CN110458338B - 一种基于再分析资料的海面高度中长期统计预测方法 - Google Patents
一种基于再分析资料的海面高度中长期统计预测方法 Download PDFInfo
- Publication number
- CN110458338B CN110458338B CN201910668064.1A CN201910668064A CN110458338B CN 110458338 B CN110458338 B CN 110458338B CN 201910668064 A CN201910668064 A CN 201910668064A CN 110458338 B CN110458338 B CN 110458338B
- Authority
- CN
- China
- Prior art keywords
- surface height
- sea surface
- sample
- long term
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012950 reanalysis Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 93
- 230000007774 longterm Effects 0.000 claims abstract description 48
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 17
- 150000001875 compounds Chemical class 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 3
- 241000135164 Timea Species 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information 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再分析资料的海面高度中长期统计预测方法:(1)构建历年逐日海洋再分析距平产品作为样本矩阵;(2)得到海洋高度样本距平归一化矩阵;(3)对海洋高度样本距平归一化矩阵进行经验正交分解,获取正交模态并计算相应的模态系数;(4)基于上述正交模态系数,构建海面高度中长期统计预测模型;(5)计算中长期统计预测的误差分布;(6)将中长期统计预测结果与同一年该时段再分析产品进行对比,检验模型的合理性;(7)用惯性预报对统计预测的初期结果进行订正,提高预测的准确性。本发明采用经验正交函数对海面高度再分析距平资料进行分解、重构,构建未来海面高度的统计预测模型,实现对未来海面高度的预测。
Description
技术领域
本发明涉及海洋预报,特别涉及一种基于再分析资料的海面高度中长期统计预测方法。
背景技术
传统的海洋预报一般采用海洋数值模式的方法,但是该方法有效预报时效性较差,预报时间仅达7天左右。超过7天,由于缺少对应气象场驱动,数值预报结果偏离较大。同时,高分辨率的海洋数值预报计算数据庞大,需要高性能的计算平台,对计算机有较高要求,因此,迫切需要更简便的、计算量较少的数值预报方法。水下航行器在执行任务时,需要保证较长时间的水下航行,一般需要在水下航行3个月左右的时间,在此期间,其自身携带的传感器仅能感知周围环境,而无法获得未来时刻的环境信息,故迫切需要研制一种预报时效可达3个月的海洋要素预报方法,并搭建相应预报系统。搭载本系统的水下航行器,可以成功在水下航行3个月左右时间不用露头,并能对未来环境有一定了解。另一方面,水下航行器要求其具有良好的隐蔽性,下潜过深,则可能受到中尺度涡等海洋环境变化的影响,出现危险;下潜过浅,容易被发现。搭载本系统的水下航行器能够根据海面高度的变化识别中尺度涡,并做出及时处理。
本发明旨在利用再分析资料构建海面高度中长期预测方法,研制一种全新的、简单化的中长期统计预测方法,提高海洋预测的时效性。
发明内容
本发明针对海面高度的中长期统计预测,提供一种采用经验正交函数对海面高度再分析距平资料进行分解、重构,构建未来海面高度的统计预测方法,实现对未来海面高度的预测。本发明将海洋时空分布过程视为随机过程,并假设其具有各态历经性,采用随机过程的相关理论对再分析距平资料进行分析。同时,采用经验正交函数分解,获得时空四维正交模态,建立不同时空点间的相关性。建立目标泛函,采用正交模态拟合初始场,构建未来海面高度中长期预测模型,实现对未来海面高度的预测,并采用数值试验对理论进行验证。另外,本发明采用惯性预报对前几天的统计预测结果进行订正,以提高预测的准确性。
本发明所采用的技术方案是:一种基于再分析资料的海面高度中长期统计预测方法,包括以下步骤:
