、卫星钟差以及轨道误差的影响，明采用双频相位组合结合实时下载的精密星历和精密钟差的观测模型进行解算，将漂移物GPS观测数据误差修正至分米级，并每隔设定时间取一次漂浮物位置来计算其平均速度。
3.根据权利要求1所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，步骤S20具体包括：
建立风场数值模型：利用多源观测数据对所述气象模型进行最优估计以实现同化，构建海试区域高时空分辨率的海洋气象数据再分析场；
建立流场数值模型：利用建立的风场，以及潮汐、环流的开边界条件进行强迫，同时同化多源观测数据建立海试区域高时空分辨率的海洋动力要素数据再分析场；
根据海洋动力要素数据再分析场中的流场和海洋气象数据再分析场中的风场对漂移物速度进行分析，并将风致漂移速度进一步分解为沿风向和垂直于风向(侧风向)两个分量，其中侧风向的分量指向风向左侧或者右侧。
4.根据权利要求3所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，根据风致漂移速度分解为沿风向和侧风向两个分量得到的风致漂移速度绘制漂浮物前进矢量图，统计漂浮物每小时垂直风向的速度方向发生变化的频率，并将该频率作为风压差翻转系数。
5.根据权利要求2所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，所述基于单台双频GPS接收机的单点定位技术是利用事后在IGS网站上下载的精密星历和精密钟差结合双频载波相位和伪距的观测数据进行单点定位数据解算，采用双频载波相位和伪距观测值的无电离层组合来组成的观测模型，以消除一阶电离层的影响：
上两式经过简化后可表示为：
其中，φ1和φ2为两个波段信号的载波相位观测值，P1和P2为双频伪距观测值，f1和f2为双频的载波频率，λ1和λ2为双频载波波长，ρ为星地之间的几何距离，c为光速，dt为接收机钟差，trop为对流层延迟，N为无电离层组合相位观测值的模糊度，为无电离层组合观测模型的模糊度，MF为对流层天顶延迟，Zpd为其投影函数，两种组合观测值的未被模型化的误差和观测噪声由ε(φIF)和ε(PIF)表示。
6.根据权利要求3所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，所同化的海流数值模型表示为下式：
其中，K为海流数值模拟非线性算子；λ(t)为海流数值模型的输出流场；φ为模式参数、初始场或边界条件；
用J(φ)表示海流数值模型模拟值和实测值之差的目标泛函，数据同化主要是为了实现模拟值与实际值的最优匹配，对控制变量φ进行最优选择：
式中：为模型中适当优化方法的算子；φ为控制变量的初始猜测；为J(φ)的梯度伴随法是在推导的过程中自然引入的，经过推导满足如下方程：
上式即为伴随方程，其中K*(λ(t))为K(λ(t))的gateaux导数K(λ(t))的伴随算子。
7.根据权利要求1所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，所述风致漂移速度由以下公式推导：
其中为海上漂浮物运动速度，为漂浮物周边表面流(对应漂浮物吃水深度表面流)速度，为漂浮物风致漂移速度；
将进一步分解为沿风向、侧风向的漂流速度：
8.根据权利要求1所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，所述风漂系数率定方法基于海上漂浮物沿风向、侧风向的风致漂流速度与风速的拟合关系式：
Vdw＝adW10mwind+bd+Ed；
Vcw＝acW10mwind+bc+Ec；
其中Vdw为沿风向的风致漂流速度，Vcw为侧风向的漂流速度，W10mwind为海面10米高度处风速，ad、bd、ac、bc均为拟合的风致漂移系数，Ed、Ec为拟合方程额外的误差项。
9.根据权利要求3所述的基于多源数据建立海上遇险目标风漂模型的方法，其特征在于，利用最小二乘法分别将沿风向和侧风向的风致漂移速度与风速进行线性回归分析，进行参数率定，得到一组风漂系数拟合值，并结合样本对拟合的风漂系数进行置信度检验；利用拟合的风漂系数在各取定的时间步长内对漂移物轨迹进行模拟，取各时间区段内预测的位移和实测漂浮物的位移差的累加之和，作为约束条件来进一步优化拟合系数；
优化拟合系数的方法具体包括以下步骤：
(1)利用表示漂浮物的实测位移，则tn-1到tn时段的实测位移记做利用和可以模拟漂浮物的位移则tn-1到tn时段模拟的位移记做例如可表示为：
在漂移物实际漂移轨迹和模拟轨迹中取单位时间步长t，计算各个时间区段里的值之和D。D表示所有时间区段内实测位置和模拟位置之间距离之差的累加和；易知D越小，拟合的轨迹与实测轨迹越吻合；
其中：
式中，和为时段内沿风和侧风向的单位向量，W10mwind-n表示时段内海面十米高处风速大小，和表示时段内漂浮物风致漂移沿风向速度和侧风向漂移速度的矢量，表示时段内漂浮物周边流速。为风致位移的观测量；
(2)在拟合区间K：{ad∈Ad，ac∈Ac，bd∈Bd，bc∈Bc}中，求解D取最小值时，ad，ac，bd，bc的最优解，其中W10mwind-n，t均为统计量；
另：
将问题转变为求最优解问题：
利用遗传算法对上式参数集进行求解：
a.确定拟合的参数集(ad,bd,ac,bc)；
b.对参数集进行编码，取适应度函数并随机初始化群体；
c.产生新一代群体后对群体进行评价。在此过程中计算位串解码的参数和目标函数值，利用函数值向适应值的映射对适应值进行调整；
d.设置停止繁衍代数为N代，当不满足停止规则时即对群体进行遗传操作，包括复制、交叉、和变异；
e.当满足停止规则时即可以得到拟合参数的最优解(a'd,b'd,a'c,b'c)，各参数取小数点后一位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810586811.2A CN108875185A (zh) | 2018-06-06 | 2018-06-06 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810586811.2A CN108875185A (zh) | 2018-06-06 | 2018-06-06 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108875185A true CN108875185A (zh) | 2018-11-23 |
Family
ID=64338610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810586811.2A Pending CN108875185A (zh) | 2018-06-06 | 2018-06-06 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875185A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886499A (zh) * | 2019-03-04 | 2019-06-14 | 中国地质大学（武汉） | 一种考虑反馈信息的海上遇险目标漂移集合预测方法 |
