CN110851790A - 一种基于深度学习算法的海流动力优化预报模型 - Google Patents

一种基于深度学习算法的海流动力优化预报模型 Download PDF

Info

Publication number
CN110851790A
CN110851790A CN201911039135.8A CN201911039135A CN110851790A CN 110851790 A CN110851790 A CN 110851790A CN 201911039135 A CN201911039135 A CN 201911039135A CN 110851790 A CN110851790 A CN 110851790A
Authority
CN
China
Prior art keywords
forecasting
point
ocean current
ocean
sea surface
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.)
Granted
Application number
CN201911039135.8A
Other languages
English (en)
Other versions
CN110851790B (zh
Inventor
王金虎
张正光
陈旭
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201911039135.8A priority Critical patent/CN110851790B/zh
Publication of CN110851790A publication Critical patent/CN110851790A/zh
Application granted granted Critical
Publication of CN110851790B publication Critical patent/CN110851790B/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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Electromagnetism (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习算法的海流动力优化预报模型，属于海洋信息预报技术领域，其综合考虑岛链外海区流场主要受到海洋中尺度过程控制，利用遗传算法确定最优化预报因子和预报模型，考虑中尺度涡旋的局地变化和空间变化规律，确保模型的最优化预报因子分别符合欧拉场和拉格朗日场的观点，通过将深度学习算法中的算子拟合算法和动力预报方法相结合，提高了海流动力预报的准确性和计算速度，对于海洋中尺度过程的流场预报一方面根据深度学习算法的算子拟合算法和遗传算法筛选出模型简单、预测精度高的的预报模型和预报因子，另一方面利用涡旋的物理特性明确预报模型和最优化因子的物理意义，具有较高的预报准确性和可信度。