步骤1,构建历年逐日海洋再分析距平产品作为样本矩阵;
步骤2,对步骤1得到的样本矩阵进行距平,得到样本距平矩阵,正交归一化样本距平矩阵,构建海洋高度样本距平归一化矩阵;
步骤3,对步骤2得到的海洋高度样本距平归一化矩阵进行经验正交分解,利用雅克比分解获取正交模态并计算相应的正交模态系数;
步骤4,基于步骤3获得的正交模态和相应的正交模态系数,构建海面高度中长期预测模型,对海面高度进行中长期统计预测;
步骤5,计算步骤4得到的海面高度中长期统计预测结果的误差分布;
步骤6,将步骤4得到的海面高度中长期统计预测结果与同一年该时段再分析产品进行对比,检验步骤4构建的海面高度中长期预测模型的合理性;
步骤7,用惯性预报对步骤4得到的海面高度中长期统计预测结果进行订正,得到最终预测结果,实现对未来海面高度的预测。
进一步地,步骤1中,所述的构建历年逐日海洋再分析距平产品作为样本矩阵包括:
采用M年tL个时段N个点的海面高度资料,构建M个样本,采用指标m代表第m个样本,m=(1,...,M),M表示样本个数;指标n代表空间点,n=(1,...,N),N表示空间点个数;指标tl代表第l时刻,tl=(1,...,tL),tL表示整个时段;
第m个样本tl时刻的第n个空间点组成列向量:
Xm(tl)=[Xm(tl,1) … Xm(tl,n) … Xm(tl,N)]T (1)
式中,Xm(tl)表示第m个样本tl时刻N个空间点的海面高度资料;Xm(tl,n)表示第m个样本tl时刻第n个空间点的海面高度资料;
第m个样本整个tL时段的空间点表示为列向量:
Xm=[Xm(t1)T … Xm(tl)T … Xm(tL)T]T (2)
式中,Xm表示第m个样本tL时段N个空间点的海面高度资料,Xm(tl)T表示Xm(tl)表示第m个样本tl时刻N个空间点的海面高度资料的转置;
构造样本矩阵X:
X=[X1 ... Xm ... XM] (3)
样本矩阵X的行数为N=tLN,列数为M。
进一步地,步骤2中,所述的对步骤1构建的样本矩阵进行距平,得到样本距平矩阵,正交归一化样本距平矩阵,构建海洋高度样本距平归一化矩阵包括:
式中,M为样本个数,Xm表示第m个样本tL时段N个空间点的海面高度资料;
海面高度的样本均方差σ为:
进一步地,步骤3中,所述的对步骤2得到的海洋高度样本距平归一化矩阵进行经验正交分解,利用雅克比分解获取正交模态并计算相应的模态系数包括:
构造相关系数矩阵Cor(X):
进一步地,步骤4中,所述的基于步骤3获得的正交模态和相应的正交模态系数,构建海面高度中长期预测模型,对海面高度进行中长期统计预测包括:
首先,假定需要预报的当前时段t=(tl0,...,tl0+L)海面高度的真实场为:Xt,利用投影算符F,将真实场Xt投影到对应的当前时段之前的时段t0=(t1,...,tl0),则前一时段t0海面高度的真实场为FXt,其中,F为投影算符,t为当前L时段,t0为前一l0时段;
当前时段前一时段t0海面高度的分析场为:Xb,当前时段前一时段t0海面高度的分析场Xb相较于当前时段前一时段t0海面高度的真实场FXt的误差εb表示为:
εb=Xb-FXt (16)
将公式(16)移项,用误差εb和当前时段前一时段t0海面高度的真实场FXt表示当前时段前一时段t0海面高度的分析场Xb:
Xb=εb+FXt (17)
式中,表示表示M年同一时刻同一空间点的样本均值,σ表示海面高度的样本均方差,表示海洋高度样本距平归一化矩阵;表示正交模态中的所有模态向量按由大到小排序后、取前r个模态向量组成的预测正交模态,Γ表示预测正交模态对应的正交模态系数;
投影至前一时段t0,则海面高度中长期预测模型得到的当前时段前一时段t0海面高度分析场FXa为:
其次,利用海面高度中长期预测模型得到的当前时段前一时段t0海面高度分析场FXa、当前时段前一时段t0海面高度的分析场Xb构造背景场误差协方差矩阵,建立目标泛函Jb(Γ):
利用最小二乘法,对目标泛函Jb(Γ)求变分,获得使目标泛函Jb(Γ)取得极小值的模态系数:
式中,Xa为海面高度中长期预测模型得到的当前时段t的海面高度。
进一步地,步骤5中,所述的计算步骤4得到的海面高度中长期统计预测结果的误差分布包括:
当前时段前一时段t0海面高度的分析场Xb的误差协方差矩阵Pb可以表示为:
式中,M表示样本个数,Eb表示当前时段前一时段t0海面高度的分析场Xb的误差,FXt表示前一时段t0海面高度的真实场;
式中,Xa表示海面高度中长期预测模型得到的当前时段t的海面高度,σ表示海面高度的样本均方差,Xt表示当前时段t海面高度的真实场,F为投影算符,表示预测正交模态,Xb表示当前时段前一时段t0海面高度的分析场,表示表示M年同一时刻同一空间点的样本均值;
则海面高度中长期预测场的误差协方差矩阵为Pa:
