CN109543356B - 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 - Google Patents

考虑空间非平稳性的海洋内部温盐结构遥感反演方法 Download PDF

Info

Publication number
CN109543356B
CN109543356B CN201910010746.3A CN201910010746A CN109543356B CN 109543356 B CN109543356 B CN 109543356B CN 201910010746 A CN201910010746 A CN 201910010746A CN 109543356 B CN109543356 B CN 109543356B
Authority
CN
China
Prior art keywords
data
sea surface
remote sensing
argo
actual measurement
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.)
Active
Application number
CN201910010746.3A
Other languages
English (en)
Other versions
CN109543356A (zh
Inventor
苏华
黄琳瑾
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN201910010746.3A priority Critical patent/CN109543356B/zh
Publication of CN109543356A publication Critical patent/CN109543356A/zh
Application granted granted Critical
Publication of CN109543356B publication Critical patent/CN109543356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • 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

Abstract

本发明涉及一种考虑空间非平稳性的海洋内部温盐结构遥感反演方法，基于地理加权回归模型，利用多源海表卫星观测数据，结合海洋内部Argo浮标实测数据，反演全球海洋内部的温盐结构并取得了很好的反演效果，不仅能直观、准确地展示全球海洋内部温盐信息空间分布特征，还能得到各解释变量贡献值的空间分布。该发明考虑了海洋表层和内部的空间非平稳性，采用局部建模思想建立海洋内部参数和海表参数之间的关系，推演中深层海洋温盐结构关键动力参数，弥补了浮标实测数据的稀疏与不足，大大提高了反演结果的精度。

