CN109543768A - 基于多源卫星遥感的海洋内部温盐信息智能提取方法 - Google Patents
基于多源卫星遥感的海洋内部温盐信息智能提取方法 Download PDFInfo
- Publication number
- CN109543768A CN109543768A CN201811448590.9A CN201811448590A CN109543768A CN 109543768 A CN109543768 A CN 109543768A CN 201811448590 A CN201811448590 A CN 201811448590A CN 109543768 A CN109543768 A CN 109543768A
- Authority
- CN
- China
- Prior art keywords
- ocean
- data
- remote sensing
- sea surface
- abnormal
- 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 34
- 238000000605 extraction Methods 0.000 claims abstract description 3
- 230000002159 abnormal effect Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 9
- 230000002123 temporal effect Effects 0.000 claims description 4
- 150000003839 salts Chemical class 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007596 consolidation process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及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，利用多源海表遥感观测数据，结合海洋内部Argo浮标实测数据，采用XGBoost高级机器学习方法，建立基于多源卫星观测的智能遥感反演模型，对海洋内部温盐结构进行遥感反演，获得很好的反演效果，能直观、准确地展示全球海洋内部温盐信息空间分布及其特征。该发明构建了一种面向海洋内部的海洋遥感新方法，从海表卫星观测推测海洋内部关键动力参量，可拓展卫星对海观测范围，提升海洋内部信息观测分辨率，弥补海洋内部浮标观测的稀疏与不足，为海洋内部观测提供了一种新方法，在海洋遥感领域具有较高的应用价值。
Description
技术领域
本发明涉及遥感信息处理与应用领域，具体涉及一种基于多源卫星遥感的海洋内部温盐信息智能提取方法。
背景技术
近十几年来，遥感技术在海洋领域应用成效显著，但遥感观测仅限于海洋表面，无法直接探测海洋内部信息。例如，热红外传感器探测海面温度，微波辐射计测量海面盐度，雷达高度计测量海面高度，雷达散射计测量海面风场等。海洋内部动力过程复杂，具有多维多尺度动态特征，了解其变化过程和机制亟需多时空尺度海洋内部观测数据支持。全球中深层海洋（300-2000 m）的热量变化及其再分配过程在全球变化过程中起重要作用。海洋内部观测对了解整个海洋系统的动力过程和机制至关重要。然而，现有的海洋内部浮标观测资料虽然准确性较高，但是稀疏有限、时空分辨率较低，远远满足不了多尺度海洋过程的观测要求，阻碍了我们对海洋内部真实动力过程的了解。如何有效结合表层卫星遥感观测和有限的浮标实测数据间接地推演海洋次表层关键动力信息对于了解海洋内部动态过程至关重要。
发明内容
有鉴于此，本发明的目的在于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，有利于海洋内部动力环境的遥感监测。
为实现上述目的，本发明采用如下技术方案：
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:获取海洋多源海表遥感数据和Argo浮标实测数据并进行预处理，得到海表异常数据、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S2:利用Argo实测坐标数据，使海洋内部实测温盐异常数据分别与海表异常数据一一对应，并分别建立特征矩阵和标签矩阵；
步骤S3:将特征矩阵和标签矩阵纵向合并，并随机划分成训练数据集和测试数据集；
步骤S4:根据得到的训练数据集，使用Boosting方法重复训练基学习器，直至基学习器数目达到事先指定值T，将T个基学习器进行加权结合，建立XGBoost模型；
步骤S5:将测试数据集输入XGBoost模型，反演海洋内部温盐异常，得到海洋内部温度异常分布。
进一步的，所述步骤S1具体为：
步骤S11:获取海洋多源海表遥感数据和Argo浮标实测数据,并将得到所有数据的空间范围统一；
步骤S12:将海洋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°，得到处理后的海洋多源海表遥感数据和Argo浮标实测数据；
步骤S13:将处理后的海洋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，得到海表异常数据、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S14:对海表异常数据、Argo实测的温度异常值和盐度异常数据进行归一化处理。
进一步的，所述步骤S3具体为：
步骤S31：将特征矩阵与标签矩阵进行列合并得到矩阵Instance_matrix；
步骤S32：使用Python软件的train_test_split方法将矩阵Instance_matrix进行行向随机划分，从而生成训练数据集和测试数据集。
进一步的，所述步骤S4具体为：
步骤S41：预设一个基学习器数目T；
步骤S42：从训练数据集中随机抽取初始训练集，训练得到基学习器；
步骤S43：根据基学习器的表现对训练样本分布进行调整，使得基学习器做错的训练样本在后续受到更多关注，得到调整后的样本分别；
步骤S44：基于调整后的样本分布来训练下一个基学习器；
步骤S45：重复S43、S44步骤，直至基学习器数目达到预设的值T，并将T个基学习器进行加权结合。
进一步的，所述海表异常数据包括海表高度异常、海表温度异常、海表盐度异、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：
本发明以时间序列数据为基础，充分利用现有的丰富的遥感观测资料，结合海洋内部分层位Argo浮标实测数据，采用XGBoost（Extreme Gradient Boosting）高级机器学习方法，建立智能遥感反演模型对海洋内部热盐结构进行遥感反演，获得很好的反演结果，能直观、准确地展示全球海洋内部热盐异常空间分布及其特征。
附图说明
图1为本发明的方法流程示意图；
图2 为本发明实施例的精度评价图；
图3为本发明实施例的结果展示图；
图4为本发明实施例的另一结果展示图。
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:获取海洋多源海表遥感数据和Argo浮标实测数据并进行预处理，得到海表异常数据、Argo实测坐标数据、Argo实测的温度异常数据和盐度异常数据；所述海表异常数据包括海表高度异常SSHA、海表温度异常SSTA、海表盐度异SSSA、海表风速水平分量异常U_SSWA和海表风速垂直分量异常V_SSWA。
步骤S11:获取海洋多源海表遥感数据和Argo浮标实测数据,并将得到所有数据的空间范围统一；
步骤S12:将海洋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°，得到处理后的海洋多源海表遥感数据和Argo浮标实测数据；
步骤S13:将处理后的海洋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，得到海表异常数据、Argo实测坐标数据、Argo实测的温度异常数据STA和盐度异常数据SSA；
步骤S14:对海表异常数据、Argo实测的温度异常数据和盐度异常数据进行归一化处理。
步骤S2:利用Argo实测坐标数据，使海洋内部实测温盐异常数据分别与海表异常数据一一对应，并分别建立特征矩阵和标签矩阵；即根据Argo实测数据经纬度坐标，将实测浮标数据与输入海表遥感参量一一对应，建立特征矩阵X，包含SSHA、SSTA、SSSA、U_SSWA、V_SSWA这5列变量，并令STA或者SSA为标签矩阵Y。
步骤S3:将特征矩阵和标签矩阵纵向合并，并随机划分成训练数据集和测试数据集；
步骤S31：将特征矩阵与标签矩阵进行列合并得到矩阵Instance_matrix；
步骤S32：使用Python软件的train_test_split方法将矩阵Instance_matrix进行行向随机划分，从而生成训练数据集和测试数据集
步骤S4:根据得到的训练数据集，使用Boosting方法重复训练基学习器，直至基学习器数目达到事先指定值T，将T个基学习器进行加权结合，建立XGBoost模型；
步骤S41:预设一个基学习器数目T；
步骤S42：从训练数据集中随机抽取初始训练集，训练得到基学习器；
步骤S43：根据基学习器的表现对训练样本分布进行调整，使得基学习器做错的训练样本在后续受到更多关注，得到调整后的样本分别；
步骤S44：基于调整后的样本分布来训练下一个基学习器；
步骤S45：重复S43、S44步骤，直至基学习器数目达到预设的值T，并将T个基学习器进行加权结合。
步骤S5:将测试数据集输入XGBoost模型，反演海洋内部温盐异常，得到海洋内部温度异常分布。
参考图3和图4，图3为2015年10月300m深度处模型反演的温盐异常与Argo实测温盐异常对比图；图4为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。
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 (5)
1.一种基于多源卫星遥感的海洋内部温盐信息智能提取方法，其特征在于，包括以下步骤：
步骤S1:获取海洋多源海表遥感数据和Argo浮标实测数据并进行预处理，得到海表异常数据、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S2:利用Argo实测坐标数据，使海洋内部实测温盐异常数据分别与海表异常数据一一对应，并分别建立特征矩阵和标签矩阵；
步骤S3:将特征矩阵和标签矩阵纵向合并，并随机划分成训练数据集和测试数据集；
步骤S4:根据得到的训练数据集，使用Boosting方法重复训练基学习器，直至基学习器数目达到事先指定值T，将T个基学习器进行加权结合，建立XGBoost模型；
步骤S5:将测试数据集输入XGBoost模型，反演海洋内部温盐异常，得到海洋内部温度异常分布。
2.根据权利要求1所述的基于多源卫星遥感的海洋内部温盐信息智能提取方法，其特征在于：所述步骤S1具体为：
步骤S11:获取海洋多源海表遥感数据和Argo浮标实测数据,并将得到所有数据的空间范围统一；
步骤S12:将海洋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°，得到处理后的海洋多源海表遥感数据和Argo浮标实测数据；
步骤S13:将处理后的海洋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，得到海表异常数据、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S14:对海表异常数据、Argo实测的温度异常值和盐度异常数据进行归一化处理。
3.根据权利要求1所述的基于多源卫星遥感的海洋内部温盐信息智能提取方法，其特征在于：所述步骤S3具体为：
步骤S31：将特征矩阵与标签矩阵进行列合并得到矩阵Instance_matrix；
步骤S32：使用Python软件的train_test_split方法将矩阵Instance_matrix进行行向随机划分，从而生成训练数据集和测试数据集。
4.根据权利要求1所述的基于多源卫星遥感的海洋内部温盐信息智能提取方法，其特征在于：所述步骤S4具体为：
步骤S41:预设一个基学习器数目T；
步骤S42：从训练数据集中随机抽取初始训练集，训练得到基学习器；
步骤S43：根据基学习器的表现对训练样本分布进行调整，使得基学习器做错的训练样本在后续受到更多关注，得到调整后的样本分别；
步骤S44：基于调整后的样本分布来训练下一个基学习器；
步骤S45：重复S43、S44步骤，直至基学习器数目达到预设的值T，并将T个基学习器进行加权结合。
5.根据权利要求1所述的基于多源卫星遥感的海洋内部温盐信息智能提取方法，其特征在于：所述海表异常数据包括海表高度异常、海表温度异常、海表盐度异、海表风速水平分量异常和海表风速垂直分量异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811448590.9A CN109543768A (zh) | 2018-11-30 | 2018-11-30 | 基于多源卫星遥感的海洋内部温盐信息智能提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811448590.9A CN109543768A (zh) | 2018-11-30 | 2018-11-30 | 基于多源卫星遥感的海洋内部温盐信息智能提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109543768A true CN109543768A (zh) | 2019-03-29 |
Family
ID=65851177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811448590.9A Pending CN109543768A (zh) | 2018-11-30 | 2018-11-30 | 基于多源卫星遥感的海洋内部温盐信息智能提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109543768A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110516856A (zh) * | 2019-08-12 | 2019-11-29 | 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 |
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| CN110909491A (zh) * | 2019-12-11 | 2020-03-24 | 新亚优华科技有限公司 | 一种基于风云气象卫星的海面盐度反演算法 |
| CN111311081A (zh) * | 2020-01-22 | 2020-06-19 | 国家海洋局南海预报中心(国家海洋局广州海洋预报台) | 基于多源异构数据的海洋生态异常危险识别方法及装置 |
| CN112115406A (zh) * | 2020-09-28 | 2020-12-22 | 自然资源部第二海洋研究所 | 基于遥感海面数据的海洋内部中尺度涡反演方法及系统 |
| CN113051824A (zh) * | 2021-03-26 | 2021-06-29 | 福州大学 | 基于剖面观测数据的海洋内部温度场重建方法 |
| CN113946978A (zh) * | 2021-10-28 | 2022-01-18 | 中船海洋探测技术研究院有限公司 | 基于LightGBM模型的水下三维温盐并行预报方法 |
| CN114036461A (zh) * | 2021-11-08 | 2022-02-11 | 安徽省农业科学院土壤肥料研究所 | 一种基于高光谱遥感的农作物全氮含量反演方法及系统 |
| CN114238847A (zh) * | 2021-10-29 | 2022-03-25 | 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 |
| CN115758865A (zh) * | 2022-11-01 | 2023-03-07 | 天津大学 | 一种基于深度学习的水下三维温盐重构方法及系统 |
| CN117975296A (zh) * | 2024-04-01 | 2024-05-03 | 自然资源部第一海洋研究所 | 一种异常海洋锋面的卫星遥感探测提取识别方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
| US20180060728A1 (en) * | 2016-08-31 | 2018-03-01 | Microsoft Technology Licensing, Llc | Deep Embedding Forest: Forest-based Serving with Deep Embedding Features |
| CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
-
2018
- 2018-11-30 CN CN201811448590.9A patent/CN109543768A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105654210A (zh) * | 2016-02-26 | 2016-06-08 | 中国水产科学研究院东海水产研究所 | 一种利用海洋遥感多环境要素的集成学习渔场预报方法 |
| US20180060728A1 (en) * | 2016-08-31 | 2018-03-01 | Microsoft Technology Licensing, Llc | Deep Embedding Forest: Forest-based Serving with Deep Embedding Features |
| CN108375808A (zh) * | 2018-03-12 | 2018-08-07 | 南京恩瑞特实业有限公司 | Nriet基于机器学习的大雾预报方法 |
Non-Patent Citations (2)
| Title |
|---|
| HUA SU ET AL.: "Estimation of subsurface temperature anomaly in the Indian Ocean during", 《REMOTE SENSING OF ENVIRONMENT》 * |
| 黎文娥 等: "多源卫星观测的全球海洋次表层温度异常信息提取", 《遥感学报》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110598251A (zh) * | 2019-08-05 | 2019-12-20 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| CN110598251B (zh) * | 2019-08-05 | 2021-11-09 | 中国科学院南京地理与湖泊研究所 | 基于Landsat-8数据和机器学习的湖泊叶绿素a浓度反演方法 |
| 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 |
| CN110516856A (zh) * | 2019-08-12 | 2019-11-29 | 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 |
| CN110909491A (zh) * | 2019-12-11 | 2020-03-24 | 新亚优华科技有限公司 | 一种基于风云气象卫星的海面盐度反演算法 |
| CN111311081A (zh) * | 2020-01-22 | 2020-06-19 | 国家海洋局南海预报中心(国家海洋局广州海洋预报台) | 基于多源异构数据的海洋生态异常危险识别方法及装置 |
| CN111311081B (zh) * | 2020-01-22 | 2023-02-10 | 国家海洋局南海预报中心(国家海洋局广州海洋预报台) | 基于多源异构数据的海洋生态异常危险识别方法及装置 |
| CN112115406A (zh) * | 2020-09-28 | 2020-12-22 | 自然资源部第二海洋研究所 | 基于遥感海面数据的海洋内部中尺度涡反演方法及系统 |
| CN112115406B (zh) * | 2020-09-28 | 2024-01-12 | 自然资源部第二海洋研究所 | 基于遥感海面数据的海洋内部中尺度涡反演方法及系统 |
| 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 |
| CN113051824A (zh) * | 2021-03-26 | 2021-06-29 | 福州大学 | 基于剖面观测数据的海洋内部温度场重建方法 |
| CN113946978A (zh) * | 2021-10-28 | 2022-01-18 | 中船海洋探测技术研究院有限公司 | 基于LightGBM模型的水下三维温盐并行预报方法 |
| CN114238847A (zh) * | 2021-10-29 | 2022-03-25 | 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 |
| CN114036461A (zh) * | 2021-11-08 | 2022-02-11 | 安徽省农业科学院土壤肥料研究所 | 一种基于高光谱遥感的农作物全氮含量反演方法及系统 |
| CN115758865A (zh) * | 2022-11-01 | 2023-03-07 | 天津大学 | 一种基于深度学习的水下三维温盐重构方法及系统 |
| CN115758865B (zh) * | 2022-11-01 | 2023-11-14 | 天津大学 | 一种基于深度学习的水下三维温盐重构方法及系统 |
| CN117975296A (zh) * | 2024-04-01 | 2024-05-03 | 自然资源部第一海洋研究所 | 一种异常海洋锋面的卫星遥感探测提取识别方法及系统 |
| CN117975296B (zh) * | 2024-04-01 | 2024-06-11 | 自然资源部第一海洋研究所 | 一种异常海洋锋面的卫星遥感探测提取识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109543768A (zh) | 基于多源卫星遥感的海洋内部温盐信息智能提取方法 | |
| Franz et al. | Ocean eddy identification and tracking using neural networks | |
| Wu et al. | Lightning mapping with an array of fast antennas | |
| CN104035138B (zh) | 一种全球及局部海洋扰动重力的精确快速计算方法 | |
| Seroussi et al. | Ice flux divergence anomalies on 79north Glacier, Greenland | |
| O’dea et al. | An operational ocean forecast system incorporating NEMO and SST data assimilation for the tidally driven European North-West shelf | |
| CN109543356A (zh) | 考虑空间非平稳性的海洋内部温盐结构遥感反演方法 | |
| Petersen et al. | A three‐dimensional eddy census of a high‐resolution global ocean simulation | |
| Dinehart et al. | Averaged indicators of secondary flow in repeated acoustic Doppler current profiler crossings of bends | |
| Stevens et al. | Greenland supraglacial lake drainages triggered by hydrologically induced basal slip | |
| Qiu et al. | Deformation of a warm eddy in the northern South China Sea | |
| CN113063737B (zh) | 结合遥感与浮标数据的海洋热含量遥感反演方法 | |
| Zhou et al. | Storm catalog‐based analysis of rainfall heterogeneity and frequency in a complex terrain | |
| Klymak et al. | Along‐isopycnal variability of spice in the North Pacific | |
| CN110910448B (zh) | 一种海上溢油漂移轨迹溯源方法 | |
| Carroll et al. | An overview of low‐level jet winds and corresponding mixed layer depths during PECAN | |
| CN113935249B (zh) | 基于压缩和激励网络的上层海洋热结构反演方法 | |
| Yuan et al. | Variation in the Kuroshio intrusion: Modeling and interpretation of observations collected around the Luzon Strait from July 2009 to March 2011 | |
| Karnauskas et al. | The Pacific equatorial undercurrent in three generations of global climate models and glider observations | |
| BR102012010659A2 (pt) | Processo para identificação e classificação de áreas de exsudações de óleo no fundo do mar através de modelagem inversa | |
| CN103675926A (zh) | 一种航空瞬变电磁资料的电导率-深度转换方法 | |
| Charria et al. | Interannual evolution of (sub) mesoscale dynamics in the Bay of Biscay | |
| CN115859116A (zh) | 一种基于径向基函数回归插值法的海洋环境场重建方法 | |
| Ma et al. | Analysis of acoustic field characteristics of mesoscale eddies throughout their complete life cycle | |
| Zhou et al. | Hydrodynamic modeling of stratification and mixing in a shallow, tropical floodplain lake |
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: 20190329 |