Description

一种基于深度学习算法的海流动力优化预报模型
技术领域
本发明涉及海洋信息预报技术领域，尤其涉及一种基于深度学习算法的海流动力优化预报模型。
背景技术
卫星高度计自上世纪70年代出现以来，在全球海洋动力探测和研究方面发挥了巨大作用。卫星高度计是一种星载主动式微波遥感器，由一台脉冲发射器、一台灵敏接收器和一台精确计时钟构成。脉冲发射器从海面上空向海面发射一系列极其狭窄的雷达脉冲，接收器检测经海面反射的电磁波信号，再由计时钟精确测定发射和接收的时间间隔△T，便可算出由高度计质心到星下点瞬时海面的距离，其计算公式为：R＝c×ΔT/2，式中c是电磁波的传播速度，R是卫星和海表面之间的距离。利用高度计可以实现对海表面高度、有效波高和海表面地形等动力参数的测量，反演获取海流、海浪、潮汐、海表面风等动力参数信息。此外，卫星高度计资料还可应用于地球结构和海洋重力场的研究。表1给出了目前国内外已经发射的载有雷达高度计的卫星信息。
表1载有高度计的卫星信息
Figure BDA0002252368760000011
Figure BDA0002252368760000021
Figure BDA0002252368760000031
卫星高度计产品的核心参数包括时间变量、空间变量和要素变量。其中时间变量为高度计资料的观测日期，数值采用关联日期的表达方式，即与初始日期1950年1月1日0时0分0秒的时间间隔。空间变量包括观测网格点的经纬度坐标和边界坐标。要素变量包括绝对动力地形(ADT)和海表面高度异常(SLA)及其对应的绝对地转流(ugos、vgos)和地转流异常(ugosa、vgosa)。其中绝对动力地形(ADT)等于平均动力地形(MDT)和海表面高度异常(SLA)之和，包含有海流、潮汐和中尺度涡旋等海洋动力学的信息。平均动力地形(MDT)是多年平均海面高度与大地水准面之差，是卫星高度计数据后续反演应用的一个重要基准面。平均动力地形在计算中采用两个标准，一种是通过计算1993-1999年为期7年的平均海面高度获得，另一种是通过计算1993-2012年20年平均海面高度获得。海表面高度异常(SLA)数据由于去除了20年平均海表面高度的影响，因此可以代表由海洋中尺度过程引起的动力高度，通过地转方程可以计算由中尺度涡旋引起的海表面流场(ugosa，vgosa)：
Figure BDA0002252368760000042
其中u和v分别是经向和纬向地转流，η是海面高度异常，x和y分别是纬向和经向水平距离，g是重力加速度，f是科氏常数。
人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。神经网络预报算法由大量简单神经元组合而成，具有自组织、自学习、高容错性等特征，在处理复杂、非线性、模糊关系问题方面有着独特的优势。近年来，人工神经网络较多的应用在水文预报领域，尤其在潮汐预报中得到了较好的运用。
海洋数值模式预报方法起始于20世纪80年代，随着电子计算机计算能力的提高和模式参数化方案的不断优化，出现了针对不同区域和不同海洋学科的海洋模式，较为常用的业务化海洋数值模式有HYCOM、NEMO、MOM、ROMS和POM等，模式预报的时效通常为7天，模式分辨率包括1/4°涡相容分辨率和1/12°的涡识别分辨率。数值模式具有计算分辨率高，预报时效长的特点。尤其是21世纪以来出现的涡旋分辨率海洋模式可以对海洋中尺度过程进行较为准确的预报，其中较为有代表性的数值模式包括美国开发的HYCOM、欧洲开发的NEMO模式和我国采用的MOM模式。但是目前数值模式对于中尺度过程的预报存在三个较为显著的问题：一是由于涡旋分辨率的海洋模式对计算资源有很高的要求，通常需要在大型机群上计算，单机计算要消耗大量的时间。二是目前数值模式对涡旋过程的模拟还存在许多的不确定性，需要进一步对中尺度过程的参数化方案进行模拟和优化。三是模式需要采用数据同化技术保证模式计算的准确率。目前常用的数据同化方法包括基于统计估值理论的最优插值方法、集合卡尔曼滤波方法和基于最优控制的变分方法。数值模式需要通过同化大量准实时海洋观测资料对预报结果进行修正，从而确保对海洋中尺度过程预报的准确性，因此，其对实测数据的依赖性较高、计算量较大。
发明内容
本发明提供一种基于深度学习算法的海流动力优化预报模型，通过将深度学习算法中的算子拟合算法和动力预报方法相结合，提高海流预报的准确性和计算速度。
本发明提供的具体技术方案如下：
本发明提供的一种基于深度学习算法的海流动力优化预报模型的公式为
Figure BDA0002252368760000051
其中，SSHA(x0,y0,t0-Δt)和SSHA(x0,y0,t0-2Δt)为欧拉预报因子，SSHA(x0-dx,y0-dy,t0-Δt)和SSHA(x0-2dx,y0-2dy,t0-2Δt)为拉格朗日预报因子，A1、A2、A3和A4为4个预报因子对应的预报系数，x0和y0为预报点的经纬度坐标，t0为预报时刻，Δt为预报时间步长，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离，SSHA为海表面高度异常场。
可选的，所述海流动力优化预报模型的预报结果用于通过地转关系反演得到海区流场的预报结果。
可选的，所述海流动力优化预报模型符合中尺度涡旋的局地变化和空间变化规律，筛选出的预测最优化预报因子分别满足欧拉场和拉格朗日场的观点。