进一步地,步骤6中,所述的将步骤4得到的海面高度中长期统计预测结果与同一年该时段再分析产品进行对比,检验步骤4构建海面高度中长期预测模型的合理性为:以经度为横坐标、纬度为纵坐标,分别绘制海面高度中长期统计预测结果图和同一年该时段再分析产品图,观察当前时刻海面高度中长期统计预测结果图是否能有效反映同一年该时段再分析产品图中的海面高度变化。
进一步地,步骤7中,所述的用惯性预报对步骤4得到的海面高度中长期统计预测结果进行订正,得到最终预测结果包括:在预测的前15天,利用惯性预报对海面高度中长期统计预测结果进行订正,订正完成后,再加入季节信号,具体为:
根据步骤5得到的海面高度中长期预测场的误差协方差矩阵:
对惯性预报和面高度中长期统计预测结果进行加权平均,得到最终预测结果:
式中,Xf(tl,n)表示tl时刻第n个空间点的海面高度资料最终预测值;表示惯性预报方差;Xa(tl,n)表示tl时刻第n个空间点的海面高度资料中长期统计预测值,由步骤4所构建的海面高度中长期预测模型得到的当前时段t的海面高度Xa获得;表示中长期预报的方差,等价于根据步骤5得到的海面高度中长期预测场的误差协方差矩阵Pa。
本发明的有益效果是:一种基于再分析资料的海面高度中长期统计预测方法,针对海面高度的预测,提供了一种准确度较高、时效较长、计算较为简单的中长期预测方法。首先,本发明基于长时间序列再分析产品,将海洋时空分布过程视为随机过程,并假设其具有各态历经性,以采用随机过程的相关理论对再分析资料进行分析,并通过经验正交函数分解、重构,有效提高了海面高度预测的时效性。其次,研究表明,在海面高度模型中,季节信号占有总信号的很大部分,因此,本发明对样本矩阵进行距平、规范正交化的分析方法重构海面高度场,有效地剔除了季节性信号,从而更好地反映海面高度变化。另外,利用高分辨率的计算机分解样本矩阵,计算正交模态,并存储起来,再在小型计算机上进行重构,对海面高度进行预测,非常适合海面高度预测的业务化。最后,通过惯性预报对统计预测前15天预测结果进行偏差订正,大幅提高预测准确性。
附图说明
图1:本发明一种基于再分析资料的海面高度中长期统计预测方法流程示意图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
现有的长时间序列海洋再分析产品是对海洋历史多年时空多尺度海洋现象和过程的再现,但是无法对未来进行预测。因此,本发明提出一种方法,基于长时间序列海洋再分析产品,采用随机过程的相关理论,利用经验正交函数分解的方法对海面高度的再分析距平资料进行分解、重构,并将分解获得的正交模态用于计算预测时段的海面高度,构建对海面高度未来时刻的统计预测方法。
如附图1所示,一种基于再分析资料的海面高度中长期统计预测方法,对样本距平矩阵进行经验正交函数分解,并利用雅克比分解,获取正交模态以及相应正交模态系数;将取出的某一年中某一时段海面高度投影至前一时刻作为中长期海面高度分析场,与该前一时段初始场结合,建立目标泛函,并利用最小二乘拟合初始场,获取使得目标泛函最小的正交模态系数,从而通过正交模态系数实现该时段的海面高度预测;同时,本发明对统计预测误差进行分析,采用数值预报试验对理论进行检验,并利用惯性预报对统计预测前几天的结果进行订正。具体包括:
(1)构建历年逐日海洋再分析距平产品作为样本矩阵
我们已知M年tL个时段N个点的海面高度资料。使用M年海面高度资料,我们可以构建M个样本,采用指标m代表第m个样本,m=(1,...,M),M表示样本个数;指标n代表空间点,n=(1,...,N),N表示空间点个数;指标tl代表第l时刻,tl=(1,...,tL),tL表示整个时段。
第m个样本tl时刻的第n个空间点可以组成列向量:
Xm(tl)=[Xm(tl,1) … Xm(tl,n) … Xm(tl,N)]T (1)
式中,Xm(tl)表示第m个样本tl时刻N个空间点的海面高度资料;Xm(tl,n)表示第m个样本tl时刻第n个空间点的海面高度资料;
第m个样本整个tL时段的空间点可以表示为列向量:
Xm=[Xm(t1)T … Xm(tl)T … Xm(tL)T]T (2)
式中,Xm表示第m个样本tL时段N个空间点的海面高度资料,Xm(tl)T表示第m个样本tl时刻N个空间点的海面高度资料的转置;
由此,我们可以构造样本矩阵X:
X=[X1 ... Xm ... XM] (3)
样本矩阵X的行数为N=tLN,列数为M。
(2)对样本矩阵进行距平、标准化处理
对样本矩阵进行距平,得到样本距平矩阵,正交归一化样本距平矩阵,构建海洋高度样本距平归一化矩阵。
式中,M为样本个数,Xm表示第m个样本tL时段N个空间点的海面高度资料。
海面高度的样本均方差σ为:
(3)海洋高度样本距平归一化矩阵进行经验正交分解,获取正交模态
海洋高度样本距平归一化矩阵进行经验正交分解,利用雅克比分解获取正交模态并计算相应的正交模态系数,构造原始样本矩阵与正交模态及相应正交模态系数之间的相关关系。
②构造相关系数矩阵Cor(X):
