CN109977569A - 一种融合多因素的mos风暴潮过程灾害模拟方法 - Google Patents

Abstract

本发明涉及海洋灾害预测领域，一种融合多因素的MOS风暴潮过程灾害模拟方法，所述方法包括如下步骤：(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。本发明能够优化单纯数值预报和潮位站实测值之间的误差，为后期精细化风暴潮预报业务提供一种新过程模拟思路。

Description

一种融合多因素的MOS风暴潮过程灾害模拟方法

技术领域

本发明涉及海洋灾害预测领域，具体涉及一种融合多因素的MOS风暴潮过程灾害模拟方法。

背景技术

风暴潮是主要的海洋灾害之一，且风暴潮灾害是海洋灾害中破坏力最大的一种，对国民经济和生命财产的安全产生具大的破坏。随着我国沿海经济的飞速发展、沿海城市建设及基础设施快速扩张，风暴潮带来的灾害损失日益加重，常常给沿海地区经济造成几十甚至上百亿的损失。而最新的研究表明，全球变暖背景下极端天气事件如热带气旋的发生频率和强度有加强的趋势。可以预计，随着热带气旋影响的增加，未来风暴潮所造成的生命财产损失将进一步加大，而我国是受热带气旋影响袭击最多的国家之一，因此热带气旋引起的风暴潮成为影响我国沿海最主要的海洋灾害，这也迫使风暴潮增水预报防灾减灾研究工作全面展开。

最初，通过历史观测资料分析风暴潮增水与台风中心气压和风速之间的关系，并使用经验统计方法来对风暴潮增水进行预报取得了初步成果，这些风暴潮预报方法大多是基于分析历史数据的经验预报，而经验预报往往针对特定区域，预报结果值偏差不尽人意。后来，数值模拟的预报精度不断提高，数值模拟预报成为主流的预报方法。风暴潮预报向真三维、高分辨率、多要素分量耦合及资料同化研究也越来越多。利用三维普林斯顿海洋环流模式对美国东海岸风暴潮进行模拟取得较好模拟结果。波浪辐射应力对风暴潮具有影响，特别是对增水极值处的改善最为明显。通过对强台风风暴潮进行数值研究和后报检验，发现台风登陆强度影响着珠江口地区风暴潮预报效果。目前已建立了从南海到珠江口风暴潮多重嵌套的数值预报系统，利用水位资料建立四维变分同化系统，实现南海北部风暴潮预报模式。研究表明数值预报1713号“天鸽”风暴潮强度过程弱于实况。由此可见，数值模型预报结果有时候会弱于或强于实际风暴潮强度。在现有热带气旋风暴潮预报技术条件下，如何解决数值模型预报结果在小尺度区域弱于或强于实况的问题，是当前风暴潮预报亟待解决的问题。而基于支持向量机的机器学习在解决非线性回归模拟方面有着显著的优势，并有诸多的实例应用等。如果融合风暴潮数值预报结果为特征因素，并基于支持向量机非线性回归学习来解决上述问题亦可收到较好效果。因此，有必要提供一种科学的、并能有效的融合多因素的MOS(Model Output Statistics)风暴潮过程灾害模拟方法,这种融合多要素风暴潮模拟方法能够优化单纯数值预报和潮位站实测值之间的误差，这为后期精细化风暴潮预报业务提供一种新过程模拟思路。

发明内容

本发明的目的在于克服上述技术问题的缺点，提供一种融合多因素的MOS风暴潮过程灾害模拟方法，能够优化单纯数值预报和潮位站实测值之间的误差，为后期精细化风暴潮预报业务提供一种新过程模拟思路。

为了解决上述技术问题，本发明采用如下技术方案：

一种融合多因素的MOS风暴潮过程灾害模拟方法，所述方法包括如下步骤：

(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；

(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。

进一步的，所述MOS风暴潮模型包括模型输入值和模型输出值，所述模型输入值包括预报增水Ptide_i、路径距离d_i、移动方向值cos(a_i)、最大风度s_i、移动速度m_i、中心气压p_i和7级风圈半径r_i；所述模型输出值为MOS风暴潮增水Ytide_i。

进一步的，确定特征因素矩阵的具体方法为：对MOS风暴潮模型的输入提取特征向量组成矩阵λ_i，即为针对任意时刻i,提取时刻i之前n时刻的特征因素以组成所述特征因素矩阵λ_i，特征因素矩阵λ_i如下所示：