可选的，所述从欧拉场和拉格朗日场的观点出发选取预报点海表面高度异常的最优化预报因子，具体为：
从欧拉观点出发，预报点海表面高度异常的变化受到该点上一时刻海表面高度异常的影响，选取t0-Δt和t0-2Δt两个时刻预报点的局地海表面高度异常SSHA(x0,y0,t0-Δt)和SSHA(x0,y0,t0-2Δt)作为预报因子，其中，x0和y0为预报点的经纬度坐标，t0为预报时刻，Δt为预报时间步长，在模型建立中预报时间步长选取为7天；
从拉格朗日观点出发，预报点海表面高度异常的变化和之前时刻预报点“上游”位置海表面高度异常有关，选取t0-Δt和t0-2Δt时刻预报点“上游”位置点的海表面高度异常值SSHA(x0-dx,y0-dy,t0-Δt)和SSHA(x0-2dx,y0-2dy,t0-2Δt)作为预报因子，其中，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离。
可选的，根据局地的海洋层结和海底地形以及海洋中尺度过程确定一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离dx和dy的数值。
可选的，通过预报海区各点最大滞后相关系数的位置确定各点在t时刻前“上游点”的位置，进而计算得到海区各点在东西向和南北向最可能的位置偏移dx和dy的数值。
可选的，4个预报因子对应的预报系数A1、A2、A3和A4采用最小二乘法根据过往每一天的海表面高度异常时间序列确定。
本发明的有益效果如下：
本发明实施例提供一种基于深度学习算法的海流动力优化预报模型，其综合考虑岛链外海区流场受到海洋中尺度过程控制，利用遗传算法确定最优化预报因子和预报模型，考虑中尺度涡旋的局地变化和空间变化规律，分别从欧拉场和拉格朗日场的观点出发选取预报点海表面高度异常的最优化预报因子，可预报的空间范围为(120°E-145°E，15°N-40°N)，在预报精度上，海表面高度异常预报的平均绝对误差整体小于4cm，绝对误差大于5cm的概率小于20％；绝对流速平均绝对误差小于0.15节，绝对误差大于0.25节的概率小于20％；流向平均绝对误差小于45°，绝对误差大于45°的概率小于20％，也即通过将深度学习算法中的算子拟合算法和动力预报方法的结合，提高了海流动力预报的准确性和计算速度，对于海洋中尺度过程的流场预报一方面根据深度学习算法的算子拟合算法和遗传算法筛选出模型简单、预测精度高的的预报模型和预报因子，另一方面利用涡旋的物理特性明确预报模型和最优化因子的物理意义，具有较高的预报准确性和可信度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的2015年12月31日卫星高度计观测结果和“上游点”搜索区间示意图；
图2为本发明实施例的巴士海峡东部预报点和大洋内区预报点在各自搜索区间内滞后相关系数空间分布图；
图3为本发明实施例的海区各点最大相关系数空间分布图；
图4为本发明实施例的预报海区各点在东西向和南北向最可能的位置偏移示意图；
图5为本发明实施例的两个目标点的海表面高度异常卫星实测结果和后报结果对比图；
图6为本发明实施例的两个目标点流速卫星实测结果和后报结果的对比示意图；
图7为本发明实施例的2015年12月31日全场的卫星观测结果和回报结果的对比图；
图8为本发明实施例的从左向右依次为海表面高度异常、绝对流速和流向平均绝对误差分布图；
图9为本发明实施例的从左至右依次为海表面高度异常误差大于5cm的概率、绝对流速误差大于0.25节的概率、流向误差大于45°的概率分布示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
下面将结合图1～图9对本发明实施例的一种基于深度学习算法的海流动力优化预报模型进行详细的说明。
本发明实施例提供的一种基于深度学习算法的海流动力优化预报模型的预报结果可以用于通过地转关系反演得到海区流场的预报结果，该海流动力优化预报模型是一种海表面高度异常场7天预报步长的预报模型，模型的建立原则是综合考虑中尺度旋涡的局地变化和空间变化，具体的，该海流动力优化预报模型的公式为
Figure BDA0002252368760000081
其中，SSHA(x0,y0,t0-Δt)和SSHA(x0,y0,t0-2Δt)为欧拉预报因子，SSHA(x0-dx,y0-dy,t0-Δt)和SSHA(x0-2dx,y0-2dy,t0-2Δt)为拉格朗日预报因子，A1、A2、A3和A4为4个预报因子对应的预报系数，x0和y0为预报点的经纬度坐标，t0为预报时刻，Δt为预报时间步长，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离，SSHA为海表面高度异常场。
进一步的，本发明实施例提供的一种基于深度学习算法的海流动力优化预报模型中利用遗传算法对有关海表面高度异常(SSHA)的算子多项式进行最优筛选：首先随机生成大量有关SSHA算子的多项式，这里的初始算子多项式个数为1000个，每一个算子多项式代表一个可能具有预测能力的动力学模型，测试每一个随机生成的模型的预报能力，选取预测准确率最高(相对误差最小)的前100个模型，利用遗传算法对这100个算子多项式进行杂交，产生下一代1000个新模型，再次选取预测能力最强的前100个模型进行杂交产生下一代，如此不断重复这一过程，直到得到最优的预测模型