(4)基于正交模态和相应的正交模态系数,构建海面高度中长期预测模型,对海面高度进行中长期统计预测
海面高度中长期预测模型,利用正交模态对当前时段前一时段的初始场进行拟合,构造背景场误差协方差矩阵,建立目标泛函。并利用最小二乘法,获得使目标泛函最小的模态系数,用正交模态和相应的正交模态系数表示并计算当前时刻海面高度。
该方法假定需要预报的当前时段海面高度的真实场为:Xt,利用投影算符F,将真实场Xt投影到对应的当前时段之前的时段则前一时段t0海面高度的真实场为FXt,其中,F为投影算符,t为当前L时段,t0为前一l0时段。
当前时段前一时段t0海面高度的分析场为:Xb,当前时段前一时段t0海面高度的分析场Xb相较于当前时段前一时段t0海面高度的真实场FXt的误差εb表示为:
εb=Xb-FXt (16)
将公式(16)移项,用误差εb和当前时段前一时段t0海面高度的真实场FXt表示当前时段前一时段t0海面高度的分析场Xb:
Xb=εb+FXt (17)
结合公式(15),假定海面高度中长期预测模型得到的当前时段t的海面高度Xa为:
式中,表示表示M年同一时刻同一空间点的样本均值,σ表示海面高度的样本均方差,表示海洋高度样本距平归一化矩阵;表示正交模态中的所有模态向量按由大到小排序后、取前r个模态向量组成的预测正交模态,Γ表示预测正交模态对应的正交模态系数;
投影至前一时段t0,则海面高度中长期预测模型得到的当前时段前一时段t0海面高度分析场FXa为:
②利用海面高度中长期预测模型得到的当前时段前一时段t0海面高度分析场FXa、当前时段前一时段t0海面高度的分析场Xb构造背景场误差协方差矩阵,建立目标泛函Jb(Γ):
③利用最小二乘法,对目标泛函Jb(Γ)求变分,获得使目标泛函Jb(Γ)取得极小值的模态系数:
式中,Xa为海面高度中长期预测模型得到的当前时段t的海面高度。
(5)海面高度中长期统计预测误差分析
当前时段前一时段t0海面高度的分析场Xb的误差协方差矩阵Pb可以表示为:
式中,M表示样本个数,Eb表示当前时段前一时段t0海面高度的分析场Xb的误差,FXt表示前一时段t0海面高度的真实场;
由公式(24)得,海面高度中长期统计预测场误差Ea为:
式中,Xa表示海面高度中长期预测模型得到的当前时段t的海面高度,σ表示海面高度的样本均方差,Xt表示当前时段t海面高度的真实场,F为投影算符,表示预测正交模态,Xb表示当前时段前一时段t0海面高度的分析场,表示表示M年同一时刻同一空间点的样本均值;
则海面高度中长期预测场的误差协方差矩阵为Pa:
(6)基于海洋再分析产品的海面高度中长期预测数值试验
将海面高度中长期统计预测结果与同一年该时段再分析产品进行对比,检验海面高度中长期预测模型的合理性:以经度为横坐标、纬度为纵坐标,分别绘制海面高度中长期统计预测结果图和同一年该时段再分析产品图,海面高度中长期统计预测结果图和同一年该时段再分析产品图均为海面高度等值线图,观察当前时刻海面高度中长期统计预测结果图是否能有效反映同一年该时段再分析产品图中的海面高度变化,即,是否能够显示出对应的暖涡和冷涡)。
将第m年的海洋再分析产品提取出来作为独立检验样本,利用剩余的M-1年海面高度再分析产品作为样本构建如(1)(2)(3)所示的海面高度时空四维正交模态。并应用第m年的某一时段(例如)前一时段(例如)的再分析产品作为当前时段前一时段t0海面高度的分析场Xb,通过拟合当前时段前一时段t0海面高度的分析场Xb,确定正交模态系数Γ,构建海面高度中长期预测模型,对海面高度进行预测,并于同一年的再分析结果进行对比。同时,该试验认为海洋再分析产品为真实场,即Eb=Xb-FXt=0。以此类推,测试其它年份的预测情况。
(7)海面高度中长期统计预测订正
用惯性预报海面高度中长期统计预测的初期结果(前15天)进行订正,得到最终预测结果,实现对未来海面高度的预测。
研究表明,目前短期(1~7天)海洋数值预报技术对于中尺度涡等的预报相较于惯性预报较差。因此,本发明在预测的前15天,利用惯性预报对距平海面高度中长期统计预测进行订正。订正完成后,再加入季节信号。以最大程度保留季节信号。
根据(5)得到的海面高度中长期预测场的误差协方差矩阵:
对惯性预报和面高度中长期统计预测结果进行加权平均,得到最终预测结果:
式中,Xf(tl,n)表示tl时刻第n个空间点的海面高度资料最终预测值,表示惯性预报方差,Xa(tl,n)表示tl时刻第n个空间点的海面高度资料中长期统计预测值,由所构建的海面高度中长期预测模型得到的当前时段t的海面高度Xa获得;表示中长期预报的方差,等价于根据步骤5得到的海面高度中长期预测场的误差协方差矩阵Pa,即,
尽管上面结合附图对本发明的优选实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,并不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可以做出很多形式,这些均属于本发明的保护范围之内。