式中，i为预报的起始时刻，i-n为预报起始时刻前n历史时刻，n与待预报结果的时长相同，λ_i为一个n×7维的向量矩阵，λ_i每一维分别代表模型的一个因素。λ_i的每一列为某一因素对应从i-n到i-1时刻的特征值。

进一步的，预报时长取12h、24h、36h、72h则对应n取值为12、24、36、72。

进一步的，使用支持向量机学习训练时，为了方便风暴潮预报将学习训练起始点i-j后移到i，训练计算的长度同为j，则可以预报i时刻及其之后的j时段值的风暴潮增水值，具体实现过程为：

首先，设置MOS风暴潮模型中权重映射矩阵W和偏差矩阵A。将特征矩阵λ_t映射到层空间后得到的隐含层要素矩阵h_t，即将特征矩阵λ_i映射到更高维度的空间隐含层获射后得到H，H如下式所示：

其次，MOS风暴潮模型在求解中采用风险最小化的方法，把最优非线性回归估计问题转化为对不敏感损失函数L(y-h(x),x)进行求解风险最小化的问题，MOS风暴潮模型中使用的最优非线性回归函数是在一定约束条件下最小化规则化不敏感损失函数L逐渐优化逼近实测值来实现,该模型中不敏感损失函数定义如下式所示：

上式中w为权重值，h(x)为模型预报输出值，该式表明当模拟结果与实测之差的绝对值小于等于ε时，该部分忽略不计；当模拟结果与实测值之差的绝对值大于ε时，则取值为超出ε的部分值；

最后，在MOS风暴潮模型学习过程中设计最优非线性风险最小化泛函，如下式所示：

该式中m为参与数据集的个数；c为实验常数,为控制误差的惩罚程度；w为权重值；为经验误差项；为规则化项，使得函数泛化更为平滑。

进一步的，使用支持向量机学习训练时，以实测增水Xtide_i作为输出进行学习训练，设定模拟结果与实测结果之差的绝对值为ε_i，则相对误差为给定目标误差10％为评判阈值，若模型预报某时刻值e_i≥10％，则该时刻i的MOS模型预报结果为不合格，否则认为时刻i的预报结果为合格。

与现有技术相比，本发明具有以下有益效果：

本发明对风暴潮历史数据进行统计分析，将数值模型预报结果融合在一起解析出特征向量，该模拟方法将低维特征因素映射到高维隐含层中，将风暴潮非线性回归映射到高维隐含层支持向量机学习中，并结合径向基函数为内核控制函数控制相对误差循环训练学习拟合风暴潮过程灾害。本发明融合多要素风暴潮模拟方法能够优化单纯数值预报和潮位站实测值之间的误差，这为后期精细化风暴潮预报业务提供一种新过程模拟思路。

附图说明

图1是本发明实例验证中201104号“海马”入境广西沿海风暴潮路径图；

图2是本发明实例验证中201104号“海马”影响期间不同时刻增水的分布特征图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。需要说明的是，本发明的具体实施例只是为了能更清楚的描述技术方案，而不能作为本发明保护范围的一种限制。

风暴潮是我国海洋灾害造成沿海地区损失最惨重的一种灾害，本发明以热带气旋风暴潮为例，提出了一种融合多因素的MOS风暴潮过程灾害模拟方法，所述方法包括如下步骤：

(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；

(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。

为了更好地模拟MOS风暴潮，建立精细化MOS风暴潮模型，本实施例选取了用于描述风暴潮的多种特征因素作为模型输入值和模型输出值，所述MOS风暴潮模型包括模型输入值和模型输出值，所述模型输入值包括预报增水Ptide_i、路径距离d_i、移动方向值cos(a_i)、最大风度s_i、移动速度m_i、中心气压p_i和7级风圈半径r_i；所述模型输出值为MOS风暴潮增水Ytide_i。分别对上述特征因素进行具体描述：