Figure BDA0002252368760000091
并且判断最优模型的判据有两条：(1)模型要尽量简单，即算子多项式涉及的运算次数要尽量少；(2)预测精度要尽量高。
本发明实施例提供的基于深度学习算法的海流动力优化预报模型符合中尺度涡旋的局地变化和空间变化规律，筛选出的预测最优化预报因子分别满足欧拉场和拉格朗日场的观点。
具体的，本发明实施例提供的基于深度学习算法的海流动力优化预报模型根据尺度涡旋的局地变化和空间变化，从欧拉场和拉格朗日场的观点出发选取预报点海表面高度异常的最优化预报因子。从欧拉观点出发，预报点海表面高度异常的变化受到该点上一时刻海表面高度异常的影响，选取t0-Δt和t0-2Δt两个时刻预报点的局地海表面高度异常SSHA(x0,y0,t0-Δt)和SSHA(x0,y0,t0-2Δt)作为预报因子，其中，x0和y0为预报点的经纬度坐标，t0为预报时刻，Δt为预报时间步长，在模型建立中预报时间步长选取为7天；从拉格朗日观点出发，预报点海表面高度异常的变化和之前时刻预报点“上游”位置海表面高度异常有关，选取t0-Δt和t0-2Δt时刻预报点“上游”位置点的海表面高度异常值SSHA(x0-dx,y0-dy,t0-Δt)和
SSHA(x0-2dx,y0-2dy,t0-2Δt)作为预报因子，其中，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离。
进一步的，本发明实施例提供的海流动力优化预报模型基于深度学习算法的算子拟合算法和遗传算法筛选出预报模型，通过中尺度涡旋的物理特性明确最优化预报模型和预报因子，其物理意义具体为：预报模型对应着一个动力学上的偏微分方程：
Figure BDA0002252368760000101
该偏微分方程是一个典型的强迫波动方程，方程左侧第一项代表SSHA的局地变化，对应海流动力优化预报模型中右侧的第一项；方程左侧第二项代表中尺度涡的移动，c是其移动速度，对应海流动力优化预报模型中右侧第三项；方程右侧项，代表沿着特征线的源汇项，对应海流动力优化预报模型中右侧第二项与第四项。其物理意义为中尺度以Rossby波第一斜压模的速度移动的同时受到外强迫的作用而发生强度变化，以此决定了SSHA场的变化。
本发明实施例提供的基于深度学习算法的海流动力优化预报模型根据局地的海洋层结和海底地形以及海洋中尺度过程确定一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离dx和dy的数值。通过预报海区各点最大滞后相关系数的位置可以确定各点在t时刻前“上游点”的位置，进而计算得到海区各点在东西向和南北向最可能的位置偏移dx和dy的数值。并且4个预报因子对应的预报系数A1、A2、A3和A4采用最小二乘法根据过往每一天的海表面高度异常时间序列确定。
在运用本发明实施例提供的基于深度学习算法的海流动力优化预报模型进行预报时，首先要确定拉格朗日预报因子中dx和dy的数值，即确定每个预报点Δt时刻前的“上游点”(x0-dx,y0-dy)的位置。“上游点”的位置一方面与局地的海洋层结和海底地形有关，另一方面与海洋中尺度过程，尤其是中尺度涡旋的运动规律有关。在数学上可以将“上游点”定义为在一定的空间范围内一个时间步长前与预报点海表面高度异常值滞后相关最大的点。
示例的，参考图1所示，我们在计算预报区域内各点“上游点”位置时，首先将搜索区域定义为东西坐标(x0-1.5,x0+4.5)、南北坐标(y0-1.5,y0+1.5)的长方形区域，搜索区域内网格点间距为0.1度，因此共计有1891个搜索点。如图1中的黑色五角星所示，分别选取巴士海峡以东的预报点(125E，20N)和大洋内区的预报点(135E，25N)作为示例，计算这两个点与各自搜索区间内搜索点滞后一个时间步长Δt的相关系数。在计算时，选取了1993年-2015年共计23年每天一次的海表面高度异常时间序列，共计8400组数据。
参考图2所示，巴士海峡东部预报点和大洋内区预报点在各自搜索区间内与预报点的滞后相关系数等值线基本呈圆形分布，最大滞后相关系数的所在位置(最大相关位置)位于预报点以东，这一结果与该区域中尺度涡旋自东向西的运动规律有关。其中，巴士海峡东部预报点的最大相关位置位于(x0+0.5,y0)位置，该点的滞后相关系数为0.96；大洋内区预报点的最大相关位置位于(x0+0.4,y0)位置，该点的最大相关系数为0.98。
参考图2所示，由于在本发明实施例的预报范围内(15°N～40°N)，中尺度涡旋的移动速度在2.5cm/s-10cm/s之间，7天累计移动距离约为8.3-33.0海里之间。进而综合考虑计算的准确性和计算效率，在进行全场各点空间系数计算时，可以适当地缩小搜索区间的范围，东西坐标定义为(x0-1,x0+2.5)、南北坐标(y0-1,y0+1)的长方形区域，搜索区域内网格点的宽度为0.1度，共计756个搜索点。据此计算得到预报海区各点最大滞后相关系数的空间分布，计算结果如图3所示。参考图3所示，岛链外海区各预报点的最大滞后相关系数均在0.9以上，岛链内海区各点的最大滞后相关系数相对较小，此次计算结果证明了利用最大滞后相关系数确定“上游点”位置在岛链外是可行的。因此，本发明实施例的海流动力优化预报模型利用最大滞后相关系数确定“上游点”(x0-dx,y0-dy)位置。