Claims (8)
1.一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,包括以下步骤:
步骤1,构建历年逐日海洋再分析距平产品作为样本矩阵;
步骤2,对步骤1得到的样本矩阵进行距平,得到样本距平矩阵,正交归一化样本距平矩阵,构建海洋高度样本距平归一化矩阵;
步骤3,对步骤2得到的海洋高度样本距平归一化矩阵进行经验正交分解,利用雅克比分解获取正交模态并计算相应的正交模态系数;
步骤4,基于步骤3获得的正交模态和相应的正交模态系数,构建海面高度中长期预测模型,对海面高度进行中长期统计预测;
步骤5,计算步骤4得到的海面高度中长期统计预测结果的误差分布;
步骤6,将步骤4得到的海面高度中长期统计预测结果与同一年该时段再分析产品进行对比,检验步骤4构建的海面高度中长期预测模型的合理性;
步骤7,用惯性预报对步骤4得到的海面高度中长期统计预测结果进行订正,得到最终预测结果,实现对未来海面高度的预测。
2.根据权利要求1所述的一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,步骤1中,所述的构建历年逐日海洋再分析距平产品作为样本矩阵包括:
采用M年tL个时段N个点的海面高度资料,构建M个样本,采用指标m代表第m个样本,m=(1,...,M),M表示样本个数;指标n代表空间点,n=(1,...,N),N表示空间点个数;指标tl代表第l时刻,tl=(1,...,tL),tL表示整个时段;
第m个样本tl时刻的第n个空间点组成列向量:
Xm(tl)=[Xm(tl,1) … Xm(tl,n) … Xm(tl,N)]T (1)
式中,Xm(tl)表示第m个样本tl时刻N个空间点的海面高度资料;Xm(tl,n)表示第m个样本tl时刻第n个空间点的海面高度资料;
第m个样本整个tL时段的空间点表示为列向量:
Xm=[Xm(t1)T … Xm(tl)T … Xm(tL)T]T (2)
式中,Xm表示第m个样本tL时段N个空间点的海面高度资料,Xm(tl)T表示Xm(tl)表示第m个样本tl时刻N个空间点的海面高度资料的转置;
构造样本矩阵X:
X=[X1 ... Xm ... XM] (3)
样本矩阵X的行数为N=tLN,列数为M。
3.根据权利要求1所述的一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,步骤2中,所述的对步骤1构建的样本矩阵进行距平,得到样本距平矩阵,正交归一化样本距平矩阵,构建海洋高度样本距平归一化矩阵包括:
式中,M为样本个数,Xm表示第m个样本tL时段N个空间点的海面高度资料;
海面高度的样本均方差σ为:
4.根据权利要求1所述的一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,步骤3中,所述的对步骤2得到的海洋高度样本距平归一化矩阵进行经验正交分解,利用雅克比分解获取正交模态并计算相应的模态系数包括:
构造相关系数矩阵Cor(X):
5.根据权利要求1所述的一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,步骤4中,所述的基于步骤3获得的正交模态和相应的正交模态系数,构建海面高度中长期预测模型,对海面高度进行中长期统计预测包括:
首先,假定需要预报的当前时段海面高度的真实场为:Xt,利用投影算符F,将真实场Xt投影到对应的当前时段之前的时段则前一时段t0海面高度的真实场为FXt,其中,F为投影算符,t为当前L时段,t0为前一l0时段;
当前时段前一时段t0海面高度的分析场为:Xb,当前时段前一时段t0海面高度的分析场Xb相较于当前时段前一时段t0海面高度的真实场FXt的误差εb表示为:
εb=Xb-FXt (16)
将公式(16)移项,用误差εb和当前时段前一时段t0海面高度的真实场FXt表示当前时段前一时段t0海面高度的分析场Xb:
Xb=εb+FXt (17)
式中,表示表示M年同一时刻同一空间点的样本均值,σ表示海面高度的样本均方差,表示海洋高度样本距平归一化矩阵;表示正交模态中的所有模态向量按由大到小排序后、取前r个模态向量组成的预测正交模态,Γ表示预测正交模态对应的正交模态系数;
投影至前一时段t0,则海面高度中长期预测模型得到的当前时段前一时段t0海面高度分析场FXa为:
其次,利用海面高度中长期预测模型得到的当前时段前一时段t0海面高度分析场FXa、当前时段前一时段t0海面高度的分析场Xb构造背景场误差协方差矩阵,建立目标泛函Jb(Γ):
利用最小二乘法,对目标泛函Jb(Γ)求变分,获得使目标泛函Jb(Γ)取得极小值的模态系数:
式中,Xa为海面高度中长期预测模型得到的当前时段t的海面高度。