| CN109902877A (zh) * | 2019-03-04 | 2019-06-18 | 中国地质大学（武汉） | 一种海上遇险目标漂移预测模型参数的逐步率定方法 |
| CN110516279A (zh) * | 2019-06-19 | 2019-11-29 | 中国地质大学深圳研究院 | 基于经验订正的风浪流耦合海洋环境数值预报方法 |
| CN110619346A (zh) * | 2019-07-26 | 2019-12-27 | 浙江大学 | 一种基于数据融合的海面移动目标模型的建模方法 |
| CN110703357A (zh) * | 2019-04-30 | 2020-01-17 | 国家气象中心 | 全球中期数值预报grapes_gfs |
| CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
| CN112115598A (zh) * | 2020-09-09 | 2020-12-22 | 南京大学 | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 |
| CN114255616A (zh) * | 2021-12-20 | 2022-03-29 | 武汉理工大学 | 一种无动力船舶轨迹预测方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156817A (zh) * | 2011-04-11 | 2011-08-17 | 国家海洋信息中心 | 海上溢油漂移路径及扩散快速预报方法 |
| WO2013009245A1 (en) * | 2011-07-08 | 2013-01-17 | Arctic Ice Management Ab | Method for ice drift forecast when managing ice |
| CN103366227A (zh) * | 2013-08-08 | 2013-10-23 | 牟林 | 一种海上搜救目标漂移路径的预测方法 |
| CN105653826A (zh) * | 2016-03-10 | 2016-06-08 | 厦门蓝海天信息技术有限公司 | 一种改进的海上搜救区域预测方法及系统 |
| CN107292072A (zh) * | 2016-03-31 | 2017-10-24 | 中国科学院沈阳自动化研究所 | 一种基于风压差翻转漂移模型的海上搜寻区域估计法 |
| CN107944608A (zh) * | 2017-11-16 | 2018-04-20 | 福建四创软件有限公司 | 基于卫星遥感的海面漂移物与溢油漂移扩散预报方法 |
-
2018
- 2018-06-06 CN CN201810586811.2A patent/CN108875185A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102156817A (zh) * | 2011-04-11 | 2011-08-17 | 国家海洋信息中心 | 海上溢油漂移路径及扩散快速预报方法 |
| WO2013009245A1 (en) * | 2011-07-08 | 2013-01-17 | Arctic Ice Management Ab | Method for ice drift forecast when managing ice |
| CN103366227A (zh) * | 2013-08-08 | 2013-10-23 | 牟林 | 一种海上搜救目标漂移路径的预测方法 |
| CN105653826A (zh) * | 2016-03-10 | 2016-06-08 | 厦门蓝海天信息技术有限公司 | 一种改进的海上搜救区域预测方法及系统 |
| CN107292072A (zh) * | 2016-03-31 | 2017-10-24 | 中国科学院沈阳自动化研究所 | 一种基于风压差翻转漂移模型的海上搜寻区域估计法 |
| CN107944608A (zh) * | 2017-11-16 | 2018-04-20 | 福建四创软件有限公司 | 基于卫星遥感的海面漂移物与溢油漂移扩散预报方法 |
Non-Patent Citations (6)
| Title |
|---|
| R.MINGUEZ: ""Stochastic Lagrangian trajectory model for drifting objects in the ocean"", 《STOCH ENVIRON RES RISK ASSESS》 * |
| 徐强强 等: ""一次基于实测资料的海上搜救漂浮物的风漂系数优化实验"", 《海洋预报》 * |
| 旷芳芳 等: ""基于观测和模型的风致漂移系数研究"", 《应用海洋学学报》 * |
| 陈海涛: ""AP98风压漂移模型应用实例——东方红2号漂移试验"", 《海洋胡沼通报》 * |
| 陈耀登 等: ""海洋数值模拟中的伴随数据同化方法"", 《河海大学学报》 * |
| 韩桂军 等: ""数据同化在海洋数值产品制作及预报中的应用研究"", 《海洋通报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886499A (zh) * | 2019-03-04 | 2019-06-14 | 中国地质大学（武汉） | 一种考虑反馈信息的海上遇险目标漂移集合预测方法 |
| CN109902877A (zh) * | 2019-03-04 | 2019-06-18 | 中国地质大学（武汉） | 一种海上遇险目标漂移预测模型参数的逐步率定方法 |
| CN109886499B (zh) * | 2019-03-04 | 2020-02-07 | 中国地质大学（武汉） | 一种考虑反馈信息的海上遇险目标漂移集合预测方法 |
| CN110703357A (zh) * | 2019-04-30 | 2020-01-17 | 国家气象中心 | 全球中期数值预报grapes_gfs |
| CN110516279A (zh) * | 2019-06-19 | 2019-11-29 | 中国地质大学深圳研究院 | 基于经验订正的风浪流耦合海洋环境数值预报方法 |
| CN110516279B (zh) * | 2019-06-19 | 2023-01-10 | 中国地质大学深圳研究院 | 基于经验订正的风浪流耦合海洋环境数值预报方法 |
| CN110619346A (zh) * | 2019-07-26 | 2019-12-27 | 浙江大学 | 一种基于数据融合的海面移动目标模型的建模方法 |
| CN110619346B (zh) * | 2019-07-26 | 2022-11-04 | 浙江大学 | 一种基于数据融合的海面移动目标模型的建模方法 |