本发明实施例的基于深度学习算法的海流动力优化预报模型通过预报海区各点最大滞后相关系数的位置可以确定各点在t时刻前“上游点”的位置，进而计算得到海区各点在东西向和南北向最可能的位置偏移dx和dy的数值，计算结果如图4所示。参考图4所示，图4的计算结果与图2的计算结果相同，因此，表明在岛链外预报点位置偏移的空间分布较为均匀，其中在东西方向上“上游点”基本位于预报点以东，偏移距离由低纬度向高纬度逐渐变小，偏移距离在低纬度(15°)的偏移距离约为0.77°，在高纬度(30°)的偏移距离约为0.22°，这与对于中尺度涡旋移动速度的统计结果基本一致；另一方面，计算结果表明预报点在南北方向上最大相关点的位置偏移基本小于0.1°。因此，本发明实施例的海流动力优化预报模型进行预报时，通过预报海区各点最大滞后相关系数的位置可以确定各点在t时刻前“上游点”的位置，进而计算得到海区各点在东西向和南北向最可能的位置偏移dx和dy的数值的准确度和精度均较高。
示例的，本发明实施例可以再次利用1993年～2015年23年每天一次的海表面高度异常时间序列，共计8400组数据带入公式
Figure BDA0002252368760000131
内，利用最小二乘的方法确定空间上各点A1、A2、A3和A4四个系数的数值。
示例的，利用本发明实施例的一种基于深度学习算法的海流动力优化预报模型对图1中所示的巴士海峡以东的预报点和大洋内区预报点的海表面高度异常数据进行一年的后报检验，计算结果如图5所示。参考图5所示，卫星高度计实测值与动力优化模型的后报结果基本一致，因此，本发明实施例的基于深度学习算法的海流动力优化预报模型的后报结果可以较好地反应海表面高度异常实际的变化趋势。为了定量检验海流动力优化预报模型的预报能力，可以分别计算实测结果和后报结果的平均绝对误差、均方误差，平均相对误差和归一化误差，计算公式如下所示：
平均绝对误差：
Figure BDA0002252368760000132
均方误差：
平均相对误差公式：
Figure BDA0002252368760000134
归一化误差公式：
Figure BDA0002252368760000135
其中，归一化误差既避免最大和最小误差的影响，同时也客观反应了预报误差和观测结果本身变化范围的关系。计算表明，巴士海峡以东预报点平均绝对误差为2.58cm，均方误差为3.36cm，平均相对误差为18.64％，归一化误差为13.57％。大洋内区预报点平均绝对误差为1.18cm，均方误差为1.53cm，平均相对误差为12.43％，归一化误差为8.14％，再次说明了本发明实施例的海流动力优化预报模型的后报结果可以较好地反应海表面高度异常实际的变化趋势。
利用地转公式可以计算得到上述两个预报点后报流速的时间序列。参考图6所示，图6所示为流速实测值和预报值的比对结果，左右两侧分别为巴士海峡以东预报点东西向流速、南北向流速、绝对流速和流向的比对结果。由图6可知，本发明实施例的基于深度学习算法的海流动力优化预报模型后报反演的流速变化趋势和实测结果基本一致。其中，巴士海峡以东预报点东西向流速绝对误差为0.13节，均方误差为0.17节，平均相对误差为31.96％，归一化误差为20.32％，南北向流速绝对误差0.15节，均方误差为0.19节，平均相对误差为39.18％，归一化误差为25.32％，绝对流速绝对误差为0.14节，均方误差为0.17节，平均相对误差为19.33％，归一化误差为30.28％，绝对流速小于0.5节的概率为99.02％，流向绝对误差为20.34°，均方误差为32.73°，平均相对误差为7.34％，流向误差小于45°的概率为89.68；大洋内区预报点东西向流速平均绝对误差为0.06节，均方误差为0.07节，平均相对误差为19.59％，归一化误差为13.03％，南北向流速平均绝对误差0.07节，均方误差为0.09节，平均相对误差为24.42％，归一化误差为15.59％，绝对流速绝对误差0.06节，均方误差为0.08节，平均相对误差为12.74％，归一化误差为20.27％，绝对流速小于0.5节的概率为99.83％。流向平均绝对误差12.59°，均方误差为21.66°，平均相对误差为4.88％，归一化误差为7.41％，流向误差小于45°的概率为95.83。再次表明，本发明实施例的基于深度学习算法的海流动力优化预报模型具有较高的海流动力预报准确性和精度。
利用本发明实施例的基于深度学习算法的海流动力优化预报模型对2015年12月31日岛链外预报区域全场的海表面高度异常和地转流速进行了后报检验，后报检验结果如图7所示。由图7可知，本发明实施例的基于深度学习算法的海流动力优化预报模型预报的海表面高异常场和实测结果基本一致，可以较好地反应岛链外区域涡旋的变化规律。
参考图8和图9所示，本发明实施例的基于深度学习算法的海流动力优化预报模型预报的岛链外海域海表面高度异常平均误差基本小于4cm，平均海表面高度异常误差为2.57cm，海表面高度异常误差大于5cm的概率小于20％；岛链外海域反演绝对流速平均绝对误差基本小于0.15节，平均绝对流速误差为0.10节，绝对流速误差大于0.25节的概率小于20％；岛链外海域反演流向平均绝对误差基本小于45°，平均流向绝对误差为19.67°，流向绝对误差大于45°的概率小于20％。