影响热带气旋风暴潮增水因素诸多，风、气压、热带气旋路径及移动速度是其主要因素，尤其以风及气压为主要诱导因素。研究显示热带气旋路径也是易引发沿海显著增水因素。因此，使用台风路径位移的方向角值cos(a_i)因素为热带气旋路径位移相位值来表征MOS风暴潮模型特征因素之一，并将该因素i时刻之前N时段热带气旋位移相位处理成相位方向向量[cos(a_i-n),...,cos(a_i-2),cos(a_i-1)]。使用热带气旋路径中心点到待预报点的距离d_i即热带气旋空间距离为表征MOS风暴潮模型特征因素之一，并将该因素i时刻之前N时段的距离处理成台风路径距离向量[d_i-n,...d_i-2,d_i-1]。热带气旋是引发风暴潮的直接诱因，不同强度的热带气旋导致的风暴潮差别较大，热带气旋中心附近地面最大风速、中心气压、移动速度也是表征热带气旋导致风暴潮的重要因素。使用热带气旋中心的移动速度m_i为表征MOS风暴潮模型特征因素之一。并将该因素i时刻之前N时刻台风中心移动速度处理成移动速度向量[m_i-n,...,m_i-2,m_i-1]。热带气旋过程中风是主导因素和动力条件，研究表明热带气旋受灾程度与最大风速有较好的正相关性。因此，使用热带气旋中心最大风速为s_i表征MOS风暴潮模型特征因素之一。并将该因素i时刻之前N时刻的中心最大风速处理成最大风速向量[s_i-n,...,s_i-2,s_i-1]。在研究热带气旋气压对风暴潮增水的影响时发现。气压的变化差值更能表征风暴潮增水，故取一个标准大气压1010hpa减去中心气压的结果p_i来表征MOS风暴潮模型特征因素之一。并将该因素i时刻之前N时刻台风中心气压差处理成台风中心气压差向量[p_i-n,...,p_i-2,p_i-1]。使用热带气旋的七级风圈半径r_i为表征MOS风暴潮模型特征因素之一。并将该因素i时刻之前N时刻的七级风圈半径处理成七级风圈半径向量[r_i-n,...,r_i-2,r_i-1]。使用数值模型预报值Ptide_i为表征MOS风暴潮模型特征因素之一。并将该因素i时刻之前N时刻数值模型风暴潮增水处理成数值模型预报增水向量[Ptide_i-n,...,Ptide_i-2,Ptide_i-1]。设研究区验潮站的实测增水Xtide_i为表征风暴潮模型训练实测增水值，并将该因素的i时刻之前N时刻实测增水处理成增水向量[Xtide_i-n,...,Xtide_i-2,Xtide_i-1]。设验潮站预报增水为Ytide_i即为MOS模型验潮站预报增水。并将该因子i时刻之前N时刻的预报增水数据处理成预报增水向量[Ytide_i-n,...,Ytide_i-2,Ytide_i-1]。

由上述可知MOS风暴潮模型输入值包括预报增水Ptide_i、路径距离d_i、移动方向值cos(a_i)、最大风度s_i、移动速度m_i、中心气压p_i和7级风圈半径r_i；模型输出值为MOS风暴潮增水Ytide_i。则确定特征因素矩阵的具体方法为：对MOS风暴潮模型的输入提取特征向量组成矩阵λ_i，即为针对任意时刻i,提取时刻i之前n时刻的特征因素以组成所述特征因素矩阵λ_i，特征因素矩阵λ_i如下所示：

式中，i为预报的起始时刻，i-n为预报起始时刻前n历史时刻，n与待预报结果的时长相同，λ_i为一个n×7维的向量矩阵，λ_i每一维分别代表模型的一个因素。λ_i的每一列为某一因素对应从i-n到i-1时刻的特征值。n的取值依MOS风暴潮模型预报时长而定，本实施例预报时长取12h、24h、36h、72h则对应n取值为12、24、36、72。

支持向量机SVM机器学习中引入ε不敏感损失函数，已经扩展到很好解决非线性回归估计问题。本发明使用特征因素矩阵作为输入，使用支持向量机学习训练实现热带气旋风暴潮增水模拟。使用支持向量机学习训练时，为了方便风暴潮预报将学习训练起始点i-j后移到i，训练计算的长度同为j，则可以预报i时刻及其之后的j时段值的风暴潮增水值，具体实现过程为：

首先，设置MOS风暴潮模型中权重映射矩阵W和偏差矩阵A。将特征矩阵λ_t映射到层空间后得到的隐含层要素矩阵h_t，即将特征矩阵λ_i映射到更高维度的空间隐含层获射后得到H，H如下式所示：

其次，MOS风暴潮模型在求解中采用风险最小化的方法，把最优非线性回归估计问题转化为对不敏感损失函数L(y-h(x),x)进行求解风险最小化的问题，MOS风暴潮模型中使用的最优非线性回归函数是在一定约束条件下最小化规则化不敏感损失函数L逐渐优化逼近实测值来实现,该模型中不敏感损失函数定义如下式所示：

上式中w为权重值，h(x)为模型预报输出值，该式表明当模拟结果与实测之差的绝对值小于等于ε时，该部分忽略不计；当模拟结果与实测值之差的绝对值大于ε时，则取值为超出ε的部分值；

最后，在MOS风暴潮模型学习过程中设计最优非线性风险最小化泛函，如下式所示：

该式中m为参与数据集的个数；c为实验常数,为控制误差的惩罚程度；w为权重值；为经验误差项；为规则化项，使得函数泛化更为平滑。

进一步的，使用支持向量机学习训练时，以实测增水Xtide_i作为输出进行学习训练，设定模拟结果(MOS风暴潮增水Ytide_i)与实测结果之差的绝对值为ε_i，则相对误差为给定目标误差10％为评判阈值，若模型预报某时刻值e_i≥10％，则该时刻i的MOS模型预报结果为不合格，否则认为时刻i的预报结果为合格。

本发明融合多因素的MOS风暴潮过程灾害模拟方法的实例验证如下：

本文选用实例验证数据来自气象部门观测数据、潮位站实测数据、数值模型预报结果数据。主要验证区域为我国广西沿海A站附近海域，其中验潮站主要数据，如图1所示。实例验证以穿过我国北部湾海面影响我国广西沿海热带气旋1104号“海马”的风暴潮为例。该热带气旋经过研究区域路径如图1所示。以2011～2017a影响我国广西沿海的24场热带气旋风暴潮为模型验证。下面以2011年的1104号“海马”为例来说明。1104号“海马”位于菲律宾以东洋面的热带扰动于2011年6月18日下午5时加强为热带低压，20日上午进入南海东北部海面，2011年23日夜间穿过广东湛江进入我国广西北部湾北部海面后西移，2011年24日19时50分在越南北部沿海地区第三次登陆。受此次热带气旋影响我国广西沿海三市普降大到暴雨局部大暴雨，风力达8-10级。其间热带气旋移动路径离验潮A站距离变化从2011年23日17时的200km到2011年24日7时的70km；台风路径方向角值变化范围为0.73～1之间；中心气压差变化范围为15～25hpa；台风7级风圈半径由200km减弱为150km；台风最大风速由18m/s增强为23m/s；台风移动速度在10～20km/h之间变化。

2011年23日17时至2011年24日7时“海马”穿过广东湛江进入广西北部湾北部海面后西移，在“海马”影响驱动下，我国广西沿海验潮A站水位发生变化。由图2可见，在受其影响2011年06月23日17时至2011年06月24日16时的24小时间，验潮A站附近海域的水位经历先减水后增水的过程。在台风中心的低压中心从A站以东接近石头埠的过程中，其附近开始出现减水，随后逐渐增大。最大减水发生在6月23日19时0.37m。此时低压中心位于A站的东侧。此后水位处在恢复状态，12时后A站附近进入增水过程，经过2～3时迅速攀升并于6月24日10时最大增水达到1.1m。此时研究区海域区强风达9～10级风力，强的向岸风导致A站增水达到最高值。随着低压中心的继续西行，风力减弱水位逐渐恢复。风暴潮增水过程伴随热带气旋过程发生，受制于热带气旋的风力和气压变化过程。从图2.监测数据看出，在离岸风条件下验潮A站附近海域受热带气旋移动的路径和方向的影响，发生减水过程；在向岸风条件下验潮A站附近海域发生增水过程。从方位角来看，热带气旋中心位于A站的东侧即角度在大于0小于180间减水，台风中心位于A站的西侧即角度大于180时增水。

图2所示为1104号“海马”影响期间不同时刻增水的分布特征。蓝色线为验潮A站实测增水过程线，红色线为MOS风暴潮模型学习模拟曲线，黑色线为数值模型预报结果曲线。MOS风暴潮模型和POM2K数值模型都模拟出了验潮A站附近海域经历先长时段的减水过程后短暂的增水过程。在减增水切换的时期，POM2K数值模型表现为比较平滑其用时为5小时，增水峰值为0.95m低于实际峰值1.1m；而MOS风暴潮模型模拟减增水切换的时期爬升明显较快其历时2h就达到1.14m,这也更加与实际风暴潮增水特征吻合。究其原因可能是与MOS风暴潮模型中融入数值模型的预报结果，并通过一定的约束条件下最小化不敏感损失函数L的逐渐优化逼近实测值来实现。从MOS风暴潮模型、POM2K数值模型预报结果的均方误差RMSE和相关系数CORR结果表明，MOS风暴潮模型的RMSE和CORR分别为0.165m及0.945，相比POM2K数值模型的0.190m及0.912都有所提高。从验证曲线图来看，MOS风暴潮模型结果与实测值更加吻合。其增水变化的演变过程也更符合关于风暴潮发生过程机制的理论分析。

本发明对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征要素：预报增水Ptide_i、路径距离d_i、移动方向值cos(a_i)、最大风度s_i、移动速度m_i、中心气压p_i和7级风圈半径r_i；模型输出值为MOS风暴潮增水Ytide_i。该方法将低维的特征向量映射到高维的隐含层中进行支持向量机学习控制相对误差。这种融合多要素风暴潮灾害过程模拟方法能够优化单纯数值预报和潮位站实测值之间的误差。

本发明的实例验证结果表明在风暴潮灾害过程减增水切换的时期，数值模型表现为比较平滑其用时为5小时，增水峰值为0.95m低于实际峰值1.1m；而MOS风暴潮模拟减增水切换的时期爬升明显较快其历时2h就达到1.14m,这也更加与实际风暴潮增水过程特征吻合。究其原因可能是与MOS风暴潮模拟方法中融入数值模型的预报结果，并通过一定的约束条件下最小化不敏感损失函数的逐渐优化逼近实测值来实现。

本发明在研究区域我国广西沿海验潮A站进行实例验证，从验证曲线来看MOS灾害模拟的结果与实测资料更加吻合。MOS风暴潮过程灾害模拟方法的RMSE和CORR分别为0.165m及0.945，相比POM2K数值模型的0.190m及0.912m都有所提高。该风暴潮过程增水的演变也符合关于风暴潮发生过程机制的理论分析。这为后期精细化风暴潮预报业务提供一种新过程模拟思路。

上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。

Claims (6)

1.一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，所述方法包括如下步骤：

(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；

(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。

2.根据权利要求1所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，所述MOS风暴潮模型包括模型输入值和模型输出值，所述模型输入值包括预报增水Ptide_i、路径距离d_i、移动方向值cos(a_i)、最大风度s_i、移动速度m_i、中心气压p_i和7级风圈半径r_i；所述模型输出值为MOS风暴潮增水Ytide_i。

3.根据权利要求2所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，确定特征因素矩阵的具体方法为：对MOS风暴潮模型的输入提取特征向量组成矩阵λ_i，即为针对任意时刻i,提取时刻i之前n时刻的特征因素以组成所述特征因素矩阵λ_i，特征因素矩阵λ_i如下所示：

式中，i为预报的起始时刻，i-n为预报起始时刻前n历史时刻，n与待预报结果的时长相同，λ_i为一个n×7维的向量矩阵，λ_i每一维分别代表模型的一个因素。λ_i的每一列为某一因素对应从i-n到i-1时刻的特征值。

4.根据权利要求3所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，预报时长取12h、24h、36h、72h则对应n取值为12、24、36、72。

5.根据权利要求3所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，使用支持向量机学习训练时，为了方便风暴潮预报将学习训练起始点i-j后移到i，训练计算的长度同为j，则可以预报i时刻及其之后的j时段值的风暴潮增水值，具体实现过程为：

首先，设置MOS风暴潮模型中权重映射矩阵W和偏差矩阵A。将特征矩阵λ_t映射到y隐含层空间后得到的隐含层要素矩阵h_t，即将特征矩阵λ_i映射到更高维度的空间隐含层获得隐射后得到H，H如下式所示：

其次，MOS风暴潮模型在求解中采用风险最小化的方法，把最优非线性回归估计问题转化为对不敏感损失函数L(y-h(x),x)进行求解风险最小化的问题，MOS风暴潮模型中使用的最优非线性回归函数是在一定约束条件下最小化规则化不敏感损失函数L逐渐优化逼近实测值来实现,该模型中不敏感损失函数定义如下式所示：

上式中w为权重值，h(x)为模型预报输出值，该式表明当模拟结果与实测之差的绝对值小于等于ε时，该部分忽略不计；当模拟结果与实测值之差的绝对值大于ε时，则取值为超出ε的部分值；

最后，在MOS风暴潮模型学习过程中设计最优非线性风险最小化泛函R(c,ε)，如下式所示：

该式中m为参与数据集的个数；c为实验常数；w为权重值；为经验误差项；为规则化项，使得函数泛化更为平滑。

6.根据权利要求4所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，使用支持向量机学习训练时，以实测增水Xtide_i作为输出进行学习训练，设定模拟结果与实测结果之差的绝对值为ε_i，则相对误差为给定目标误差10％为评判阈值，若模型预报某时刻值e_i≥10％，则该时刻i的MOS模型预报结果为不合格，否则认为时刻i的预报结果为合格。