CN108959741A - 一种基于海洋物理生态耦合模型的参数优化方法 - Google Patents
一种基于海洋物理生态耦合模型的参数优化方法 Download PDFInfo
- Publication number
- CN108959741A CN108959741A CN201810636843.9A CN201810636843A CN108959741A CN 108959741 A CN108959741 A CN 108959741A CN 201810636843 A CN201810636843 A CN 201810636843A CN 108959741 A CN108959741 A CN 108959741A
- Authority
- CN
- China
- Prior art keywords
- parameter
- value
- ecological
- model
- marine
- 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.)
- Granted
Links
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate 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
本发明涉及一种基于海洋物理生态耦合模型的生态参数优化方法,包括以下步骤:选取适合研究区域的海洋物理生态耦合模型,初步调试模型至能再现海洋生态要素尤其是营养盐的空间分布及季节变化趋势;通过敏感性实验分析所选生态模块中生态参数的敏感度,选择最为敏感的几个参数参与后续参数优化工作以提高后续参数优化效率;设计多个测试方案,分别应用于经过初步调试的海洋物理生态耦合模型,并获得对应测试方案的叶绿素或初级生产力模拟结果;通过与卫星数据或观测数据进行对比并构造代价函数,找到敏感参数取值与代价函数之间的一个对应的多元关系,基于梯度下降方法寻优,得到优化后的一组参数。
Description
技术领域
本发明涉及海洋数值模式领域,具体涉及一种基于海洋物理生态耦合模型的生态参数优化方法。
背景技术
我国近海生态环境持续恶化,生态环境安全和海洋经济可持续发展受到严重威胁。一方面,我们亟需研究构建可以预测预报近海高分辨率生态环境要素的海洋物理生态耦合模型,提升海洋防灾减灾能力,保障我国海洋环境安全;另一方面,海洋数值模式一直也是研究海洋现象及机制的重要手段之一,构建能很好再现海洋生态环境的海洋生物地球化学模型是海洋研究中亟待解决的重要问题。海洋是一个自然因素占优的非线性系统,对其的模拟受控于诸如对海洋系统的描述,数值计算方法,参数取值以及输入数据质量等多个方面,然而,随着计算机计算能力的提高、海洋研究的深入以及观测技术的发展,海洋生态模型的参数取值问题日益突出。主要问题表现在以下几个方面:
1.无法通过现代海洋学仪器直接测量生态参数,尽管某些参数(如浮游植物生长率、浮游动物排泄率等)可以通过实验室模拟进行测量,但是由于背景环境不同,实验室模拟不能完全代表真实的海洋生态系统情况,只能给出参数的大致参考范围。
2.即使是同一个参数,模型的复杂程度不同,参数的取值也不同,目前的模型研究中的参数值大多来自文献(他人模型参数),只能保证参数值只是在数量级上是正确的。
3.模型中的参数具有耦合性,无法精确确定所有参数。
4.模型中许多参数(如浮游植物生长率)不是常数,在空间大尺度上,由于温度、光照等环境因素的不同,参数在不同海区的取值也不尽相同。
5.海洋生态模型应用经验方程将多样性的物种分为可用参数表示的种群,生态模型是非线性的,且含有许多参数,诸多未知量是以参数的形式表现出来的,其取值与模型的描述方法有关。
虽然参数取值受制于其本身的物理含义以及观测局限,但是我们仍能通过对现有的参数参考取值的优化选择获得尽可能理想的结果,提高对海洋的模拟能力。所以有目的针对海洋生态模型进行参数优化十分重要。目前海洋参数优化的方法主要有同化和线性优化两种,但两者都有较高的局限性,前者十分复杂,对海洋模型、计算机计算能力、模型调试者的数学基础以及可用于同化的数据要求较高,后者则因其线性化地处理非线性化生态参数的方法从原理上即具有一定局限性。所以亟需一种简单高效非线性的生态参数优化方法帮助海洋数值模式更好更快地模拟海洋真实情况。
发明内容
有鉴于此,本发明提供了一种基于海洋物理生态耦合模型的生态参数优化方法,目的在于通过一种简单、高效、非线性、半自动化的参数优化方法提高对海洋生态环境的模拟能力。技术方案如下:
一种基于海洋物理生态耦合模型的生态参数优化方法,包括以下步骤:
(1)选取适合研究区域的海洋物理生态耦合模型,通过调试所选取的海洋物理生态耦合模型,获得稳定且较为真实的物理场;获得生态模块中生态参数取值范围,初步调试模型至能再现海洋生态要素尤其是营养盐的空间分布及季节变化趋势;
(2)通过敏感性实验分析所选生态模块中生态参数的敏感度,选择最为敏感的几个参数参与后续参数优化工作以提高后续参数优化效率,方法如下:将每个生态参数依次增大某个确定的百分比,通过计算叶绿素或初级生产力的变化率以及每次增大的参数的变化率之间的比值,对此比值的绝对值进行排序,判断各个参数的敏感程度,随后即基于此结果选取最为敏感的几个参数;
(3)基于步骤(2)中获得的最为敏感的几个参数,结合步骤1所获得的这些敏感参数的取值范围,对这几个参数的取值范围分别进行一定精度的细分采样取值,随后,基于每个参数的采样值,通过排列组合的方法设计多个测试方案,分别应用于步骤1中经过初步调试的海洋物理生态耦合模型,并获得对应测试方案的叶绿素或初级生产力模拟结果;
(4)基于上一步模型运行结果,通过与卫星数据或观测数据进行对比并构造代价函数,代价函数计算公式如下:
其中,m为选择的样本点数量,主要由卫星或观测点数量决定,hi为i点卫星或观测值,yi为模型在对应点的模拟值,当两者的值越接近,模型模拟结果越好,参数优化这一过程可以用减少代价函数这一定量过程描述;基于测试方案的参数取值以及每个测试方案的代价函数值,找到敏感参数取值与代价函数之间的一个对应的多元关系,基于梯度下降方法寻优,得到优化后的一组参数。