6.根据权利要求1所述的一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,步骤5中,所述的计算步骤4得到的海面高度中长期统计预测结果的误差分布包括:
当前时段前一时段t0海面高度的分析场Xb的误差协方差矩阵Pb可以表示为:
式中,M表示样本个数,Eb表示当前时段前一时段t0海面高度的分析场Xb的误差,FXt表示前一时段t0海面高度的真实场;
式中,Xa表示海面高度中长期预测模型得到的当前时段t的海面高度,σ表示海面高度的样本均方差,Xt表示当前时段t海面高度的真实场,F为投影算符,表示预测正交模态,Xb表示当前时段前一时段t0海面高度的分析场,表示表示M年同一时刻同一空间点的样本均值;
则海面高度中长期预测场的误差协方差矩阵为Pa:
7.根据权利要求1所述的一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,步骤6中,所述的将步骤4得到的海面高度中长期统计预测结果与同一年该时段再分析产品进行对比,检验步骤4构建海面高度中长期预测模型的合理性为:以经度为横坐标、纬度为纵坐标,分别绘制海面高度中长期统计预测结果图和同一年该时段再分析产品图,观察当前时刻海面高度中长期统计预测结果图是否能有效反映同一年该时段再分析产品图中的海面高度变化。
8.根据权利要求1所述的一种基于再分析资料的海面高度中长期统计预测方法,其特征在于,步骤7中,所述的用惯性预报对步骤4得到的海面高度中长期统计预测结果进行订正,得到最终预测结果包括:在预测的前15天,利用惯性预报对海面高度中长期统计预测结果进行订正,订正完成后,再加入季节信号,具体为:
根据步骤5得到的海面高度中长期预测场的误差协方差矩阵:
对惯性预报和面高度中长期统计预测结果进行加权平均,得到最终预测结果:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668064.1A CN110458338B (zh) | 2019-07-23 | 2019-07-23 | 一种基于再分析资料的海面高度中长期统计预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910668064.1A CN110458338B (zh) | 2019-07-23 | 2019-07-23 | 一种基于再分析资料的海面高度中长期统计预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458338A CN110458338A (zh) | 2019-11-15 |
CN110458338B true CN110458338B (zh) | 2023-01-03 |
Family
ID=68483255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910668064.1A Active CN110458338B (zh) | 2019-07-23 | 2019-07-23 | 一种基于再分析资料的海面高度中长期统计预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458338B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052370B (zh) * | 2021-03-15 | 2024-06-14 | 哈尔滨工程大学 | 一种基于时空经验正交函数的海洋环境要素统计预测方法 |
CN113051795B (zh) * | 2021-03-15 | 2023-04-28 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
CN113344805B (zh) * | 2021-05-18 | 2023-06-13 | 南京信息工程大学 | 基于eof的自动气象站观测资料修复方法 |
CN113392583A (zh) * | 2021-06-08 | 2021-09-14 | 南京师范大学 | 一种基于量子游走的海面高度模拟方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
WO2018001338A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海海洋大学 | 基于灰色系统的大洋性鱿鱼类资源丰度预测方法 |
CN109472403A (zh) * | 2018-10-31 | 2019-03-15 | 中国水利水电科学研究院 | 一种集合经验模态分解及遥相关的中长期径流预报方法 |
CN110222872A (zh) * | 2019-05-12 | 2019-09-10 | 天津大学 | 基于经验正交函数分解的海洋多要素中长期统计预测方法 |
CN113052370A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种基于时空经验正交函数的海洋环境要素统计预测方法 |
CN113945202A (zh) * | 2021-10-25 | 2022-01-18 | 海南长光卫星信息技术有限公司 | 一种海平面高度预测方法及系统、可读存储介质 |
-
2019
- 2019-07-23 CN CN201910668064.1A patent/CN110458338B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018001338A1 (zh) * | 2016-06-30 | 2018-01-04 | 上海海洋大学 | 基于灰色系统的大洋性鱿鱼类资源丰度预测方法 |
CN106251022A (zh) * | 2016-08-08 | 2016-12-21 | 南京信息工程大学 | 一种基于多因子的多参数相似集合的短期气候预测方法 |
CN109472403A (zh) * | 2018-10-31 | 2019-03-15 | 中国水利水电科学研究院 | 一种集合经验模态分解及遥相关的中长期径流预报方法 |
CN110222872A (zh) * | 2019-05-12 | 2019-09-10 | 天津大学 | 基于经验正交函数分解的海洋多要素中长期统计预测方法 |
CN113052370A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种基于时空经验正交函数的海洋环境要素统计预测方法 |
CN113945202A (zh) * | 2021-10-25 | 2022-01-18 | 海南长光卫星信息技术有限公司 | 一种海平面高度预测方法及系统、可读存储介质 |
Non-Patent Citations (7)
Title |
---|
Medium to long term forecasts of sea surface height anomalies using a spatiotemporal empirical orthogonal function method;yuxin zhao;《Journal of Atmospheric and oceanic technology》;20201204;2225-2237 * |
Seasonal prediction of global sea level anomalies using an ocean-atmosphere dynamical model;Elaine R.Miles;《climate dynamics》;20140212;2131-2145 * |
区域气候数值模式预测误差的非线性预估及订正应用试验;张舰齐;《数值计算与计算机应用》;20170314;全文 * |
基于EOF分解的中期平均气温距平客观预报方法;黄威等;《气象科学》;20170831(第04期);全文 * |
基于经验正交函数和机器学习的南海海面高度异常预测;白杨;《海洋通报》;20201231;全文 * |
基于集合经验模态分解的新疆地区温度场预测评估;张舰齐等;《气象科技》;20151215(第06期);全文 * |
考虑影响因子的经验正交预报方法的研究;苏育嵩等;《海洋与湖沼》;19800629(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458338A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458338B (zh) | 一种基于再分析资料的海面高度中长期统计预测方法 | |
CN111651941B (zh) | 一种全球电离层电子总含量预测的算法 | |
Baker et al. | Observation and background adjoint sensitivity in the adaptive observation‐targeting problem | |
Buehner et al. | Assimilation of SSMIS and ASCAT data and the replacement of highly uncertain estimates in the Environment Canada Regional Ice Prediction System | |
Wikle et al. | Climatological analysis of tornado report counts using a hierarchical Bayesian spatiotemporal model | |