本发明实施例提供一种基于深度学习算法的海流动力优化预报模型，其综合考虑岛链外海区流场受到海洋中尺度过程控制，利用遗传算法确定最优化预报因子和预报模型，考虑中尺度涡旋的局地变化和空间变化规律，分别从欧拉场和拉格朗日场的观点出发选取预报点海表面高度异常的最优化预报因子，可预报的空间范围为(120°E-145°E，15°N-40°N)，在预报精度上，海表面高度异常预报的平均绝对误差整体小于4cm，绝对误差大于5cm的概率小于20％；绝对流速平均绝对误差小于0.15节，绝对误差大于0.25节的概率小于20％；流向平均绝对误差小于45°，绝对误差大于45°的概率小于20％，也即通过将统计分析预报方法和动力预报方法的结合，提高了海流动力预报的准确性和计算速度，对于海洋中尺度过程的流场预报一方面根据涡旋的物理特性选取恰当的预报因子，另一方面利用统计分析的方法建立适当的预报模型，具有较高的预报准确性。
也即本发明实施例的一种基于深度学习算法的海流动力优化预报模型综合考虑岛链外海区流场受到的海洋中尺度过程控制，利用遗传算法对控制海流的算子多项式进行最优筛选，进而确定最优化预报因子和预报模型，考虑岛链外海区流场主要受到海洋中尺度过程控制，因此需要根据中尺度海洋现象的运动规律确定预报模型和预报因子具有明确的物理意义，模型的最优化预报因子分别符合欧拉场和拉格朗日场的观点。通过将深度学习算法中的算子拟合算法和动力预报方法相结合并利用地转方程反演海流，提高了海流动力预报的准确性和计算速度，对于海洋中尺度过程的流场预报一方面根据深度学习算法的算子拟合算法和遗传算法筛选出模型简单、预测精度高的的预报模型和预报因子，另一方面利用涡旋的物理特性明确预报模型和最优化因子的物理意义，具有较高的预报准确性和可信度。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于深度学习算法的海流动力优化预报模型，其特征在于：所述海流动力优化预报模型的公式为
Figure FDA0002252368750000011
其中，SSHA(x0,y0,t0-Δt)和SSHA(x0,y0,t0-2Δt)为欧拉预报因子，SSHA(x0-dx,y0-dy,t0-Δt)和SSHA(x0-2dx,y0-2dy,t0-2Δt)为拉格朗日预报因子，A1、A2、A3和A4为4个预报因子对应的预报系数，x0和y0为预报点的经纬度坐标，t0为预报时刻，Δt为预报时间步长，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离，SSHA为海表面高度异常场。
2.根据权利要求1所述的海流动力优化预报模型，其特征在于，所述海流动力优化预报模型的预报结果用于通过地转关系反演得到海区流场的预报结果。
3.根据权利要求1所述的海流动力优化预报模型，其特征在于，所述海流动力优化预报模型符合中尺度涡旋的局地变化和空间变化规律，筛选出的预测最优化预报因子分别满足欧拉场和拉格朗日场的观点。
4.根据权利要求3所述的海流动力优化预报模型，其特征在于，所述从欧拉场和拉格朗日场的观点出发选取预报点海表面高度异常的最优化预报因子，具体为：
从欧拉观点出发，预报点海表面高度异常的变化受到该点上一时刻海表面高度异常的影响，选取t0-Δt和t0-2Δt两个时刻预报点的局地海表面高度异常SSHA(x0,y0,t0-Δt)和SSHA(x0,y0,t0-2Δt)作为预报因子，其中，x0和y0为预报点的经纬度坐标，t0为预报时刻，Δt为预报时间步长，在模型建立中预报时间步长选取为7天；
从拉格朗日观点出发，预报点海表面高度异常的变化和之前时刻预报点“上游”位置海表面高度异常有关，选取t0-Δt和t0-2Δt时刻预报点“上游”位置点的海表面高度异常值SSHA(x0-dx,y0-dy,t0-Δt)和SSHA(x0-2dx,y0-2dy,t0-2Δt)作为预报因子，其中，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离。
5.根据权利要求4所述的海流动力优化预报模型，其特征在于，根据局地的海洋层结和海底地形以及海洋中尺度过程确定一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离dx和dy的数值。
6.根据权利要求5所述的海流动力优化预报模型，其特征在于，通过预报海区各点最大滞后相关系数的位置确定各点在t时刻前“上游点”的位置，进而计算得到海区各点在东西向和南北向最可能的位置偏移dx和dy的数值。
7.根据权利要求1或6所述的海流动力优化预报模型，其特征在于，4个预报因子对应的预报系数A1、A2、A3和A4采用最小二乘法根据过往每一天的海表面高度异常时间序列确定。
CN201911039135.8A 2019-10-29 2019-10-29 一种基于深度学习算法的海流动力优化预报方法 Active CN110851790B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911039135.8A CN110851790B (zh) 2019-10-29 2019-10-29 一种基于深度学习算法的海流动力优化预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911039135.8A CN110851790B (zh) 2019-10-29 2019-10-29 一种基于深度学习算法的海流动力优化预报方法