本发明的基于海洋物理生态耦合模型的生态参数优化方法,避免了复杂的、对数据及计算机能力要求较高的数值模式同化方法,且通过选择敏感参数减少了参数优化过程中的测试方案数量,提高了效率,此外,还通过敏感参数与构造的代价函数之间的多元关系,交叉机器学习中梯度下降方法思路,非线性、自动寻找最优参数组合,既降低了主观判断的干扰以及人工工作量,也解决了参数线性优化的局限。这是机器学习与海洋数值模式的一次结合与碰撞。
附图说明
图1为一种基于海洋物理生态耦合模型的参数优化方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
本发明实施例介绍了一种基于海洋物理生态耦合模型的生态参数优化方法,目的在于通过一种简单高效半自动化的参数优化方法提高对海洋生态环境的模拟能力。具体实施步骤如下:
1.选取并构建一个海洋物理生态耦合模型,可以自行选择适合研究区域的物理模型耦合不同复杂程度的生态模块。首先完成初始场、强迫场、开边界等条件的准备,随后即通过调试物理模型(与生态参数无关)获得稳定且较为真实的物理场(能基本再现海区温度、盐度、潮汐及潮流等要素),最后通过阅读文献获得生态模块中生态参数取值的大致范围,初步调试模型至能基本再现海洋生态要素尤其是营养盐的空间分布及季节变化趋势(趋势即可,不要求量值一致)。
2.通过敏感性实验分析所选生态模块中生态参数的敏感度,选择最为敏感的几个参数参与后续参数优化工作以提高后续参数优化效率。其中生态参数的敏感度与海洋生态环境中最为基础的要素叶绿素或初级生产力的模拟情况有关,具体计算公式如下:
SC,X=[(Cx-Cx+)/Cx]/[(X-X+)/X]
其中分子为叶绿素或初级生产力的变化率,分母为生态参数的变化率。
具体操作思路如下:将每个生态参数依次增大50%(可为其他值),通过计算叶绿素或初级生产力的变化率以及每次增大的参数的变化率之间的比值,对该值的绝对值进行排序,判断各个参数的敏感程度。随后即基于该结果选取最敏感参数。
3.基于步骤2中获得的敏感参数,结合步骤1中从文献获得的这些敏感参数的取值范围,对这几个参数的取值范围分别进行一定精度的细分采样取值。随后,基于每个参数的采样值,通过排列组合的方法设计多个测试方案(CASE),分别应用于步骤1中构建的海洋理生态耦合模型并获得对应测试方案的叶绿素或初级生产力模拟结果。
4.基于上一步模型运行结果,通过与卫星数据或观测数据进行对比并构造代价函数,代价函数计算公式如下:
其中,m为选择的样本点数量,因卫星或观测点数据所在区域有限,故该数量主要由卫星或观测点数量决定。h为i点卫星或观测值,y为模型在对应点的模拟值。可以看到,当h与y的值越接近,模型模拟结果越好,也即说明该代价函数可以很好地评价模型模拟结果。因此,参数优化这一过程可以用减少代价函数这一定量过程描述。
随后,基于测试方案的参数取值以及每个测试方案的代价函数值,我们可以找到敏感参数取值与代价函数之间的一个对应的多元关系,该关系是对参数与模拟结果过程的一个简化的描述。基于梯度下降方法的思路,设置一定的步长,我们可以通过该关系进行自动寻优。具体思路即,每个步长内,求取各个参数方向的梯度,梯度下降最快的方向即为下一步参数优化方向,也即该参数往此方向上的调整可以尽可能的减小代价函数。进过一定时间的计算,我们即可得到优化后的一组参数。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于海洋物理生态耦合模型的生态参数优化方法,包括以下步骤:
(1)选取适合研究区域的海洋物理生态耦合模型,通过调试所选取的海洋物理生态耦合模型,获得稳定且较为真实的物理场;获得生态模块中生态参数取值范围,初步调试模型至能再现海洋生态要素尤其是营养盐的空间分布及季节变化趋势;
(2)通过敏感性实验分析所选生态模块中生态参数的敏感度,选择最为敏感的几个参数参与后续参数优化工作以提高后续参数优化效率。方法如下:将每个生态参数依次增大某个确定的百分比,通过计算叶绿素或初级生产力的变化率以及每次增大的参数的变化率之间的比值,对此比值的绝对值进行排序,判断各个参数的敏感程度,随后即基于此结果选取最为敏感的几个参数;
(3)基于步骤(2)中获得的最为敏感的几个参数,结合步骤(1)所获得的这些敏感参数的取值范围,对这几个参数的取值范围分别进行一定精度的细分采样取值,随后,基于每个参数的采样值,通过排列组合的方法设计多个测试方案,分别应用于步骤(1)中经过初步调试的海洋物理生态耦合模型,并获得对应测试方案的叶绿素或初级生产力模拟结果;
(4)基于上一步模型运行结果,通过与卫星数据或观测数据进行对比并构造代价函数,代价函数计算公式如下:
其中,m为选择的样本点数量,主要由卫星或观测点数量决定,hi为i点卫星或观测值,yi为模型在对应点的模拟值,当两者的值越接近,模型模拟结果越好,参数优化这一过程可以用减少代价函数这一定量过程描述;基于测试方案的参数取值以及每个测试方案的代价函数值,找到敏感参数取值与代价函数之间的一个对应的多元关系,基于梯度下降方法寻优,得到优化后的一组参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810636843.9A CN108959741B (zh) | 2018-06-20 | 2018-06-20 | 一种基于海洋物理生态耦合模型的参数优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810636843.9A CN108959741B (zh) | 2018-06-20 | 2018-06-20 | 一种基于海洋物理生态耦合模型的参数优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108959741A true CN108959741A (zh) | 2018-12-07 |
CN108959741B CN108959741B (zh) | 2023-04-18 |