CN111199270B (zh) | 一种基于深度学习的区域波高预报方法及终端 | |
Tomassini et al. | Spatial analysis of trends in extreme precipitation events in high‐resolution climate model results and observations for Germany | |
CN113344149B (zh) | 一种基于神经网络的pm2.5逐小时预测方法 | |
CN109212631B (zh) | 一种考虑通道相关的卫星观测资料三维变分同化方法 | |
CN113063737A (zh) | 结合遥感与浮标数据的海洋热含量遥感反演方法 | |
Qian et al. | Assessing impacts of PBL and surface layer schemes in simulating the surface–atmosphere interactions and precipitation over the tropical ocean using observations from AMIE/DYNAMO | |
Okwuashi et al. | Tide modeling using partial least squares regression | |
Worden et al. | Averaging kernel prediction from atmospheric and surface state parameters based on multiple regression for nadir-viewing satellite measurements of carbon monoxide and ozone | |
Jin et al. | Bayesian spatiotemporal modeling for blending in situ observations with satellite precipitation estimates | |
Shooter et al. | Spatial dependence of extreme seas in the North East Atlantic from satellite altimeter measurements | |
Bessac et al. | Scale‐Aware Space‐Time Stochastic Parameterization of Subgrid‐Scale Velocity Enhancement of Sea Surface Fluxes | |
CN111611731A (zh) | 卫星数据融合方法、装置及电子设备 | |
Fielding et al. | Characterizing the representativity error of cloud profiling observations for data assimilation | |
Prates et al. | Assimilation of transformed retrievals obtained from clear‐sky IASI measurements | |
Liu et al. | A method for independent validation of surface fluxes from atmospheric inversion: Application to CO2 | |
Volkov et al. | Application of a vectorial-algebraic method for investigation of spatial-temporal variability of sea ice drift and validation of model calculations in the Arctic Ocean | |
Long | Wind field model‐based estimation of Seasat scatterometer winds | |
Brynjarsdottir et al. | Optimal Estimation Versus MCMC for CO 2 Retrievals | |
CN113128058B (zh) | 温度廓线的反演方法、装置、可读存储介质和电子设备 | |
Buehner et al. | Sea ice data assimilation |
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 |