Description

考虑空间非平稳性的海洋内部温盐结构遥感反演方法
技术领域
本发明涉及遥感信息处理与应用领域，具体涉及一种考虑空间非平稳性的海洋内部温盐结构遥感反演方法。
背景技术
迄今为止，全球具备海洋探测功能的对地观测卫星或海洋卫星共有50多颗。几十年来，卫星传感器一直在提供各种时空尺度的海表观测。例如，热红外传感器用于探测海表温度，卫星高度计用于监测海表高度，微波辐射计用于测量海表盐度，微波散射计用于获取海表风场。海洋内部存在复杂的三维动力过程，许多重要的海洋物理现象与过程都位于海表之下一定深度范围之内，但是这些海洋内部关键动力参量传统卫星遥感无法直接观测，并且实测数据稀少，全球有限的Argo浮标观测数据仍远远满足不了需求。卫星遥感资料的日益增加，为海表观测提供了大量覆盖范围广、高空间分辨率和强时间连续性的实时海洋表面信息。结合多源卫星遥感观测和现场观测数据，通过地理加权回归的空间建模方法，建立海洋内部参数和海表参数之间的关系，推演中深层海洋过程的关键参数，可为全球气候变化过程中的中深海响应特征研究提供数据支持，对于进一步了解中深海动力过程及其变异特征有重要意义。
发明内容
有鉴于此，本发明的目的在于提供一种考虑空间非平稳性的海洋内部温盐结构遥感反演方法，能直观、准确地展示全球海洋内部温盐信息空间分布特征，还能得到各解释变量贡献值的空间分布。
为实现上述目的，本发明采用如下技术方案：
一种考虑空间非平稳性的海洋内部温盐结构遥感反演方法，包括以下步骤：
步骤S1：获取多源海表遥感数据和Argo浮标实测数据并构建经纬网，使所有数据空间范围统一；
步骤S2：对多源海表遥感数据和Argo浮标实测数据进行预处理，得到各海表参量的异常值数据、Argo实测坐标数据、Argo实测的温度异常数据和盐度异常数据；
步骤S3：对得到的各海表参量数据进行空间自相关检验；
步骤S4：将检验后的各海表参量的异常值数据进行标准化处理并与Argo实测的温度异常数据和盐度异常数据通过Argo实测坐标数据一一对应，建立特征矩阵；并将所有数据随机划分成训练数据集和测试数据集；
步骤S5：采用Gauss函数作为空间权函数建立空间权重矩阵，并采用固定型核函数从指定范围内选取最优带宽，由于GWR模型对带宽很敏感，因此利用Akaike信息量准则确定最优带宽；
步骤S6：根据得到的训练数据集和最优带宽，考虑空间非平稳性，在最小二乘回归模型的基础上，利用局部光滑思想，将数据地理位置嵌入到回归参数之中，使回归系数随空间位置的变化而变化，构建GWR模型；
步骤S7：将测试数据集输入GWR模型，反演海洋内部温盐异常，得到海洋内部温度异常分布、盐度异常分布以及各解释变量相关系数。
进一步的，所述步骤S2具体为：
步骤S21：将多源海表遥感数据和Argo浮标实测数据的时间分辨率统一为每月，利用最优插值法将空间分辨率统一为1°×1°，得到统一尺度的多源海表遥感数据和Argo浮标实测数据；
步骤S22：将多源海表遥感数据和Argo浮标实测数据中不合理的值赋为空值并除去，得到处理后的多源海表遥感数据和Argo浮标实测数据；
步骤S23：将处理后的多源海表遥感数据和Argo浮标实测数据均减去对应的气候平均值，得到各海表参量的异常值数据和Argo实测的温度异常数据和盐度异常数据；
步骤S24：去除各海表参量的异常值数据和Argo实测的温度异常数据和盐度异常数据空值点。
进一步的，所述步骤S3具体为：
步骤S31：计算各海表参量的Moran'I指数，采用下式：
Figure BDA0001937174440000031
其中，Moran'I指数值范围是[-1，1]，当I为正值时，表示海表参量存在空间正相关性，值越靠近1，则表明统计量与空间地理位置的正相关性越强；负值则表示存在着空间负相关性，值越小越强；值为0时，则表示空间统计量不具有明显的空间相关关系；
步骤S32：各海表参量均通过Moran'I指数进行检验，得到检验后的各海表参量。
进一步的，所述步骤S4具体为：
步骤S41：将各海表参量进行标准化处理，使其均在固定范围内呈正态分布；
步骤S42：将标准化后的各海表参量的异常值数据、Argo实测的温度异常数据或盐度异常数据和各样本点坐标数据x、y纵向合并生成矩阵matrix；
步骤S43：在Matlab中利用randsample函数随机划分，将矩阵matrix分为70％的训练数据集和30％的测试数据集。
进一步的，所述步骤S5具体为：