Family
ID=64489654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810636843.9A Active CN108959741B (zh) | 2018-06-20 | 2018-06-20 | 一种基于海洋物理生态耦合模型的参数优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108959741B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947080A (zh) * | 2021-02-04 | 2021-06-11 | 中国运载火箭技术研究院 | 一种基于场景参数变换的智能决策模型性能评估系统 |
CN113742901A (zh) * | 2021-08-17 | 2021-12-03 | 生态环境部华南环境科学研究所 | 一种分析潮汐对无机氮跨陆架运输影响机理的方法 |
CN114168216A (zh) * | 2021-11-24 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 一种参数调优方法、设备及存储介质 |
CN115099072A (zh) * | 2022-08-24 | 2022-09-23 | 自然资源部第一海洋研究所 | 一种海洋生态动力学模型参数非线性优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110179706A1 (en) * | 2010-01-26 | 2011-07-28 | Hunt Ryan W | Biological Optimization Systems For Enhancing Photosynthetic Efficiency And Methods Of Use |
WO2016090478A1 (en) * | 2014-12-09 | 2016-06-16 | Oceaneos Environmental Solutions, Inc. | Process and method for remotely measuring and quantifying carbon dioxide sequestration from ocean iron enrichment |
CN106934074A (zh) * | 2015-12-29 | 2017-07-07 | 中航商用航空发动机有限责任公司 | 全局最优涡扇发动机进气道减噪设计方法 |
CN107941713A (zh) * | 2017-10-17 | 2018-04-20 | 河海大学 | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 |
-
2018
- 2018-06-20 CN CN201810636843.9A patent/CN108959741B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110179706A1 (en) * | 2010-01-26 | 2011-07-28 | Hunt Ryan W | Biological Optimization Systems For Enhancing Photosynthetic Efficiency And Methods Of Use |
WO2016090478A1 (en) * | 2014-12-09 | 2016-06-16 | Oceaneos Environmental Solutions, Inc. | Process and method for remotely measuring and quantifying carbon dioxide sequestration from ocean iron enrichment |
CN106934074A (zh) * | 2015-12-29 | 2017-07-07 | 中航商用航空发动机有限责任公司 | 全局最优涡扇发动机进气道减噪设计方法 |
CN107941713A (zh) * | 2017-10-17 | 2018-04-20 | 河海大学 | 一种基于耦合作物模型同化光谱反射率的水稻估产方法 |
Non-Patent Citations (1)
Title |
---|
聂红涛;陶建华;: "Inversion of dispersion coeffcient in water quality model using optimal perturbation algorithm" * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947080A (zh) * | 2021-02-04 | 2021-06-11 | 中国运载火箭技术研究院 | 一种基于场景参数变换的智能决策模型性能评估系统 |
CN112947080B (zh) * | 2021-02-04 | 2023-04-14 | 中国运载火箭技术研究院 | 一种基于场景参数变换的智能决策模型性能评估系统 |
CN113742901A (zh) * | 2021-08-17 | 2021-12-03 | 生态环境部华南环境科学研究所 | 一种分析潮汐对无机氮跨陆架运输影响机理的方法 |
CN113742901B (zh) * | 2021-08-17 | 2023-04-25 | 生态环境部华南环境科学研究所 | 一种分析潮汐对无机氮跨陆架运输影响机理的方法 |
CN114168216A (zh) * | 2021-11-24 | 2022-03-11 | 阿里巴巴(中国)有限公司 | 一种参数调优方法、设备及存储介质 |
CN114168216B (zh) * | 2021-11-24 | 2024-04-26 | 阿里巴巴(中国)有限公司 | 一种参数调优方法、设备及存储介质 |