| CN111288973A (zh) * | 2020-01-23 | 2020-06-16 | 中山大学 | 海表流速获取方法、装置、计算机设备和存储介质 |
| CN112115598A (zh) * | 2020-09-09 | 2020-12-22 | 南京大学 | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 |
| CN112115598B (zh) * | 2020-09-09 | 2024-05-14 | 南京大学 | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 |
| CN114255616A (zh) * | 2021-12-20 | 2022-03-29 | 武汉理工大学 | 一种无动力船舶轨迹预测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875185A (zh) | 一种基于多源数据建立海上遇险目标风漂模型的方法 | |
| Blockley et al. | Recent development of the Met Office operational ocean forecasting system: an overview and assessment of the new Global FOAM forecasts | |
| CN103366227B (zh) | 一种海上搜救目标漂移路径的预测方法 | |
| Valsala et al. | Simulation and assimilation of global ocean pCO2 and air–sea CO2 fluxes using ship observations of surface ocean pCO2 in a simplified biogeochemical offline model | |
| CN108920877A (zh) | 一种基于mike21-sw模型的全球波浪数值模拟方法 | |
| CN105159954A (zh) | 基于gis与虚拟现实技术的三维电子海图生成方法 | |
| Marrec et al. | Dynamics of air–sea CO 2 fluxes in the northwestern European shelf based on voluntary observing ship and satellite observations | |
| CN107480781A (zh) | 神经网络自适应卡尔曼滤波的核事故源项反演方法 | |
| KR102365072B1 (ko) | 바람 예측 자료의 보정 고도화를 통한 파랑예측 모델 정확도 향상을 위한 장치 및 방법 | |
| Zhu et al. | Exploration of the wind-induced drift characteristics of typical Chinese offshore fishing vessels | |
| CN116562448B (zh) | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 | |
| Rusu et al. | Prediction of storm conditions using wind data from the ECMWF and NCEP reanalysis | |
| Castruccio et al. | Joint altimetric and in-situ data assimilation using the GRACE mean dynamic topography: a 1993–1998 hindcast experiment in the Tropical Pacific Ocean | |
| Wang et al. | Diagnostic wind model initialization over complex terrain using the airborne Doppler wind lidar data | |
| Wang et al. | Risk assessment of marine disasters in fishing ports of Qinhuangdao, China | |
| Metters et al. | Strategic and cost-effective networks of miniaturised tide gauges | |
| Shi et al. | A Grey Model for Short-Term Prediction of the Ionospheric TEC | |
| Shi et al. | Numerical investigation of typhoon waves generated by three typhoons in the China sea | |
| Kjellsson et al. | Evaluation and tuning of model trajectories and spreading rates in the Baltic Sea using surface drifter observations | |
| Rybchuk | Modeling the Impact of Energy Infrastructure on the Atmospheric Boundary Layer | |
| Stefanakos et al. | Climatic forecasting of wind and waves using fuzzy inference systems | |
| Yang | Drift model for ship out of control at sea | |
| Chang | Exploring the Observation Impacts and Enhancing the Predictability for Ensemble-Based Coupled Data Assimilation | |
| Yang et al. | VDatum for the Gulf of Maine: tidal datums and the topography of the sea surface | |
| Sarkisyan | A view of progress in the numerical modeling of physical characteristics of the World Ocean in the light of sixty-year experience |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |