CN109146180A - 一种基于卫星测高数据的海平面变化预测方法 - Google Patents
一种基于卫星测高数据的海平面变化预测方法 Download PDFInfo
- Publication number
- CN109146180A CN109146180A CN201810970078.4A CN201810970078A CN109146180A CN 109146180 A CN109146180 A CN 109146180A CN 201810970078 A CN201810970078 A CN 201810970078A CN 109146180 A CN109146180 A CN 109146180A
- Authority
- CN
- China
- Prior art keywords
- sea
- data
- indicate
- center point
- grid element
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卫星测高数据的海平面变化预测方法,涉及卫星测高数据应用技术领域,本发明利用卫星高度计测得的海面高长时间序列数据,以确定的网格中心点为圆心,通过搜索半径内每个海面高数据的插值权重,计算得到在网格中心点处的海面高数据插值结果。然后在各网格中心点处,利用海面高数据插值结果确定季节性差分自回归滑动平均预测模型参数。最终基于预测模型计算研究区域内每个网格中心点处的海面高预测值。本发明通过将卫星测高数据与季节性差分自回归滑动平均模型相结合,可以对大空间尺度海平面变化进行预测。
Description
技术领域
本发明涉及卫星测高数据应用技术领域,尤其涉及一种基于卫星测高数据的海平面变化预测领域。
背景技术
近年来,海平面的升高带来了海岸侵蚀,还会造成了盐水入侵、洪涝等灾害,给人类的生存环境和生命财产安全造成严重威胁。而越来越多的研究表明,海平面仍处于加速上升中。因此,海平面变化预测的方法不仅有重要的学术价值,对海洋生态环境的改善还具有重大的现实意义。
利用验潮数据得到的海面高数据精度高、时间序列长,存在测量成本高、分布不均匀、测量周期长等缺点,而且测得的数据为点数据,不能在大空间尺度范围进行测量,而卫星测高技术可以长时序的获取大空间尺度的海面高度信息,已经积累了30多年的高精度全球海面高度数据,为全球海平面变化建模预测提供了数据基础。
目前,预测海面高的方法是随机动态模型为经验的数学统计模型,然而海平面变化具有复杂的机理,传统方法对于非平稳非线性的时间序列预测存在较大局限性,而且往往是针对某个验潮站数据进行计算。季节性差分自回归滑动平均(SeasonalAutoregressive Integrated Moving Average,SARIMA)模型是由Box和Jenkins提出的一种时间序列预测方法,该方法主要应用在经济金融、交通运输和工程管理等领域,还未应用于海平面变化预测领域。SARIMA模型能够充分考虑卫星测高数据中周期性特征,不仅能够解决卫星测高数据不平稳问题,而且去周期化后数据表现为一种纯粹的随机过程,能够很好的对海平面变化进行预测。由于卫星测高数据具有地理空间分布的多点特性,在测高数据预处理和SARIMA模型构建方面尚未有解决方案。鉴于卫星测高数据和SARIMA模型的优点,本发明提出一种卫星测高数据和SARIMA模型相结合进行海平面变化的预测方法。
发明内容
(一)要解决的技术问题
本发明提供了一种基于卫星测高数据的海平面变化预测方法,该方法利用SARIMA模型对长时间序列的卫星测高数据进行处理,来预测海平面变化。
(二)技术方案
本发明包含以下步骤:
(1)将卫星测高数据进行预处理,得到数量为g个月份的海面高数据sshu(1≤u≤g);
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数。
(2)以第一个月份数据的左上角坐标点(x1,y1)为第一个网格中心点,网格宽度W取最大轨道间距的一半,依次计算网格中心点经纬度坐标并储存在Lij中;
其中,i和j表示从网格左上角起算第i列第j行。
(3)对各月海面高数据sshu,以网格中心点Lij为圆心,以R为搜索半径,找到w个海面高数据,计算每个海面高数据sshuv(1≤u≤g,1≤v≤w)的插值权重puv,并计算在第u个月网格中心点Lij处的海面高数据插值结果SSHuij;
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数,v表示以网格中心点Lij为圆心,在R搜索半径内的w个海面高数据的序数,i和j表示从网格左上角起算第i列第j行。
(4)确定网格中心点Lij处的海面高预测模型参数,即季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型参数;
(5)将步骤(4)确定的SARIMA模型参数带入模型中,计算第T个月各网格中心点Lij处的海面高预测值SSHTij',从而得到研究区域内每个网格中心点Lij处的海面高预测值。
进一步,所述步骤(1)中g应大于120。
进一步,所述步骤(2)中网格中心点坐标的计算方法为:
其中,i和j表示从网格左上角起算第i列第j行。
进一步,所述步骤(3)中R取网格宽度的2倍,即2W。
进一步,所述步骤(4)中SARIMA(p,d,q)(P,D,Q)[s]模型表达式为:
AP(Ls)=(1-α1Ls-α2L2s-L-αPLPs)
Θq(L)=(1+θ1L+θ2L2+L+θqLq)
BQ(Ls)=(1+β1Ls+β2L2s+L+βQLQs)
其中,s表示周期,Δ表示非季节性差分,Δs表示s期季节性差分,d表示非季节差分次数,D表示季节性差分次数,SSHtij'(t≥g)表示第t个月网格中心点Lij处的海面高预测值,L表示滞后算子,μt表示白噪声,Φp(L)和AP(Ls)分别表示非季节与季节自回归特征多项式,Θq(L)和BQ(Ls)分别表示非季节与季节移动平均算子,p表示非季节的最大滞后阶数,P表示季节最大滞后阶数,q表示自回归最大滞后阶数,Q表示移动平均算子的最大滞后阶数。
(三)有益效果
本发明的优点体现在:
本发明以SARIMA模型为基础,能够充分考虑卫星测高数据中周期性特征,不仅能够解决卫星测高数据不平稳问题,而且去周期化后数据表现为一种纯粹的随机过程。而且该模型主要应用在经济金融、交通运输和工程管理等领域,还未应用于海平面变化预测领域。通过将卫星测高数据与SARIMA模型相结合,可以对大空间尺度海平面变化进行预测。
附图说明
图1为本发明实施的步骤流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述:
参照图1,本发明的具体实施步骤为:
(1)将卫星测高数据进行预处理,得到数量为g个月份的海面高数据sshu(1≤u≤g);
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数。预处理包括共线处理、区域选择、自交叉点平差、椭球统一、框架统一和互交叉点平差。g应大于120。
(2)以第一个月份数据的左上角坐标点(x1,y1)为第一个网格中心点,网格宽度W取最大轨道间距的一半,依次计算网格中心点经纬度坐标并储存在Lij中;
其中,网格中心点坐标的计算方法为:
其中,i和j表示从网格左上角起算第i列第j行。
(3)对各月海面高数据sshu,以网格中心点Lij为圆心,以R为搜索半径,找到w个海面高数据,计算每个海面高数据sshuv(1≤u≤g,1≤v≤w)的插值权重puv,并计算在第u个月网格中心点Lij处的海面高数据插值结果SSHuij;
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数,v表示以网格中心点Lij为圆心,在R搜索半径内的w个海面高数据的序数,i和j表示从网格左上角起算第i列第j行。R取网格宽度的2倍,即2W。
计算权重puv的公式为:
其中,ruv(1≤u≤g,1≤v≤w)表示海面高数据点到网格中心点之间的距离,即xi和yj分别表示网格中心点Lij的经度和纬度,xuv和yuv分别表示海面高数据点的经度和纬度。
计算海面高数据插值结果SSHuij的公式为:
其中,w表示以网格中心点Lij为圆心R范围内海面高数据的总个数,sshuv表示海面高数据值,puv表示海面高数据sshuv对应的权重。
(4)确定网格中心点Lij处的海面高预测模型参数,即季节性差分自回归滑动平均(SeasonalAutoregressive IntegratedMovingAverage,SARIMA)模型参数;
其中,SARIMA(p,d,q)(P,D,Q)[s]模型表达式为:
AP(Ls)=(1-α1Ls-α2L2s-L-αPLPs)
Θq(L)=(1+θ1L+θ2L2+L+θqLq)
BQ(Ls)=(1+β1Ls+β2L2s+L+βQLQs)
其中,s表示周期,Δ表示非季节性差分,Δs表示s期季节性差分,d表示非季节差分次数,D表示季节性差分次数,SSHtij'(t≥g)表示第t个月网格中心点Lij处的海面高预测值,L表示滞后算子,μt表示白噪声,Φp(L)和AP(Ls)分别表示非季节与季节自回归特征多项式,Θq(L)和BQ(Ls)分别表示非季节与季节移动平均算子,p表示非季节的最大滞后阶数,P表示季节最大滞后阶数,q表示自回归最大滞后阶数,Q表示移动平均算子的最大滞后阶数。
确定SARIMA模型参数的具体过程为:
①d、s、p和q的确定。在网格中心点Lij处,利用步骤(3)中所得的海面高数据插值结果SSHuij进行一阶普通差分,并利用ADF检验判断数据是否为平稳序列,若是进行下一步计算,否则进行更高阶普通差分,直至数据为平稳时间序列,此时差分阶数n为d的取值。利用普通差分后的数据计算并生成自相关函数图A1和偏自相关函数图P1,从图A1中选择显著不为零的点k0作为s和函数可能截尾处qc作为q的候选值,从图P1中选择函数可能截尾处pa
作为p的候选值。
普通差分公式为:
其中,SSHuij表示在网格中心点Lij处海面高数据插值结果,Dn(SSHuij)表示对SSHuij进行n阶普通差分结果。
ADF检验过程为:
其中,Dn(SSHuij)表示对SSHuij进行n阶普通差分结果,SSHuij表示在网格中心点Lij处海面高数据插值结果,表示误差项,α、β和δ表示常数项。
在显著性水平α=0.05下,检验假设H0:δ=0,统计量查ADF分布临界值表,若接受H0则该序列是非平稳序列,否则为平稳序列。
计算自相关函数的公式为:
其中,k表示滞后期,表示在k处的自相关函数值,表示自协方差函数,g表示实验的总月份数,Dn(SSHuij)表示对SSHuij进行n阶普通差分结果值。
计算偏自相关函数的公式为:
Dn(SSHuij)=φp1Dn(SSH(u-1)ij)+φp2Dn(SSH(u-2)ij)+…+φppDn(SSH(u-p)ij)+εuij
其中,φpp表示偏自相关函数值,p表示滞后期,φpa表示p阶自回归过程第a个回归系数,Dn(SSHuij)表示对SSHuij进行n阶普通差分结果值,εuij表示白噪声。
②P、D、Q和L的确定。在n阶普通差分的基础上进行一阶季节性差分,并利用ADF检验判断数据是否为平稳序列,若是进行下一步计算,否则进行更高阶季节性差分,直至数据为平稳时间序列,此时差分阶数m为D的取值。利用季节性差分后的数据计算并生成自相关函数图A2和偏自相关函数图P2,从图A2中选择函数可能截尾处Qf作为Q的候选值,从图P2中选择函数可能截尾处Pb作为P的候选值。
季节性差分公式为:
其中,u表示对月份按时间先后顺序进行排列的序数,SSHuij表示在网格中心点Lij处海面高数据插值结果,L表示滞后算子,Dms(SSHuij)表示对Dn(SSHuij)进行m阶季节性差分结果值。
③利用步骤①②得到的多组模型参数,通过贝斯叶信息准则(BIC),确定BIC值最小的模型参数组为最佳模型参数。
BIC定义为:
BIC=-2×ln(F)+k×ln(n)
其中,k表示模型中未知参数的个数,F表示极大似然函数,n表示样本数量。
(5)将步骤(4)确定的SARIMA模型参数带入模型中,计算第T个月各网格中心点Lij处的海面高预测值SSHTij',从而得到研究区域内每个网格中心点Lij处的海面高预测值。
Claims (5)
1.一种基于卫星测高数据的海平面变化预测方法,其特征在于,包括以下步骤:
(1)将卫星测高数据进行预处理,得到数量为g个月份的海面高数据sshu(1≤u≤g);
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数。
(2)以第一个月份数据的左上角坐标点(x1,y1)为第一个网格中心点,网格宽度W取最大轨道间距的一半,依次计算网格中心点经纬度坐标并储存在Lij中;
其中,i和j表示从网格左上角起算第i列第j行。
(3)对各月海面高数据sshu,以网格中心点Lij为圆心,以R为搜索半径,找到w个海面高数据,计算每个海面高数据sshuv(1≤u≤g,1≤v≤w)的插值权重puv,并计算在第u个月网格中心点Lij处的海面高数据插值结果SSHuij;
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数,v表示以网格中心点Lij为圆心,在R搜索半径内的w个海面高数据的序数,i和j表示从网格左上角起算第i列第j行。
(4)确定网格中心点Lij处的海面高预测模型参数,即季节性差分自回归滑动平均(Seasonal Autoregressive Integrated Moving Average,SARIMA)模型参数;
(5)将步骤(4)确定的SARIMA模型参数带入模型中,计算第T个月各网格中心点Lij处的海面高预测值SSHTij',从而得到研究区域内每个网格中心点Lij处的海面高预测值。
2.根据权利要求1所述的一种基于卫星测高数据的海平面变化预测方法,其特征在于:所述步骤(1)中g应大于120。
3.根据权利要求1所述的一种基于卫星测高数据的海平面变化预测方法,其特征在于:所述步骤(2)中网格中心点坐标的计算方法为:
其中,i和j表示从网格左上角起算第i列第j行。
4.根据权利要求1所述的一种基于卫星测高数据的海平面变化预测方法,其特征在于:所述步骤(3)中R取网格宽度的2倍,即2W。
5.根据权利要求1所述的一种基于卫星测高数据的海平面变化预测方法,其特征在于:所述步骤(4)中SARIMA(p,d,q)(P,D,Q)[s]模型表达式为:
AP(Ls)=(1-α1Ls-α2L2s-L-αPLPs)
Θq(L)=(1+θ1L+θ2L2+L+θqLq)
BQ(Ls)=(1+β1Ls+β2L2s+L+βQLQs)
其中,s表示周期,Δ表示非季节性差分,Δs表示s期季节性差分,d表示非季节差分次数,D表示季节性差分次数,SSHtij'(t≥g)表示第t个月网格中心点Lij处的海面高预测值,L表示滞后算子,μt表示白噪声,Φp(L)和AP(Ls)分别表示非季节与季节自回归特征多项式,Θq(L)和BQ(Ls)分别表示非季节与季节移动平均算子,p表示非季节的最大滞后阶数,P表示季节最大滞后阶数,q表示自回归最大滞后阶数,Q表示移动平均算子的最大滞后阶数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970078.4A CN109146180A (zh) | 2018-08-24 | 2018-08-24 | 一种基于卫星测高数据的海平面变化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970078.4A CN109146180A (zh) | 2018-08-24 | 2018-08-24 | 一种基于卫星测高数据的海平面变化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109146180A true CN109146180A (zh) | 2019-01-04 |
Family
ID=64827665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810970078.4A Pending CN109146180A (zh) | 2018-08-24 | 2018-08-24 | 一种基于卫星测高数据的海平面变化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146180A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884217A (zh) * | 2021-02-04 | 2021-06-01 | 国家海洋信息中心 | 一种基于多模型集成的海面高预报方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308956A (zh) * | 2013-06-25 | 2013-09-18 | 中国科学院遥感与数字地球研究所 | 利用云气候学数据预判目标区域未来月平均云量的方法 |
CN104933291A (zh) * | 2015-05-06 | 2015-09-23 | 中国石油大学(华东) | 基于网函数插值的卫星测高数据平均海面高产品制作方法 |
-
2018
- 2018-08-24 CN CN201810970078.4A patent/CN109146180A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103308956A (zh) * | 2013-06-25 | 2013-09-18 | 中国科学院遥感与数字地球研究所 | 利用云气候学数据预判目标区域未来月平均云量的方法 |
CN104933291A (zh) * | 2015-05-06 | 2015-09-23 | 中国石油大学(华东) | 基于网函数插值的卫星测高数据平均海面高产品制作方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884217A (zh) * | 2021-02-04 | 2021-06-01 | 国家海洋信息中心 | 一种基于多模型集成的海面高预报方法 |
CN112884217B (zh) * | 2021-02-04 | 2022-03-15 | 国家海洋信息中心 | 一种基于多模型集成的海面高预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Castiglioni et al. | Calibration of rainfall-runoff models in ungauged basins: A regional maximum likelihood approach | |
Luhunga et al. | Evaluation of the performance of CORDEX regional climate models in simulating present climate conditions of Tanzania | |
CN108761574A (zh) | 基于多源信息融合的降雨量估算方法 | |
Zeng et al. | A Regional Gap-Filling Method Based on Spatiotemporal Variogram Model of $\hbox {CO} _ {2} $ Columns | |
Das | Extreme rainfall estimation at ungauged sites: Comparison between region-of-influence approach of regional analysis and spatial interpolation technique | |
Sun et al. | Estimation of sea level variability in the China Sea and its vicinity using the SARIMA and LSTM models | |
Zaatri et al. | North–south asymmetry of zonal and meridional flows determined from ring diagram analysis of GONG++ Data | |
Wu et al. | Prediction of soil salinity in the Yellow River Delta using geographically weighted regression | |
Stachelek et al. | Application of inverse path distance weighting for high-density spatial mapping of coastal water quality patterns | |
Peneva et al. | Water transport in the Bosphorus Straits estimated from hydro-meteorological and altimeter data: seasonal to decadal variability | |
CN116341841B (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
Moretti et al. | Results of investigations in the Sicily Channel (1986–1990) | |
Łukawska-Matuszewska et al. | Prediction of near-bottom water salinity in the Baltic Sea using Ordinary Least Squares and Geographically Weighted Regression models | |
Reeve et al. | Statistical analysis and forecasts of long-term sandbank evolution at Great Yarmouth, UK | |
Ali | On the selection of an interpolation method for creating a terrain model (TM) from LIDAR data | |
Raudsepp et al. | A stochastic model for the sea level in the Estonian coastal area | |
CN109146180A (zh) | 一种基于卫星测高数据的海平面变化预测方法 | |
Church | Multibeam sonar ray-tracing uncertainty evaluation from a hydrodynamic model in a highly stratified estuary | |
Jang | An Application of ANN Ensemble for Estimating of Precipitation Using Regional Climate Models | |
Bessac et al. | Gaussian linear state‐space model for wind fields in the North‐East Atlantic | |
Hernández-Lambraño et al. | Making the most of scarce data: Mapping distribution range and variation in population abundance of a threatened narrow-range endemic plant | |
Roksvåg et al. | A geostatistical two field model that combines point observations and nested areal observations, and quantifies long-term spatial variability--A case study of annual runoff predictions in the Voss area | |
Naumov et al. | Quality assessment of a satellite altimetry data product DT18 in the Norwegian Sea: A comparison to tide gauge records and drifters data | |
Li et al. | Optimization of the spatiotemporal parameters in a dynamical marine ecosystem model based on the adjoint assimilation | |
Kalikhman et al. | Patchy distribution fields: survey design and adequacy of reconstruction |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |
|
WD01 | Invention patent application deemed withdrawn after publication |