Publications (2)

Publication Number Publication Date
CN110851790A true CN110851790A (zh) 2020-02-28
CN110851790B CN110851790B (zh) 2023-09-22

Family

ID=69598121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911039135.8A Active CN110851790B (zh) 2019-10-29 2019-10-29 一种基于深度学习算法的海流动力优化预报方法

Country Status (1)

Country Link
CN (1) CN110851790B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914431A (zh) * 2020-08-14 2020-11-10 贵州东方世纪科技股份有限公司 一种有资料地区水文模型参数自动率定方法
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
CN113486540A (zh) * 2021-08-20 2021-10-08 天津大学 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法
CN114139437A (zh) * 2021-10-19 2022-03-04 中国海洋大学 一种使用卫星测高数据反演海底地形的方法及系统
CN116244935A (zh) * 2023-02-17 2023-06-09 国家海洋环境预报中心 一种海底压力场构建、应用方法和系统
CN116307853A (zh) * 2023-02-21 2023-06-23 广东海洋大学 一种东南印度洋南赤道流的年际变化规律分析方法
CN111914431B (zh) * 2020-08-14 2024-06-04 贵州东方世纪科技股份有限公司 一种有资料地区水文模型参数自动率定方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060224323A1 (en) * 2005-03-30 2006-10-05 Nanyang Polytechnic Chinese lunar calendar-based tidal prediction system and method thereof
JP2011227877A (ja) * 2010-03-30 2011-11-10 Mitsubishi Space Software Co Ltd 津波被害予想装置及び津波被害予想プログラム及び記録媒体
CN104050514A (zh) * 2014-05-29 2014-09-17 河海大学 一种基于再分析数据的海浪有效波高的长期趋势预测方法
CN104200081A (zh) * 2014-08-22 2014-12-10 清华大学 基于历史数据的登陆台风特征因子的预报方法及系统
CN104732291A (zh) * 2015-03-24 2015-06-24 洪梅 一种基于遗传算法改进最优窗宽理论的西太平洋副热带高压面积指数预测方法
KR20150117971A (ko) * 2014-04-11 2015-10-21 한국해양과학기술원 연안국지 해수순환 및 파랑 예측 방법 및 시스템
CN107748926A (zh) * 2017-09-30 2018-03-02 广东海洋大学 一种南海深海盆中尺度涡预报方法
CN108763160A (zh) * 2018-05-28 2018-11-06 河海大学 基于20cr数据预测海浪有效波高的方法及其装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060224323A1 (en) * 2005-03-30 2006-10-05 Nanyang Polytechnic Chinese lunar calendar-based tidal prediction system and method thereof
JP2011227877A (ja) * 2010-03-30 2011-11-10 Mitsubishi Space Software Co Ltd 津波被害予想装置及び津波被害予想プログラム及び記録媒体
KR20150117971A (ko) * 2014-04-11 2015-10-21 한국해양과학기술원 연안국지 해수순환 및 파랑 예측 방법 및 시스템
CN104050514A (zh) * 2014-05-29 2014-09-17 河海大学 一种基于再分析数据的海浪有效波高的长期趋势预测方法
CN104200081A (zh) * 2014-08-22 2014-12-10 清华大学 基于历史数据的登陆台风特征因子的预报方法及系统
CN104732291A (zh) * 2015-03-24 2015-06-24 洪梅 一种基于遗传算法改进最优窗宽理论的西太平洋副热带高压面积指数预测方法
CN107748926A (zh) * 2017-09-30 2018-03-02 广东海洋大学 一种南海深海盆中尺度涡预报方法
CN108763160A (zh) * 2018-05-28 2018-11-06 河海大学 基于20cr数据预测海浪有效波高的方法及其装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANNE BRAAKMANN-FOLGMANN ET AL: "Sea Level Anomaly Prediction using Recurrent Neural Networks", pages 1 - 4 *
何丹丹等: "基于深度学习的ENSO预报方法研究", vol. 10, no. 10, pages 38 - 47 *
周剑: "南海和印度洋海平面变化特征及其机制研究", no. 3, pages 010 - 27 *
汪杨骏;侯太平;张韧;钱龙霞;王锋;龙强;: "基于动态极值理论和Copula函数的极端海平面高度预测建模", no. 04, pages 62 - 70 *
赵德显;沈桐立;徐海明;: "拉格朗日资料同化的研究进展", no. 03, pages 107 - 113 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111914431A (zh) * 2020-08-14 2020-11-10 贵州东方世纪科技股份有限公司 一种有资料地区水文模型参数自动率定方法
CN111914431B (zh) * 2020-08-14 2024-06-04 贵州东方世纪科技股份有限公司 一种有资料地区水文模型参数自动率定方法
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
CN113486540A (zh) * 2021-08-20 2021-10-08 天津大学 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法
CN113486540B (zh) * 2021-08-20 2022-04-22 天津大学 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法
CN114139437A (zh) * 2021-10-19 2022-03-04 中国海洋大学 一种使用卫星测高数据反演海底地形的方法及系统
CN116244935A (zh) * 2023-02-17 2023-06-09 国家海洋环境预报中心 一种海底压力场构建、应用方法和系统
CN116244935B (zh) * 2023-02-17 2023-09-19 国家海洋环境预报中心 一种海底压力场构建、应用方法和系统
CN116307853A (zh) * 2023-02-21 2023-06-23 广东海洋大学 一种东南印度洋南赤道流的年际变化规律分析方法
CN116307853B (zh) * 2023-02-21 2024-03-22 广东海洋大学 一种东南印度洋南赤道流的年际变化规律分析方法

