CN112115598A - 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 - Google Patents
一种面向海上漂移轨迹预测的数据与模型耦合分析方法 Download PDFInfo
- Publication number
- CN112115598A CN112115598A CN202010941034.6A CN202010941034A CN112115598A CN 112115598 A CN112115598 A CN 112115598A CN 202010941034 A CN202010941034 A CN 202010941034A CN 112115598 A CN112115598 A CN 112115598A
- Authority
- CN
- China
- Prior art keywords
- drift
- data
- prediction
- time
- environment data
- 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
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 57
- 230000008878 coupling Effects 0.000 title claims abstract description 30
- 238000010168 coupling process Methods 0.000 title claims abstract description 30
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000007619 statistical method Methods 0.000 claims abstract description 12
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000002360 preparation method Methods 0.000 claims abstract description 4
- 238000000926 separation method Methods 0.000 claims description 55
- 208000034699 Vitreous floaters Diseases 0.000 claims description 26
- 238000011160 research Methods 0.000 claims description 21
- 239000002245 particle Substances 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000002474 experimental method Methods 0.000 claims description 14
- 238000013499 data model Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000007667 floating Methods 0.000 claims description 5
- 230000003321 amplification Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012950 reanalysis Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000010206 sensitivity analysis Methods 0.000 abstract 1
- 239000004576 sand Substances 0.000 description 13
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010835 comparative analysis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012418 validation experiment Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种面向海上漂移轨迹预测的数据与模型耦合分析方法，步骤包括：实测漂移轨迹数据收集与海洋环境数据准备、漂移轨迹预测数值模拟实验、不同海洋环境数据集时空分析、多维度漂移轨迹预测精度评价、精度评价结果统计分析、基于预测轨迹与实测轨迹的FSLE分析、多因素敏感度分析和环境数据与预测模型在区域的适用性评估。本发明提升了漂移轨迹预测中环境数据与物理模型耦合分析评价能力，有助于推动不同模式数据在漂移轨迹预测领域的应用并指导进一步区域数据精化工作。本发明提出了分析评价方法可以较为全面的验证相关预测模式在区域的真实表现，有助于提升轨迹预测的整体可靠性。
Description
技术领域
本发明涉及一种面向海上漂移轨迹预测的数据与模型耦合分析方法。该方法通过一种全要素分析框架，对于多源海洋环境数据与多种漂移轨迹预测物理模型耦合形成的预测模式进行分析评价，以确定可应用于不同海域的无动力漂浮物漂移轨迹可靠预测模式，同时检验环境数据与预测模型耦合结果的应用潜力。
背景技术
近年来，我国在南海地区开展了一系列岛礁建设开发、海上业务化运营与南海地区海洋科学研究等相关工作(Cheng et al.2019)。在此背景下，对于适用于南海地区的无动力漂浮物海上漂移轨迹预测模式的实际需求不断增加。在海洋业务化运营方面，无动力漂浮物海上漂移轨迹预测是海上搜救工作的重要基础支撑技术(Breivik et al.2013)。根据漂移轨迹预测结果分析搜救场景、制定搜救计划对提升海上搜救的成功率具有重要帮助。同时，通过海上漂浮物漂移轨迹预测的研究，可以针对不同地区漂移特点，合理部署南海地区搜救力量、整合资源、优化调配。在南海地区海洋科学研究方面，区域海洋环流系统研究(Lehahn et al.2018)、海洋表面中小尺度物理现象研究(Dehghani et al.2018)、鱼卵漂移分析(Paris et al.2013)、海洋塑料块漂移路径及影响(Gutow et al.2018)等研究都可以归结为不同无动力漂浮物的海上漂移轨迹预测问题。
为构建适用于南海地区的无动力漂浮物漂移轨迹预测模式，本发明提出一种全要素分析框架，它顾及了海上漂移轨迹预测过程中三个重要的组成部分：海洋环境的表征、漂移物体属性与预测模型机理。海洋环境的表征与漂移物体的属性两个部分综合考虑了自然环境与客观物体两个研究主体，预测模型机理部分则包含流体动力学相关物理模型与以概率统计为基础的不确定性建模。
海洋环境的表征是预测物体海上漂移轨迹的重要前提。海洋环境的表征需要考虑两个重要问题，首先是在模型中考虑哪些海洋环境因素。海洋环境数据的取舍问题由数据驱动，当相关海洋环境因素可以被实际的测量或间接反演出可行性数值时，相关因素才可以被考虑进入轨迹预测模型中。若在数据本身合理性欠缺或准确性较差的情况下强行将相关因素纳入模型，将会给模型带来难以预料的扰动。从理论上讲，需要考虑的海洋环境因素主要包含海上风、海流、海浪、柯氏力四个部分。柯氏力一般在长时间序列的轨迹预测中引入。除了海洋环境因素的取舍，海洋环境数据源的选择尤为关键。常用的海洋环境数据主要来自于数值模型模拟数据，考虑到近年来海洋环境数据获取研究进展，一些源自遥感卫星反演、现场测量、同化数据模型等不同源的环境数据也逐渐具有了相当的应用潜力。不同的漂移物体具有不同的外形轮廓、尺寸及质量。当漂移物体在海上漂浮时，外形轮廓影响着海风对其的强迫力大小，漂移物体面向风向的轮廓若不对称，风强迫力将使漂移物体的风致漂移速度与下风向呈一个夹角。不同尺寸及质量的漂移物体将导致其在海面上漂移的沉浸比有所不同，不同沉浸比将会影响物体的漂移速度与风致漂移速度方向的改变。漂移物体的属性量化主要依据物理模型的构建。
本发明面向海上漂移轨迹预测实际应用需求，研究了多源环境数据与预测模型耦合分析方法。通过一种全要素分析框架，对于不同数据-模型耦合模式进行分析评价，确定目标海域无动力漂浮物漂移轨迹可靠预测模式，同时检验多源环境数据下数据-模型耦合结果的应用效果。
发明内容
本发明要解决的技术问题是：针对特定海域无动力漂浮物海上漂移轨迹预测可靠预测模式不明确，轨迹预测结果不确定性未系统化分析，多要素多源海洋环境数据的可应用性未得到验证，提供了一种顾及海洋环境的表征、漂移物体属性与预测模型机理的全要素分析框架，系统化不同因素对于轨迹预测结果的影响，从而确定可应用于目标海域的无动力漂浮物漂移轨迹可靠预测模式，同时检验多源环境数据与多物理模型在目标海域的真实应用表现。
为了解决以上技术问题，本发明提供的一种面向海上漂移轨迹预测的环境数据与预测模型耦合分析的全要素分析框架，包括以下步骤：
步骤1、轨迹数据收集与海洋环境数据准备——根据实际研究区域或业务化运行区域范围收集指定时间区域内不同漂浮物的实测轨迹数据，常用的实测轨迹类型包括假人模型、救生筏、小艇自由无动力漂移轨迹与SVP浮标。若研究范围过大，原则上应根据实际地理特点将研究区划分为若干子区域以进行数据模型耦合分析。同时收集研究区范围内可用的海洋环境数据集，包括海流环境数据集、海风环境数据集与海浪模拟数据集。
步骤2、轨迹数据预处理——对收集到的轨迹数据进行数据预处理，预处理工作包含：栅格数据矢量化、数据异常值检查、数据缺失值填充、判断数据信息有效性与进行数据集格式转换操作等。
步骤3、漂移轨迹预测数值模拟实验——将指定时间区分割为若干时间子区间，针对每个时间子区间，选定时间子区间起始时刻的漂浮物坐标为漂移轨迹预测的起始点，使用不同海洋环境数据集的组合分别驱动漂移轨迹预测物理模型，预测物理模型包含Lagrangian粒子模型和Leeway模型，实现对漂浮物漂移轨迹的预测，得到各时间子区间内不同海洋环境数据集组合下的两种模型的漂移轨迹预测结果。
Lagrangian粒子分析运动学方程为：
Vdrifter＝Vcurrent+α*Vwind+[Vothers]
式中，Vdrifter是预测的漂浮物速度，Vcurrent是海流流速，Vwind是海风风速，Vothers为其他环境影响因素的表征速度，如表征海浪的Stokes漂移速度。符号[]表示为可选项，当不考虑其他因素时，即记为0。α为风致漂移因子，取值范围为0-5％。
Leeway模型运动学方程为：
vdrifter＝vcurrent+vleeway
式中，vleeway是漂浮物的leeway速度(见文献Allen A,1999)，
Leeway系数参考SAROPS中的经验系数表(见文献Allen A,2005)。
步骤4、不同海洋环境数据集时空分析——时时空分析包含两个部分，第一是不同环境数据集的时空变化，第二部分是同一时间点下不同海洋环境数据集的空间分布模式对比分析；通过本步骤的时空分析验证漂移轨迹预测实验的正确性，同时进一步分析海洋环境数据集对漂移轨迹预测影响的主导因素，分析的主导因素包含：海流环流模式、海洋环境数据时空分辨率。
步骤5、漂移轨迹预测精度评价——本发明用于评价漂移轨迹预测精度的指标有累积分离距离、归一化累积分离距离(NCSD)、累积分离距离时空分布(SDPSD)、第二型有限尺度的李雅普诺夫指数(FSLE-II，见文献Lacorata G et al.,2014)与分离距离增长速度(GAMMA-II)。
(1)累积分离距离时空分布(SDPSD)计算公式为：
式中，SeparationMatrix为预测分离矩阵；t为轨迹预测过程中相应时刻的序号，T为时间子区间内的时刻数量，本发明轨迹预测过程中，每小时输出模拟漂浮物的预测空间位置坐标，则t为步长为1小时的时间序列，T为时间子区间内的小时数；i为模拟粒子的序号，N为模拟粒子的数量；
为第t时刻时，第i个模拟粒子的空间位置向量；
为第t时刻时，漂浮物的真实空间位置向量；T×N代表该指标的表现方式是一个T行N列的矩阵；SMG为粒子团重心点分离矩阵；
为第t时刻时，模拟粒子团的重心点空间位置向量；T×1代表该指标的表现方式是一个T行1列的矩阵。
(2)归一化累积分离距离(NCSD)计算公式(见文献Liu Y and Weisberg RH,2014)为：
式中，Dt为实际漂浮物在第t-1到第t的时间范围内漂移的实际距离；dt为第t时刻时，实际漂浮物与模拟粒子之间的距离；
为第t时刻，实际漂浮物的漂移总距离；SS为Skill score，该指标由NCSD得出，使得预测结果越好，SS值越大。
(3)第二型有限尺度的李雅普诺夫指数(Finite-Scale Lyapunov Exponent ofthe second kind,FSLE-II)计算公式(见文献Lacorata G et al.,2014)为：
式中，λ(δ)为当分离尺度为δ时，对应预测模式下的FSLE-II取值；ρ为放大系数，标准取值为
τ(δ)为实际轨迹与模拟轨迹之间的分离距离从δ增长到ρδ所需要的时间；<.>为平均算子。
(4)分离距离增长速度(GAMMA-II)计算公式为(Lacorata G et al.,2019)：
γ(δ)＝(ρ-1)δ*λ(δ)/ln(ρ)
此外，根据GAMMA-II，可以估计早期误差增加速度(early error growth speed)；
式中，λ(δ)为当分离尺度为δ时，对应预测模式下的FSLE-II取值；γ(δ)为当分离尺度为δ时，对应预测模式下的GAMMA-II取值；ρ为放大系数，标准取值为
步骤6、利用精度评价结果进行统计分析与FSLE分析——基于步骤5的漂移轨迹预测的精度评价结果，进行统计分析与FSLE分析。统计分析包括不同海流环境数据、不同海风环境数据、不同物理模型下的统计指标的分布情况；FSLE分析则包含针对不同海洋环境数据集组合、不同漂移轨迹预测物理模型下的FSLE-II与分离尺度之间的关系、以及早期误差增长速度的估计值。
步骤7、总结得出不同环境数据集在区域的漂移预测性能、环境数据与模型耦合表现与区域适合环境数据与模型组合——根据预测得出的轨迹与实际轨迹、累积分离距离(CSD)、归一化累积分离距离(NCSD)、累积分离距离时空分布(SDPSD)的统计分析结果、FSLE-II的分析结果、估计的早期分离距离增长速度等结果，总结评价不同环境数据集在区域的漂移预测性能、环境数据与模型耦合表现与适应研究区域的环境数据与模型组合。
本发明还具有以下进一步的特征：
1、步骤1中，所选择的海洋环境数据集(模型)的基准时空分辨率分别为：时间分辨率为每天平均，空间分辨率为0.25°，深度分辨率不作要求。深度覆盖包含表面层(surface)或subsurface层。供参照的海风数据集包括：NCEP数据集、ERA5再分析数据集、IFREMER数据集中的一种或几种；海流数据集包括：CMEMS数据集、CMEMS-R数据集、GlobCurrent数据集的一种或几种；海浪的表征数据集Stokes漂移数据集来自于数值模型模拟，选用MFWAM数据集。其他数据集的选择可以以上述数据集的数据来源、时间分辨率、空间分辨率、数据预测情况为基准确定。
2、步骤2中，Lagrangian粒子模型中风致漂移因子取值在0-0.4范围内，当漂浮物为假人模型时，风致漂移因子在0-2.5％内呈正态分布；当漂移物为救生筏时，风致漂移因子在0-4％内呈正态分布；当漂移物为无锚SVP浮标时，风致漂移因子在0-5％内呈正态分布；当漂移物为有锚SVP浮标时，风致漂移因子取值为0或在0-1％范围内呈正态分布。
3、步骤4中，同一时间点下不同海洋环境数据集的空间分布模式对比分析主要包含：海流环流模式对比、平均流速对比与数据异常值分析。
4、步骤5中，利用当δ<0.5km时的GAMMA-II取值，去估计早期分离距离增长速度。
本发明的有效效益如下：
(1)本发明基于一种全要素分析框架，综合考虑了不同漂浮物类型、不同海洋环境因素、不同环境数据集与不同物理模型。在基于模拟实验预测漂移轨迹上，利用统计分析与FSLE分析进行了轨迹预测精度评价。
(2)本发明中评价结果在常用的累积分离距离指标基础上，还针对各个时间段进行了不同时间点的累积分离距离空间分布。鉴于归一化累积分离距离具有时延性，还引入了FSLE-II进行了与时间无关的FSLE分析，探究了漂移轨迹与预测轨迹之间的相对分散规律。
(3)本发明有助于提升相应网格化强迫场数据集在海洋实际业务化应用中的表现。通过相关验证实验，可以证明本发明具备较好的应用效果，可以在一定程度上验证相关数据在区域的真实表现，有助于提升轨迹预测的整体可靠性，提高了海流强迫场数据的实际应用性。
(4)本发明具有成本较低、时效性较好的特点，可以通过在若干地理同质区中构建模型，从而在广域空间尺度上建立一个长效的环境数据与物理模型耦合分析评价系统。
附图说明
下面结合附图对本发明作进一步的说明。
图1为本发明环境数据与物理模型耦合分析方法的总体流程图。
图2为本发明实施例相关SVP浮标轨迹预处理结果示意图。
图3为本发明实施例中SVP浮标预测轨迹与实测轨迹对比图。
图4为本发明实施例中不同风场数据集的流速在不同区域的时空变化图。
图5为本发明实施例中同一时间下不同海流环境数据的空间分布对比图。
图6为本发明实施例中FSLE分析结果图。
图7为本发明在中沙群岛地区的验证案例结果图。
具体实施方式
下面根据附图详细阐述本发明，使本发明的技术路线和操作步骤更加清晰。
本实施例选择在中国南海地区。南海地区是我国重要的海洋领土，近年来，我国在南海地区开展了一系列岛礁建设开发、海上业务化运营与南海地区海洋科学研究等相关工作。在此背景下，为驱动适用于南海地区的无动力漂浮物海上漂移轨迹预测模式不断发展，对于覆盖该地区的海洋环境数据与物理模型耦合分析至关重要。以SVP浮标为例，共获取南海地区2017年-2018年全球漂移浮标数据(共11520个时空数据点)，经过数据预处理，得到南海地区有效时空数据点8813个。
本实施例以该实验区为例进行说明一种面向海上漂移轨迹预测的数据与模型耦合分析方法，如图1流程图所示，具体包括以下步骤：
第一步、轨迹数据收集与海洋环境数据准备——利用本文收集的全球漂移浮标数据，根据地理学第一定律，选取本实施例中的一个子区域进行进一步模型建立实验，实施区域位于南海的东北部，具体为东沙群岛。这个实施区中的全球浮标漂移数据量为3054个时空数据点。进一步收集了CMEMS海流强迫场数据、GlobCurrent海流强迫场数据集、ERA5海风强迫场数据集、全球分析浪数据_001_027海浪数据集(以Stokes drift速度表征)。
第二步、轨迹数据预处理——在此部分，将GDP数据集中其他海洋环境指标(如化学成分、海温等)去除。通过探索性空间数据分析，判断轨迹数据的信息有效性，剔除一些无效数据点。最后将进行数据集的格式转换，转换工作在Python中完成，处理后的SVP轨迹如图2所示。
第三步、漂移轨迹预测数值模拟实验——基于SVP浮标数据，将每24小时的轨迹分割为一个实验段，利用Lagrangian粒子分析模型进行漂移轨迹预测模拟实验。SVP浮标的风致漂移因子设定为0，或在0-0.01范围内呈正态分布，每次实验中的模拟粒子为2000个，模拟实验中求解的运动方程的时间间隔为10mins，用于后续数据分析的空间点输出步长为1小时。如图3所示，在东沙群岛附近进行了240h漂移轨迹预测。图中的漂移预测案例中，(a)(b)中风致漂移因子设定为0，即不考虑风的影响因素，(c)(d)中风致漂移因子设定为0-0.01，即考虑较小的风的影响(Lumpkin R et al.,2017)。
第四步、不同海洋环境数据集时空分析——图4为在东沙群岛地区不同海风环境数据集沿SVP轨迹的时空变化趋势结果。图5为同一时间点下东沙群岛地区CMEMS与GlobCurrent两个不同海流环境数据集的空间分布模式对比分析。其中，a-1与b-1，a-2与b-2相对应，属于同一空间范围。通过这两处流场空间分布的不同可以看出，在同一试验区，CMEMS与GlobCurrent所表征的海流模式是完全不同的。这导致了在两组数据驱动下的模拟轨迹方向完全相反，而SVP轨迹则证明了后者的流场模式是更加贴近于实际流场的。
第五步、漂移轨迹预测精度评价之统计分析——表1为东沙群岛试验区，漂移轨迹预测精度评价结果(所对应的实验中，风致漂移因子被设定为0)。表中列出了的指标为相应统计指标，包含24小时累积分离距离、归一化累积分离距离(NCSD)以及相应的Skill得分。由此结果可以看出，除了第2段实验之外，使用GlobCurrent模拟的轨迹与真实的漂移轨迹总体来讲是一致的。10次试验的SS平均值为0.52，24小时累积分离距离的平均值为23.07km。相反，CMEMS驱动下的轨迹比GlobCurrent强迫下的轨迹差(平均SS为0.17，平均24小时累积分离距离为54.61km)。
表1 CMEMS与GlobCurrent在东沙群岛试验区的漂移轨迹预测实验精度评价结果。所用指标为统计指标，包含累积分离距离与归一化累积分离距离。在该表所对应的实验中，风致漂移因子被设定为0。
第六步、利用精度评价结果进行FSLE分析——如图6所示，基于东沙群岛试验区大量漂移预测轨迹案例，利用FSLE-II指标，分析了模拟轨迹与实测轨迹之间分离距离的增长率。～3×10a个轨迹对被识别出来，总体上看，λ(δ)～vδ-1。标度指数(-1)对应于ballisticor shear dispersion，这意味着模拟和实际轨迹之间的分离距离以均匀线性方式增加，平均分离速度为v。利用δ<0.5km的FSLE-II估计早期分离距离增长速度，得出在东沙群岛地区，CMEMS的早期分离距离增长速度约为0.37m/s，GlobCurrent的早期分离距离增长速度约为0.22m/s。
第七步、总结得出不同环境数据集在区域的漂移预测性能、环境数据与模型耦合表现与区域适合环境数据与模型组合——根据模拟预测实验结果、统计分析结果与FSLE分析结果，可以得出：对于东沙群岛地区的24小时轨迹预测，GlobCurrent的整体性能优于CMEMS。支持这种较好的轨迹预测结果主要是GlobCurrent表征的海流模式，它更接近实际的海流强迫场。根据数值模拟试验结果和不同风场的时空分析，三种风场数据源之间没有明显的性能差距，可以应用于东沙群岛周围海域。
验证实施例：
下面为验证本发明方法可靠性，继续以该实例进行说明。为验证本发明建立的面向海上漂移轨迹预测的数据与模型耦合分析方法在南海实验区的适用性，本发明在中沙群岛海域对2018年7月的SVP浮标进行漂移轨迹预测验证实验。验证实验使用GlobCurrent海流强迫场数据集，物理模型采用Lagrangian粒子分析模型。对照组为CMEMS海流强迫场数据集。
图7为实验区2018年7月漂移轨迹预测验证实验结果。在中沙群岛验证实验的30段预测实验中，由GlobCurrent驱动的预测轨迹的平均SS为0.49，平均24小时累积分离距离为11.35km，对应的CMEMS的表现为平均SS为0.46，平均24小时累积分离距离为12.74km。总体上有60％的漂移案例中，GlobCurrent的预测能力优于CMEMS。这与本发明基于东沙群岛实验区建立的环境数据与预测模型耦合分析评价结果相同。印证了本发明评价分析框架的有效性与适用性。由于中沙群岛与东沙群岛存在较大的地理差异，在东沙群岛中，CMEMS与GlobCurrent两个数据集间较大的差异，在中沙群岛试验区有所缓和。
除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。
Claims (9)
1.一种面向海上漂移轨迹预测的数据与模型耦合分析方法,包括以下步骤：
步骤1、轨迹数据收集与海洋环境数据准备——收集研究区域收集指定时间区域内漂浮物的实测轨迹数据，所述漂浮物为假人模型、救生筏、小艇自由无动力漂移轨迹或SVP浮标中的一种或数种；收集研究区范围内可用的海洋环境数据集，包括海流环境数据集、海风环境数据集与海浪模拟数据集；
步骤2、轨迹数据预处理——对收集到的轨迹数据进行数据预处理，预处理工作包含：栅格数据矢量化、数据异常值检查、数据缺失值填充、判断数据信息有效性和数据集格式转换操作；
步骤3、漂移轨迹预测——将指定时间区分割为若干时间子区间，针对每个时间子区间，选定时间子区间起始时刻的漂浮物坐标为漂移轨迹预测的起始点，使用不同海洋环境数据集的组合分别驱动漂移轨迹预测物理模型，预测物理模型包含Lagrangian粒子模型和Leeway模型，实现对漂浮物漂移轨迹的预测，得到各时间子区间内不同海洋环境数据集组合下的两种模型的漂移轨迹预测结果；
步骤4、不同海洋环境数据集时空分析——时空分析包含两个部分，第一是不同环境数据集的时空变化，第二部分是同一时间点下不同海洋环境数据集的空间分布模式对比分析；通过本步骤的时空分析验证漂移轨迹预测实验的正确性，同时进一步分析海洋环境数据集对漂移轨迹预测影响的主导因素，分析的主导因素包含：海流环流模式、海洋环境数据时空分辨率；
步骤5、漂移轨迹预测精度评价——分别使用累积分离距离、归一化累积分离距离、累积分离距离时空分布、II型有限尺度的李雅普诺夫指数和分离距离增长速度,对预测的步骤4获得的所有漂移轨迹预测结果进行精度评价；
步骤6、利用精度评价结果进行统计分析与FSLE分析——基于步骤5的漂移轨迹预测的精度评价结果，进行统计分析与FSLE分析，统计分析包括不同海洋环境数据集组合、不同漂移轨迹预测物理模型下的统计指标的分布情况；FSLE分析包含针对不同海洋环境数据集组合、不同漂移轨迹预测物理模型下的FSLE-II与分离尺度之间的关系、以及早期误差增长速度的估计值；
步骤7、总结得出研究区优选的环境数据集和轨迹预测物理模型——根据在研究区域不同环境数据集组合驱动同一种漂移轨迹预测物理模型的漂移预测性能、不同环境数据组合与漂移轨迹预测物理模型耦合表现，确定适应研究区域的环境数据集和漂移轨迹预测物理模型。
2.根据权利要求1所述面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤1中，海风数据集包括：NCEP数据集、ERA5再分析数据集、IFREMER数据集中的一种或几种；海流数据集包括：CMEMS数据集、CMEMS-R数据集、GlobCurrent数据集的一种或几种；海浪数据集选用：MFWAM数据集。
3.根据权利要求1所述面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤3中，轨迹预测过程中求解的运动方程的时间间隔为10分钟，输出预测过程中时间间隔每1小时漂浮物的预测空间位置坐标和对应的海洋环境数据值用于进一步的数据分析。
4.根据权利要求1所述面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤3中，
Lagrangian粒子模型为：
Vdrifter＝Vcurrent+α*Vwind+[Vothers]
式中，Vdrifter是预测的漂浮物速度，Vcurrent是海流流速，Vwind是海风风速，Vothers为其他环境影响因素的表征速度，如表征海浪的Stokes漂移速度；符号[]表示为可选项，当不考虑其他因素时，即记为0；α为风致漂移因子，取值范围为0-5％；
Leeway模型为：
Vdrifter＝Vcurrent+vleeway
式中，vleeway是漂浮物的leeway速度。
5.根据权利要求4所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：当漂浮物为假人模型时，风致漂移因子在0-2.5％内呈正态分布；当漂移物为救生筏时，风致漂移因子在0-4％内呈正态分布；当漂移物为无锚SVP浮标时，风致漂移因子在0-5％内呈正态分布；当漂移物为有锚SVP浮标时，风致漂移因子取值为0或在0-1％范围内呈正态分布。
6.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：不同环境数据集的时空变化采用沿实际漂移轨迹提取不同环境数据集组成时间序列进行相似度分析；同一时间点下不同海洋环境数据集的空间分布模式对比分析则采用提取相同空间范围下不同环境数据，在空间插值的基础上，比较不同数据集所表征的环流模式。
7.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：在步骤5中，各统计指标和FSLE-II指标的计算按照以下公式得出：
(1)累积分离距离时空分布计算公式为：
式中，SeparationMatrix为预测分离矩阵；t为轨迹预测过程中相应时刻的序号，T为时间子区间内的时刻数量；i为模拟粒子的序号，N为模拟粒子的数量；
为第t时刻时，第i个模拟粒子的空间位置向量；
为第t时刻时，漂浮物的真实空间位置向量；T×N代表该指标的表现方式是一个T行N列的矩阵；SMG为粒子团重心点分离矩阵；
为第t时刻时，模拟粒子团的重心点空间位置向量；T×1代表该指标的表现方式是一个T行1列的矩阵；
(2)归一化累积分离距离计算公式为：
式中，Dt为实际漂浮物在第t-1到第t的时间范围内漂移的实际距离；dt为第t时刻时，实际漂浮物与模拟粒子之间的距离；
为第t时刻，实际漂浮物的漂移总距离；SS为Skillscore，该指标由NCSD得出，使得预测结果越好，SS值越大；
(3)第二型有限尺度的李雅普诺夫指数计算公式为：
式中，λ(δ)为当分离尺度为δ时，对应预测模式下的FSLE-II取值；ρ为放大系数，标准取值为
τ(δ)为实际轨迹与模拟轨迹之间的分离距离从δ增长到ρδ所需要的时间；<.>为平均算子；
(4)分离距离增长速度计算公式为：
γ(δ)＝(ρ-1)δ*λ(δ)/ln(ρ)
式中，λ(δ)为当分离尺度为δ时，对应预测模式下的FSLE-II取值；γ(δ)为当分离尺度为δ时，对应预测模式下的GAMMA-II取值；ρ为放大系数，标准取值为
8.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤6中，在计算分离距离增长速度的基础上，采用δ<0.5km的GAMMA-II来估计早期误差增加速度。
9.根据权利要求1所述的面向海上漂移轨迹预测的数据与模型耦合分析方法，其特征在于：步骤8中，根据预测得出的漂浮物轨迹与实际漂浮物轨迹、累积分离距离、归一化累积分离距离、累积分离距离时空分布的统计分析结果、FSLE-II的分析结果、估计的早期分离距离增长速度结果，总结评价不同环境数据集在区域的漂移预测性能，从而得到适应研究区域的环境数据集和漂移轨迹预测物理模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010941034.6A CN112115598B (zh) | 2020-09-09 | 2020-09-09 | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010941034.6A CN112115598B (zh) | 2020-09-09 | 2020-09-09 | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112115598A true CN112115598A (zh) | 2020-12-22 |
| CN112115598B CN112115598B (zh) | 2024-05-14 |
Family
ID=73803371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010941034.6A Active CN112115598B (zh) | 2020-09-09 | 2020-09-09 | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112115598B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032731A (zh) * | 2021-03-19 | 2021-06-25 | 交通运输部东海航海保障中心厦门航标处 | 一种灯浮标偏移概率密度计算方法及系统 |
| CN113887058A (zh) * | 2021-10-13 | 2022-01-04 | 北京航空航天大学 | 一种考虑距海岸线距离和风速影响的氯离子沉积率预测方法 |
| CN113888380A (zh) * | 2021-08-31 | 2022-01-04 | 雾实(福建)科技有限公司 | 一种人员落水轨迹预测方法、装置、设备和介质 |
| CN114676600A (zh) * | 2022-05-27 | 2022-06-28 | 中交第四航务工程勘察设计院有限公司 | 全球波浪数学模型中边界处波浪的联通方法和装置 |
| CN116151487A (zh) * | 2023-04-19 | 2023-05-23 | 中国石油大学(华东) | 预测海面溢油轨迹的物理知识与数据混合驱动的预测算法 |
| CN116205152A (zh) * | 2022-12-12 | 2023-06-02 | 中广核风电有限公司 | 一种海上漂浮式风机的数值模拟方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106768837A (zh) * | 2016-12-08 | 2017-05-31 | 国家海洋局北海预报中心 | 落水人员海上漂移轨迹预测方法 |
| CN108182320A (zh) * | 2017-12-28 | 2018-06-19 | 武汉理工大学 | 面向内河航道的自由漂移物体搁浅概率分布计算方法 |
| CN108805350A (zh) * | 2018-06-06 | 2018-11-13 | 牟林 | 基于多维蒙特卡洛理论的搜救范围预测方法 |
| CN108875185A (zh) * | 2018-06-06 | 2018-11-23 | 牟林 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
| CN109886499A (zh) * | 2019-03-04 | 2019-06-14 | 中国地质大学（武汉） | 一种考虑反馈信息的海上遇险目标漂移集合预测方法 |
| CN111159924A (zh) * | 2020-04-02 | 2020-05-15 | 上海彩虹鱼海洋科技股份有限公司 | 用于预测漂移轨迹的方法和装置 |
-
2020
- 2020-09-09 CN CN202010941034.6A patent/CN112115598B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106768837A (zh) * | 2016-12-08 | 2017-05-31 | 国家海洋局北海预报中心 | 落水人员海上漂移轨迹预测方法 |
| CN108182320A (zh) * | 2017-12-28 | 2018-06-19 | 武汉理工大学 | 面向内河航道的自由漂移物体搁浅概率分布计算方法 |
| CN108805350A (zh) * | 2018-06-06 | 2018-11-13 | 牟林 | 基于多维蒙特卡洛理论的搜救范围预测方法 |
| CN108875185A (zh) * | 2018-06-06 | 2018-11-23 | 牟林 | 一种基于多源数据建立海上遇险目标风漂模型的方法 |
| CN109886499A (zh) * | 2019-03-04 | 2019-06-14 | 中国地质大学（武汉） | 一种考虑反馈信息的海上遇险目标漂移集合预测方法 |
| CN111159924A (zh) * | 2020-04-02 | 2020-05-15 | 上海彩虹鱼海洋科技股份有限公司 | 用于预测漂移轨迹的方法和装置 |
Non-Patent Citations (3)
| Title |
|---|
| XUEDONG ZHANG 等: "Evaluation of multi-source forcing datasets for drift trajectory prediction using Lagrangian models in the South China Sea", 《APPLIED OCEAN RESEARCH》, vol. 104, pages 102395 * |
| 袁理 等: "海上浮标漂移轨迹预测分析系统研究", 《航海》, no. 3, pages 24 - 28 * |
| 郭民权 等: "平潭近岸海域浮子漂移轨迹及其数值模拟", 《应用海洋学学报》, vol. 33, no. 4, pages 449 - 454 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113032731A (zh) * | 2021-03-19 | 2021-06-25 | 交通运输部东海航海保障中心厦门航标处 | 一种灯浮标偏移概率密度计算方法及系统 |
| CN113888380A (zh) * | 2021-08-31 | 2022-01-04 | 雾实(福建)科技有限公司 | 一种人员落水轨迹预测方法、装置、设备和介质 |
| CN113887058A (zh) * | 2021-10-13 | 2022-01-04 | 北京航空航天大学 | 一种考虑距海岸线距离和风速影响的氯离子沉积率预测方法 |
| CN113887058B (zh) * | 2021-10-13 | 2023-05-16 | 北京航空航天大学 | 一种考虑距海岸线距离和风速影响的氯离子沉积率预测方法 |
| CN114676600A (zh) * | 2022-05-27 | 2022-06-28 | 中交第四航务工程勘察设计院有限公司 | 全球波浪数学模型中边界处波浪的联通方法和装置 |
| CN114676600B (zh) * | 2022-05-27 | 2022-08-23 | 中交第四航务工程勘察设计院有限公司 | 全球波浪数学模型中边界处波浪的联通方法和装置 |
| CN116205152A (zh) * | 2022-12-12 | 2023-06-02 | 中广核风电有限公司 | 一种海上漂浮式风机的数值模拟方法及装置 |
| CN116205152B (zh) * | 2022-12-12 | 2024-06-07 | 中广核风电有限公司 | 一种海上漂浮式风机的数值模拟方法及装置 |
| CN116151487A (zh) * | 2023-04-19 | 2023-05-23 | 中国石油大学(华东) | 预测海面溢油轨迹的物理知识与数据混合驱动的预测算法 |
| CN116151487B (zh) * | 2023-04-19 | 2023-07-07 | 中国石油大学(华东) | 预测海面溢油轨迹的物理知识与数据混合驱动的预测算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112115598B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112115598B (zh) | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 | |
| Weigelt et al. | Quantifying island isolation–insights from global patterns of insular plant species richness | |
| Li et al. | Thirty-four years of Hawaii wave hindcast from downscaling of climate forecast system reanalysis | |
| Hill et al. | Quantifying wave exposure in shallow temperate reef systems: applicability of fetch models for predicting algal biodiversity | |
| Andrejev et al. | The role of the spatial resolution of a three-dimensional hydrodynamic model for marine transport risk assessment | |
| Le Traon et al. | Operational oceanography and prediction–a GODAE perspective | |
| Baghanian et al. | Wave climate projection in the Persian Gulf: An ensemble of statistically downscaled CMIP6-GCMs | |
| CN116908114B (zh) | 一种流域颗粒有机碳通量遥感监测方法 | |
| Bouchard | Exploring the Influence of Diurnal Forcing on Tidal Inlet Exchange and the Impact on the movement of Oxygen Depleted Waters in the Mississippi Sound and Bight Region | |
| CN111966965B (zh) | 一种浮标沉石移位识别方法及装置 | |
| Ratsimandresy et al. | Identification of geographic zones of influence associated with surface circulation for Aquaculture Bay Management Area application | |
| Zhidkova et al. | The research of waters eutrophication of the gulf of Taganrog of the Sea of Azov for ecological monitoring purposes | |
| Rudnick et al. | A national glider network for sustained observation of the coastal ocean | |
| CN115983475A (zh) | 一种海区尺度落水人员漂移轨迹预测方法 | |
| Xiong et al. | Storm-induced coastward expansion of Margalefidinium polykrikoides bloom in Chesapeake Bay | |
| CN114565176A (zh) | 一种长期船舶轨迹预测方法 | |
| CN117113796B (zh) | 一种考虑自主运动的大型水母中期漂移集合预报方法 | |
| Nwogwu et al. | The Effect of grid resolution on hydrodynamic modeling of estuarine water surface elevation: Balancing efficiency and accuracy | |
| CN114814276B (zh) | 海上风电设备运行导致周边海水垂向运动流速的计算方法 | |
| Fu et al. | Committee No I. 1: Environment | |
| Sui et al. | Circulation, dispersion and hydrodynamic connectivity over the Scotian Shelf and adjacent waters | |
| Kielley | Iceberg drift ensemble forecasting | |
| Carolina Castillo-Trujillo et al. | An evaluation of eight global ocean reanalyses for the Northeast US continental shelf | |
| Fofonova et al. | Representation of the shelf areas in the global ocean model: key study, questions and perspectives | |
| Mason et al. | Fronts, eddies and mesoscale circulation in the Mediterranean Sea |
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 |