步骤S51：选取Gauss函数作为空间权函数建立空间权重矩阵，
高斯函数的定义方法，采用下式：
Figure BDA0001937174440000041
其中b是描述权重与距离之间函数关系的非负衰减参数，称为带宽；带宽越大，权重随距离增加衰减的越慢；带宽越小，权重随距离增加衰减的越快；当带宽为0时，只有回归点i上的权值为1，其它各观测点的权值均趋于0；
步骤S52：将AIC准则用于地理加权回归模型权函数带宽的优化选择，采用下式：
Figure BDA0001937174440000051
其中矩阵S为地理加权回归模型中的帽子矩阵S，表示为Si＝Xi(X′WiX)-1X′Wi；S是关于权重矩阵Wi的函数，而权重函数Wi需要特定的带宽进行确定。不同带宽对GWR模型的运行结果影响较大，带宽过小会使局部参数估计出现偏差，设置过大又会导致模型参数结果起不到局部估计的作用；由此S为关于带宽b的函数，通过AIC准则进行优化，选择AIC值最小的地理加权回归模型所对应的权函数的带宽作为最优带宽。
进一步的，所述步骤S6具体为：
步骤S61：将各海表参量作为解释变量，Argo实测的温度异常数据或盐度异常数据作为因变量，构建基于GWR方法结合表层遥感观测的大尺度次表层温度异常估算模型，采用下式：
STAi＝β0(ui，vi)+β1(ui，vi)SSHA+β2(ui，vi)SSTA+
β3(ui，vi)SSSA+β4(ui，vi)USSSWA+β0(ui，vi)VSSSWA+εi
其中，STAi为第i个样本点地理坐标(μi，νi)的因变量；SSHA、SSTA、SSSA、USSWA和VSSWA为样本点(μi，νi)的自变量；β0(μi，νi)和βk(μi，νi)分别为不同i地理位置上的常数项和不同影响因子的回归系数；εi为模型残差。
进一步的，所述各海表参量异常数据包括海表高度异常、海表温度异常、海表盐度异常、海表风速水平分量异常和海表风速垂直分量异常。
本发明与现有技术相比具有以下有益效果：
本发明利用现有的丰富的遥感数据资源，基于地理加权回归的方法，在充分考虑空间非平稳性的前提下反演了大尺度全球海洋各层位(2000m以上)的温盐结构信息并结合Argo浮标实测数据进行验证。改进了原有最小二乘法全局建模精度低的不足，不仅提高了反演精度还能得到各解释变量的贡献值。为构建中深层海洋观测数据集提供了一种新方法，对研究全球大尺度中深层海洋内部动力过程及其变异特征有重要意义。
附图说明
图1为本发明的方法流程示意图；
图2为本发明实施例的2015年10月温度反演结果精度评价图；
图3为本发明实施例的2015年10月盐度反演结果精度评价图；
图4为本发明实施例的2015年10月500m深度处模型反演的温盐异常与Argo实测温盐异常对比图(上为温度、下为盐度)；
图5为本发明实施例的2015年10月1000m深度处模型反演的温盐异常与Argo实测温盐异常对比图(上为温度、下为盐度)；
图6为本发明实施例的2015年10月1000m深度处模型反演的温盐异常系数空间分布图(上为温度、下为盐度)；
图7为本发明实施例的2015年10月反演的各不同深度层位温盐异常系数变化图(上为温度、下为盐度)。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于多源卫星遥感的海洋内部温盐信息智能提取方法，包括以下步骤：
步骤S1：获取多源海表遥感数据和Argo浮标实测数据并构建经纬网，使所有数据空间范围统一；
步骤S2：对多源海表遥感数据和Argo浮标实测数据进行预处理，得到各海表参量的异常值数据和Argo实测的温度异常数据(STA)和盐度异常数据(SSA)；
各海表参量的异常值数据包括海表高度异常(SSHA)、海表温度异常(SSTA)、海表盐度异常(SSSA)、海表风速水平分量异常(USSWA)和海表风速垂直分量异常(VSSWA)。
步骤S21：将各海表参量数据和Argo浮标实测数据的时间分辨率统一为每月，利用最优插值法将空间分辨率统一为1°×1°，得到统一尺度的多源海表遥感数据和Argo浮标实测数据；
步骤S22：将各海表参量数据和Argo浮标实测数据中不合理的值赋为空值并除去，得到处理后的海表参量数据和Argo浮标实测数据；
步骤S23：将处理后的海表参量数据和Argo浮标实测数据均减去对应的气候平均值，得到各海表参量的异常值数据和Argo实测的温度异常数据和盐度异常数据；
步骤S24：得到各海表参量的异常值数据和Argo实测的温度异常数据和盐度异常数据只要有任何一个数据存在空值则该点位的数据就去除，保证所有样本点都能参与建模。
步骤S3：步骤S3：对各海表参量数据进行空间自相关检验，验证各参量均存在空间自相关性，适用于地理加权回归(GWR)建模；
步骤S31：计算各海表参量的Moran'I指数，采用下式：
Figure BDA0001937174440000081
其中，Moran'I指数值范围是[-1，1]，当I为正值时，表示印度洋海表参量存在空间正相关性，值越靠近1，则表明统计量与空间地理位置的正相关性越强；负值则表示存在着空间负相关性，值越小(靠近-1)越强；值为0时，则表示空间统计量不具有明显的空间相关关系；
步骤S32：各海表参量均通过Moran'I指数检验则可以进行GWR建模；
步骤S4：将各海表参量的异常值数据进行标准化处理并与Argo浮标实测数据通过Argo实测坐标数据一一对应，建立特征矩阵；并将所有数据随机划分成训练数据集和测试数据集；
步骤S41：将各海表参量进行标准化处理，使其均在固定范围内呈正态分布；
步骤S42：将标准化后的各海表参量的异常值数据、Argo实测的温度异常数据或盐度异常数据和各样本点坐标数据x、y纵向合并生成矩阵matrix；
步骤S43：在Matlab中利用randsample函数随机划分，产生70％的训练数据集和30％的测试数据集。
步骤S5：选取Gauss函数作为空间权函数建立空间权重矩阵，采用固定型(Fixed)核函数从指定范围内选取最优带宽，由于GWR模型对带宽很敏感，因此利用Akaike信息量准则(Akaike Information Criterion，AIC)确定最优带宽；
步骤S51：选取Gauss函数作为空间权函数建立空间权重矩阵，
高斯函数的定义方法，采用下式：
Figure BDA0001937174440000091
其中b是描述权重与距离之间函数关系的非负衰减参数，称为带宽(Bandwidth)。带宽越大，权重随距离增加衰减的越慢；带宽越小，权重随距离增加衰减的越快。当带宽为0时，只有回归点i上的权值为1，其它各观测点的权值均趋于0；
步骤S52：将AIC准则用于地理加权回归模型权函数带宽的优化选择，采用下式：
Figure BDA0001937174440000092
其中矩阵S为上节地理加权回归模型中的帽子矩阵S，表示为Si＝Xi(X′WiX)-1X′Wi。S是关于权重矩阵Wi的函数，而权重函数Wi需要特定的带宽进行确定。。不同带宽对GWR模型的运行结果影响较大，带宽过小会使局部参数估计出现偏差，设置过大又会导致模型参数结果起不到局部估计的作用；由此S为关于带宽b的函数，通过AIC准则进行优化，选择AIC值最小的地理加权回归模型所对应的权函数的带宽作为最优带宽；
步骤S6：考虑空间非平稳性，在最小二乘回归模型(OLS)的基础上，利用局部光滑思想，将数据地理位置嵌入到回归参数之中，使回归系数随空间位置的变化而变化，建立GWR模型；
步骤S61：将各海表参量作为解释变量，Argo实测的温度异常数据或盐度异常数据作为因变量，构建基于GWR方法结合表层遥感观测的大尺度次表层温度异常估算模型，采用下式：
STAi＝β0(ui，vi)+β1(ui，vi)SSHA+β2(ui，vi)SSTA+
β3(ui，vi)SSSA+β4(ui，vi)USSSWA+β0(ui，vi)VSSSWA+εi
其中STAi为第i个样本点地理坐标(μi，νi)的因变量；SSHA、SSTA、SSSA、USSWA和VSSWA为样本点(μi，νi)的自变量；β0(μi，νi)和βk(μi，νi)分别为不同i地理位置上的常数项和不同影响因子的回归系数；εi为模型残差。
步骤S62：与上述步骤类似，将各海表参量作为解释变量，Argo实测的温度异常数据或盐度异常数据作为因变量，采用下式：
SSAi＝β0(ui，vi)+β1(ui，vi)SSHA+β2(ui，vi)SSTA+
β3(ui，vi)SSSA+β4(ui，vi)USSSWA+β0(ui，vi)VSSSWA+εi
构建基于GWR方法结合表层遥感观测的大尺度次表层盐度异常
估算模型；
步骤S7：将测试数据集输入GWR模型，反演海洋内部温盐异常，得到海洋内部温度异常分布、盐度异常分布以及各解释变量相关系数。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (6)

1.一种考虑空间非平稳性的海洋内部温盐结构遥感反演方法，其特征在于，包括以下步骤：
步骤S1：获取多源海表遥感数据和Argo浮标实测数据并构建经纬网，使所有数据空间范围统一；
步骤S2：对多源海表遥感数据和Argo浮标实测数据进行预处理，得到各海表参量的异常值数据、Argo实测坐标数据、Argo实测的温度异常数据和盐度异常数据；
步骤S3：对得到的各海表参量数据进行空间自相关检验；
步骤S4：将检验后的各海表参量的异常值数据进行标准化处理并与Argo实测的温度异常数据和盐度异常数据通过Argo实测坐标数据一一对应，建立特征矩阵；并将所有数据随机划分成训练数据集和测试数据集；
步骤S5：采用Gauss函数作为空间权函数建立空间权重矩阵，并采用固定型核函数从指定范围内选取最优带宽，利用Akaike信息量准则确定最优带宽；
步骤S6：根据得到的训练数据集和最优带宽，考虑空间非平稳性，在最小二乘回归模型的基础上，利用局部光滑思想，将数据地理位置嵌入到回归参数之中，使回归系数随空间位置的变化而变化，构建GWR模型；
所述步骤S6具体为：
步骤S61：将各海表参量作为解释变量，Argo实测的温度异常数据或盐度异常数据作为因变量，构建基于GWR方法结合表层遥感观测的大尺度次表层温度异常估算模型，采用下式：
STAi＝β0(ui，vi)+β1(ui，vi)SSHA+β2(ui，vi)SSTA+β3(ui，vi)SSSA+β4(ui，vi)USSWA+β5(ui，vi)VSSWA+εi
其中，STAi为第i个样本点地理坐标(μi，vi)的因变量；SSHA、SSTA、SSSA、USSWA和VSSWA为样本点(μi，vi)的自变量；β0(μi，vi)为不同i地理位置上的常数项，β1(μi，νi)、β2(μi，νi)、β3(μi，νi)、 β4(μi，νi)、 β5(μi，νi)为不同i地理位置上的不同影响因子的回归系数；εi为模型残差；
步骤S7：将测试数据集输入GWR模型，反演海洋内部温盐异常，得到海洋内部温度异常分布、盐度异常分布以及各解释变量相关系数。
2.根据权利要求1所述的考虑空间非平稳性的海洋内部温盐结构遥感反演方法，其特征在于：所述步骤S2具体为：
步骤S21：将多源海表遥感数据和Argo浮标实测数据的时间分辨率统一为每月，利用最优插值法将空间分辨率统一为1°×1°，得到统一尺度的多源海表遥感数据和Argo浮标实测数据；
步骤S22：将多源海表遥感数据和Argo浮标实测数据中不合理的值赋为空值并除去，得到处理后的多源海表遥感数据和Argo浮标实测数据；
步骤S23：将处理后的多源海表遥感数据和Argo浮标实测数据均减去对应的气候平均值，得到各海表参量的异常值数据和Argo实测的温度异常数据和盐度异常数据；
步骤S24：去除各海表参量的异常值数据和Argo实测的温度异常数据和盐度异常数据空值点。
3.根据权利要求1所述的考虑空间非平稳性的海洋内部温盐结构遥感反演方法，其特征在于：所述步骤S3具体为：
步骤S31：计算各海表参量的Moran'I指数，采用下式：
Figure FDA0003583576000000031
其中，Moran'I指数值范围是[-1，1]，当I为正值时，表示海表参量存在空间正相关性，值越靠近1，则表明统计量与空间地理位置的正相关性越强；负值则表示存在着空间负相关性，值越小越强；值为0时，则表示空间统计量不具有明显的空间相关关系；
步骤S32：各海表参量均通过Moran'I指数进行检验，得到检验后的各海表参量。
4.根据权利要求1所述的考虑空间非平稳性的海洋内部温盐结构遥感反演方法，其特征在于：所述步骤S4具体为：
步骤S41：将各海表参量进行标准化处理，使其均在固定范围内呈正态分布；
步骤S42：将标准化后的各海表参量的异常值数据、Argo实测的温度异常数据或盐度异常数据和各样本点坐标数据x、y纵向合并生成矩阵matrix；
步骤S43：在Matlab中利用randsample函数随机划分，将矩阵matrix分为70％的训练数据集和30％的测试数据集。
5.根据权利要求1所述的考虑空间非平稳性的海洋内部温盐结构遥感反演方法，其特征在于：所述步骤S5具体为：
步骤S51：选取Gauss函数作为空间权函数建立空间权重矩阵，
高斯函数的定义方法，采用下式：
Figure FDA0003583576000000041
其中b是描述权重与距离之间函数关系的非负衰减参数，称为带宽；带宽越大，权重随距离增加衰减的越慢；带宽越小，权重随距离增加衰减的越快；当带宽为0时，只有回归点i上的权值为1，其它各观测点的权值均趋于0；
步骤S52：将AIC准则用于地理加权回归模型权函数带宽的优化选择，采用下式：
Figure FDA0003583576000000042
其中矩阵S为地理加权回归模型中的帽子矩阵S；S是关于权重矩阵Wi的函数，而权重函数Wi需要特定的带宽进行确定；由此S为关于带宽b的函数，通过AIC准则进行优化，选择AIC值最小的地理加权回归模型所对应的权函数的带宽作为最优带宽。
6.根据权利要求1所述的考虑空间非平稳性的海洋内部温盐结构遥感反演方法，其特征在于：所述各海表参量异常数据包括海表高度异常、海表温度异常、海表盐度异常、海表风速水平分量异常和海表风速垂直分量异常。
CN201910010746.3A 2019-01-07 2019-01-07 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 Active CN109543356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910010746.3A CN109543356B (zh) 2019-01-07 2019-01-07 考虑空间非平稳性的海洋内部温盐结构遥感反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910010746.3A CN109543356B (zh) 2019-01-07 2019-01-07 考虑空间非平稳性的海洋内部温盐结构遥感反演方法

Publications (2)

Publication Number Publication Date
CN109543356A CN109543356A (zh) 2019-03-29
CN109543356B true CN109543356B (zh) 2022-06-14

Family

ID=65834411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910010746.3A Active CN109543356B (zh) 2019-01-07 2019-01-07 考虑空间非平稳性的海洋内部温盐结构遥感反演方法

Country Status (1)

Country Link
CN (1) CN109543356B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110516856B (zh) * 2019-08-12 2023-02-03 中国海洋大学 基于卷积神经网络的估算海洋次表层温度的方法
CN111551972B (zh) * 2020-05-15 2022-10-18 中国科学院空天信息创新研究院 一种Argo轨迹的处理方法及系统
CN112013822A (zh) * 2020-07-22 2020-12-01 武汉智图云起科技有限公司 基于改进gwr模型的多光谱遥感水深反演方法
CN112308973A (zh) * 2020-10-30 2021-02-02 无锡九方科技有限公司 基于机器学习的三维海洋要素场智能构建方法及系统
CN113051824B (zh) * 2021-03-26 2022-06-14 福州大学 基于剖面观测数据的海洋内部温度场重建方法
CN114238847B (zh) * 2021-10-29 2023-02-10 中国人民解放军61540部队 一种基于海洋实测数据的表层准地转重构方法及系统
CN113821986B (zh) * 2021-11-22 2022-02-22 中国海洋大学 基于随机森林的涡旋海面信号与水下关键参数反演方法
CN115759291B (zh) * 2022-11-21 2023-07-18 武汉大学 一种基于集成学习的空间非线性回归方法及系统
CN116822381B (zh) * 2023-08-30 2023-11-21 中国海洋大学 一种基于人工智能的海洋温盐结构反演方法
CN117571641A (zh) * 2024-01-12 2024-02-20 自然资源部第二海洋研究所 一种海表硝酸盐浓度分布检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354752A (zh) * 2015-10-19 2016-02-24 上海海洋大学 基于gwr的柔鱼资源与海洋环境因素关系的分析方法
CN106372367A (zh) * 2016-09-30 2017-02-01 浙江大学 一种Argo浮标海洋产品的可视化仿真方法
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9792564B2 (en) * 2011-12-14 2017-10-17 The United States Of America, As Represented By The Secretary Of The Navy Automated system and method for vertical gradient correction

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354752A (zh) * 2015-10-19 2016-02-24 上海海洋大学 基于gwr的柔鱼资源与海洋环境因素关系的分析方法
CN106372367A (zh) * 2016-09-30 2017-02-01 浙江大学 一种Argo浮标海洋产品的可视化仿真方法
CN106598917A (zh) * 2016-12-07 2017-04-26 国家海洋局第二海洋研究所 一种基于深度信念网络的上层海洋热结构预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
青藏高原地区卫星降水数据时空降尺度研究;马自强;《万方数据学位论文库》;20180629;第1-177页 *

Also Published As

Publication number Publication date
CN109543356A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109543356B (zh) 考虑空间非平稳性的海洋内部温盐结构遥感反演方法
Blöschl et al. Spatial observations and interpolation
CN112711899B (zh) 一种蒸发波导高度的融合预测方法
CN110516856B (zh) 基于卷积神经网络的估算海洋次表层温度的方法
CN109523066B (zh) 一种基于克里金插值的pm2.5新增移动站点选址方法
CN114490622A (zh) 基于气候态范围阈值的自动化海洋温盐观测数据质量控制方法和系统
CN105241429B (zh) 一种基于航空遥感的近海工业温排水提取方法
CN107729293A (zh) 一种基于多元自适应回归的地理空间异常探测方法
CN113486295A (zh) 基于傅里叶级数的臭氧总量变化预测方法
Maljutenko et al. Validation of GETM model simulated long-term salinity fields in the pathway of saltwater transport in response to the Major Baltic Inflows in the Baltic Sea
LI et al. Spatial prediction of cultivated land soil nutrients in typical region of yellow river delta
CN114814779B (zh) 浮标涌浪波高观测数据误差评估方法、系统、设备及介质
CN116579128A (zh) 基于机器学习模型的工业园区地下水污染在线预测方法
CN116361621A (zh) 基于风云四号卫星的大气波导监测诊断方法和系统
CN115729977A (zh) 一种浅层海水温度时空预示方法
CN113819892B (zh) 基于半参数估计和附加深度约束的深海基准网平差方法
CN112964231B (zh) 一种基于声速扰动模态匹配的海洋混合层深度获取方法
CN112733906B (zh) 一种全球高分辨率每日地表动量粗糙度长度估算方法
Morse et al. Ice deformation in the vicinity of the ice-core site at Taylor Dome, Antarctica, and a derived accumulation rate history
CN104462739B (zh) 一种适用于大范围多尺度卫星遥感数据反演的生态环境参数地面采样方法
Sun et al. Study on spatial interpolation method of marine sediment particle size based on geostatistics
CN111721479A (zh) 一种压力管网渗漏探测的层析扫描方法
Hassan et al. Analysis of geostatistical and deterministic techniques in the spatial variation of groundwater depth in the northwestern part of Bangladesh
CN109241632B (zh) 采用温盐镜像层评估海洋数值模式模拟能力的方法
CN109886497A (zh) 基于纬度改进的反距离加权法的地面气温插值方法

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