Also Published As

Publication number Publication date
CN110851790B (zh) 2023-09-22

Similar Documents

Publication Publication Date Title
CN110851790A (zh) 一种基于深度学习算法的海流动力优化预报模型
US11423785B2 (en) Multi satellite detection and tracking of moving objects
Desouky et al. Wave prediction using wave rider position measurements and NARX network in wave energy conversion
Marmain et al. Assimilation of HF radar surface currents to optimize forcing in the northwestern Mediterranean Sea
CN109100717B (zh) 一种多源微波遥感海面风场数据融合方法及其装置
JP5723362B2 (ja) 日射強度予測システムと太陽光発電出力予測システム
Isern-Fontanet et al. Remote sensing of ocean surface currents: A review of what is being observed and what is being assimilated
US11725625B2 (en) Distributed reinforcement learning and consensus control of energy systems
CN103718129A (zh) 用于确定由光伏设备输出的功率的方法和装置
Sánchez et al. Wave resource characterization through in-situ measurement followed by artificial neural networks' modeling
Suparta et al. Modeling of zenith path delay over Antarctica using an adaptive neuro fuzzy inference system technique
CN112598113A (zh) 一种基于自组织竞争型神经网络的海洋声速剖面获取方法
Ailliot et al. Space–time models for moving fields with an application to significant wave height fields
Zhou et al. Time series prediction methods for depth-averaged current velocities of underwater gliders
CN104933291A (zh) 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
Andersson et al. An estimation-forecast set-up for iceberg drift prediction
Makarynskyy et al. Wave prediction and data supplementation with artificial neural networks
CN113627096B (zh) 一种基于空间相关性和监测数据的精细风场模拟方法
Liu et al. Double layer weighted unscented Kalman underwater target tracking algorithm based on sound speed profile
Drisya et al. Deterministic prediction of surface wind speed variations
Verma et al. Comparison of geostatistical and deterministic interpolation to derive climatic surfaces for mountain ecosystem
JP7238972B2 (ja) 位置推定装置、位置推定方法及びプログラム
Ly et al. Spatial interpolation of daily rainfall at catchment scale: a case study of the Ourthe and Ambleve catchments, Belgium
CN113933915A (zh) 一种基于时空扰动信息交互集成嵌套的短临外推预报方法
Yin et al. A variable multidimensional fuzzy model and its application to online tidal level prediction

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