CN115099072A (zh) * | 2022-08-24 | 2022-09-23 | 自然资源部第一海洋研究所 | 一种海洋生态动力学模型参数非线性优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108959741B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108959741A (zh) | 一种基于海洋物理生态耦合模型的参数优化方法 | |
Birks | Numerical methods for the analysis of diatom assemblage data | |
Mueller et al. | Extended artificial neural networks: incorporation of a priori chemical knowledge enables use of ion selective electrodes for in-situ measurement of ions at environmentally relevant levels | |
Spitale et al. | Environmental classification of springs of the Italian Alps and its consistency across multiple taxonomic groups | |
Juggins et al. | Package ‘rioja’ | |
Niquil et al. | 9.07–inverse modeling in modern ecology and application to coastal ecosystems | |
CN111638249A (zh) | 基于深度学习的含水率测量方法及其在油井开采中的应用 | |
Schelle et al. | Simultaneous estimation of soil hydraulic and root distribution parameters from lysimeter data by inverse modeling | |
Bailly et al. | Modelling spatial variability along drainage networks with geostatistics | |
Rocha et al. | Modeling the species richness and abundance of lotic macroalgae based on habitat characteristics by artificial neural networks: a potentially useful tool for stream biomonitoring programs | |
Allen et al. | A multivariate approach to model skill assessment | |
CN112233734B (zh) | 基于机器学习的水质数据推演获取方法及系统 | |
CN103399134B (zh) | 一种基于输出观测器的污水cod软测量方法 | |
Lucius et al. | Using machine learning to correct for nonphotochemical quenching in high‐frequency, in vivo fluorometer data | |
CN101561882A (zh) | 一种基于空间相关性的亚像元空间定位方法 | |
CN112668606A (zh) | 基于梯度提升机与二次规划的阶跃型滑坡位移预测方法 | |
Spezia et al. | Periodic multivariate normal hidden Markov models for the analysis of water quality time series | |
CN115952685A (zh) | 基于集成深度学习的污水处理过程软测量建模方法 | |
CN110837924B (zh) | 一种水质浊度预测方法 | |
Schueth et al. | The Probable Datum Method (PDM): a technique for estimating the age of origination or extinction of nannoplankton | |
CN111967677A (zh) | 一种非常规资源甜点分布的预测方法及装置 | |
Chen et al. | Genetic Algorithm–Back Propagation (GA-BP) Neural Network for Chlorophyll-a Concentration Inversion Using Landsat 8 OLI Data | |
Prôa | Exploring the microevolutionary processes acting on Primate cranial form using morphometric data and quantitative genetic models | |
Chu et al. | Linking Structural Equation Modelling with Bayesian Network and Coastal Phytoplankton Dynamics in Bohai Bay | |
Cahill et al. | A Bayesian hierarchical model for reconstructing relative sea level: from raw data to rates of change |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |