CN113378443A - 一种地波雷达数据融合同化方法及计算机设备 - Google Patents

一种地波雷达数据融合同化方法及计算机设备 Download PDF

Info

Publication number
CN113378443A
CN113378443A CN202110921654.8A CN202110921654A CN113378443A CN 113378443 A CN113378443 A CN 113378443A CN 202110921654 A CN202110921654 A CN 202110921654A CN 113378443 A CN113378443 A CN 113378443A
Authority
CN
China
Prior art keywords
data
assimilation
ground wave
time
wave radar
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
CN202110921654.8A
Other languages
English (en)
Other versions
CN113378443B (zh
Inventor
陆罕芳
陈学恩
牟林
王道胜
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202110921654.8A priority Critical patent/CN113378443B/zh
Publication of CN113378443A publication Critical patent/CN113378443A/zh
Application granted granted Critical
Publication of CN113378443B publication Critical patent/CN113378443B/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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • 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
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种地波雷达数据融合同化方法及计算机设备，所述地波雷达数据融合同化方法包括对目标地波雷达进行时间分辨率的统一，获得第一检测间隔，其中，目标地波雷达包括至少两套地波雷达；每隔预设时间间隔检测地波雷达数据是否更新，若是，则获取地波雷达检测数据和观测时刻，当观测时刻早于模型的模拟时刻时基于所述观测时刻确定同化窗口；对检测数据进行空间融合；通过海洋数值模型模拟获得同化窗口的背景状态场，在同化窗口内随机选择预设个时间点，获得每个时间点对应的状态场，基于每个时间点对应的状态场构建集合矩阵，使用集合卡曼滤波同化方法同化融合数据获得同化时刻的分析场，保证可以对多套地波雷达数据进行实时同化。

Description

一种地波雷达数据融合同化方法及计算机设备
技术领域
本发明涉及海洋数值模型数据同化领域，具体而言，涉及一种地波雷达数据融合同化方法及计算机设备。
背景技术
海洋数值模型通过求解Navier-Stokes控制方程，可以获得定量的海洋表面流场预报数据，但是海洋数值模型是通过对现实情况的抽象描述，所以极易受到天气、人类活动等不确定因素的影响，预报的结果往往会出现较大的误差。将地波雷达数据同化到海洋数值模型中，是提高预报准确度的有效方法之一，现有的地波雷达同化方法往往采用双基站（即一套）地波雷达进行数据同化，同化时间间隔也较长，常常以小时为单位。随着地波雷达观测技术的发展，越来越多的地波雷达应用于海洋观测，一个研究区域可能存在多套地波雷达观测系统，不同的地波雷达观测系统的时空分辨率可能不一样，且数据质量不一，故采用传统的数据同化方法会带来过大的计算量，并可能会出现观测数据同化不全的现象，导致高频次高分辨率数据同化难以实时进行。
发明内容
本发明解决的问题是如何对多套高频次、高分辨率的地波雷达观测到的数据进行实时数据同化。
为解决上述问题，本发明提供一种地波雷达数据融合同化方法，包括：
对目标地波雷达进行时间分辨率的统一，获得第一检测间隔，其中，所述目标地波雷达包括至少两套地波雷达；
对目标地波雷达进行时间分辨率的统一，获得第一检测间隔，其中，所述目标地波雷达包括至少两套地波雷达；
每隔预设时间间隔检测地波雷达数据是否更新，若是，则获取所述目标地波雷达的检测数据和观测时刻，当所述观测时刻早于海洋数值模型的模拟时刻时基于所述观测时刻确定同化窗口，其中，所述预设时间间隔小于或等于所述第一检测间隔；
对所述检测数据进行空间融合，获得融合数据；
通过所述海洋数值模型模拟获得所述同化窗口的背景状态场，在所述同化窗口内随机选择预设个时间点，获得每个所述时间点对应的状态场，基于所述每个所述时间点对应的状态场构建集合矩阵，使用集合卡曼滤波同化方法同化所述融合数据获得同化时刻的分析场，其中，所述同化时刻为所述同化窗口的终止时刻。
相对于现有技术，本申请通过将不同时间分辨率的地波雷达进行时间分辨率的统一，可以保证避免对多套地波雷达数据进行同化时出现的数据遗漏而未被同化的情况；通过预设时间间隔检测地波雷达数据是否更新与更新的地波雷达数据观测时间是否早于模型模拟时间，保证同化窗口可以得到及时更新，进而保证后续同化的实时性，是实现实时同化的基础；通过对检测数据进行空间融合，可以获得更大的数据量，提高观测数据的准确性；通过随机选择同化窗口多个时间点，获得多个状态场，构建集合矩阵，可以保证当前的集合矩阵是关于时间随机分布的，提高集合矩阵中各元素的独立性，以提高预测值的准确性，也保证减少海洋数值模型的模拟次数，基于一个同化窗口即可得到多个扰动数据，减少同化的计算量，故可以进一步保证兼顾高频、高分辨率地波雷达数据实时同化的连续性和高效性。
可选地，通过海洋数值模型模拟获得所述同化窗口的背景状态场，在所述同化窗口内随机选择预设个时间点，获得每个所述时间点对应的状态场，基于所述每个所述时间点对应的状态场构建集合矩阵，使用集合卡曼滤波同化方法同化所述融合数据获得同化时刻的分析场之后，还包括：
将所述同化时刻的分析场作为下一同化窗口的初始场，返回所述每隔预设时间间隔检测地波雷达数据是否更新，以获得后续同化窗口对应的分析场的步骤。
由此，将当前同化时刻的分析场作为下一同化时刻的背景状态场，可以实现在海洋数值模拟积分过程中对不同时刻高频观测资料的实时同化。
可选地，所述每隔预设时间间隔检测地波雷达数据是否更新，若是，则获取所述目标地波雷达的检测数据和观测时刻，当所述观测时刻早于海洋数值模型模拟时刻时基于所述观测时刻确定同化窗口还包括：
当所述观测时刻滞后于所述海洋数值模型的模拟时刻时，热启动所述海洋数值模型至最接近且早于所述观测时刻的时刻并重新检测所述地波雷达数据是否更新。
由此，当传输至本地的地波雷达数据的观测时刻晚于海洋数值模型的模拟时刻时，热重启模型，将海洋数值模型的模拟时刻回调至早于地波雷达的最晚观测时刻的时刻，从而保证新的地波雷达数据能够被同化到模型中。
可选地，对目标地波雷达进行时间分辨率的统一，获得第一检测间隔，其中，所述目标地波雷达包括至少两套地波雷达包括：
获取每套地波雷达的时间分辨率；计算所有时间分辨率的最大公因数，将所述最大公因数作为所述第一检测间隔的取值。
由此，将时间分辨率不同的多套地波雷达的时间分辨率设为最大公因数，可以使所有的融合数据都映射在检测时刻上，避免每次同化时部分地波雷达数据未被同化的情况。
可选地，对所述检测数据进行空间融合，获得融合数据包括：
对所述检测数据进行坐标变换，统一坐标系；从历史资料库中搜索与所述检测数据特征相似的历史地波雷达数据；将所述检测数据与历史地波雷达数据进行比对，剔除所述检测数据中的异常值，获得第一数据，并将所述第一数据录入所述历史资料库，所述异常值包括超过所述历史地波雷达数据最大值预设倍数的流速数据；与多套所述历史地波雷达数据重叠区域相差大于预设角度的流向数据；与多套所述历史地波雷达数据重叠区域流速之差大于预设值的流速数据；采用预设插值算法，将所述第一数据插值到所述海洋数值模型的空间网格中，获得融合数据，将所述融合数据录入所述历史资料库。
由此，对检测数据进行数据质量控制，可以剔除不准确的数据，筛选出更可靠的数据源并进行同化，保证获得更准确的结果。
可选地，采用预设插值算法，将所述第一数据插值到所述海洋数值模型的空间网格中，获得融合数据包括：
若不同的地波雷达的观测区域具有重叠部分，则对重叠区域的空间数据进行矢量合成。
由此，重叠区域的空间数据进行矢量合成，防止空间数据被某一地波雷达的空间数据过度影响，也可以防止数据重叠影响后续的同化步骤，保证获得更准确的空间数据，也保证同化的准确性。
可选地，通过海洋数值模型模拟获得所述同化窗口的背景状态场，在所述同化窗口内随机选择预设个时间点，获得每个所述时间点对应的状态场，基于所有的状态场构建所述集合矩阵包括：
获取每个所述时间点对应的状态场，作为模型状态场集合；依次计算每个相邻所述时间点的时间间隔、状态场差异，以及所有状态场差异的加权平均值；基于所述时间间隔与所述加权平均值计算每个所述时间点的扰动矩阵；基于所述扰动矩阵计算所述同化时刻的所述集合矩阵。
由此，以时间间隔、每个状态场的状态差异平均值计算扰动矩阵，基于扰动矩阵计算集合矩阵，可以更准确地获得当前同化时刻的集合矩阵，保证同化结果的准确性。
可选地，使用集合卡曼滤波同化方法同化所述融合数据获得同化时刻的分析场包括：
基于所述融合数据构造观测矩阵；计算每套地波雷达数据之间的方差，基于所述方差构造所述同化时刻的观测误差协方差矩阵；基于所述集合矩阵、所述观测矩阵、所述观测误差协方差矩阵、所述扰动矩阵构建调整后的集合分析矩阵，将所述集合分析矩阵进行集合平均计算，获得所述同化时刻的分析场。
由此，基于地波雷达数据的方差构造观测误差协方差矩阵，使用集合卡曼滤波同化方法调节当前时刻的集合状态矩阵，进而对集合状态矩阵进行集合平均计算，获得当前时刻的分析场，可以保证减小分析场的误差。
可选地，基于所述观测时刻确定同化窗口包括：
获取前后两次融合数据的观测时刻；以前一次融合数据的观测时刻作为所述同化窗口的起始时间点，以后一次融合数据的观测时刻作为所述同化窗口的终止时间点。
由此，将每次获取融合数据的时间定义为同化窗口的起止时间，可以保证所有的地波雷达数据均参与同化。
另一方面，本发明还提供一种计算机设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的地波雷达数据融合同化方法。
所述计算机设备相对于现有技术与所述地波雷达数据融合同化方法所具有的优势相同，在此不再赘述。
附图说明
图1为本发明地波雷达数据融合同化方法一实施例流程图；
图2为本发明地波雷达数据融合同化方法步骤S300的一实施例细化图；
图3为本发明地波雷达数据融合同化方法步骤S400的一实施例细化图；
图4为本发明地波雷达数据融合同化方法步骤S400的另一实施例细化图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
本发明提出一种地波雷达数据融合同化方法，参照图1，包括：
步骤S100，参照图1所示，对目标地波雷达进行时间分辨率的统一，获得第一检测间隔，其中，所述目标地波雷达包括至少两套地波雷达。
高频地波雷达是一种新兴的海洋监测技术，具有超视距、大范围、全天候以及低成本等优点，利用短波（3～30MHz）在导电海洋表面绕射传播衰减小的特点，采用垂直极化天线辐射电波，能超视距探测海平面视线以下出现的舰船、飞机、冰山和导弹等运动目标，作用距离可达300km以上。同时，高频地波雷达利用海洋表面对高频电磁波的一阶散射和二阶散射机制，可以从雷达回波中提取风场、浪场、流场等海况信息，实现对海洋环境大范围、高精度和全天候的实时监测。在海洋环境监测领域，地波超视距雷达具有覆盖范围大、全天候、实时性好、功能多、性价比高等特点。
因为每套地波雷达的观测范围有限，故使用多套地波雷达观测的数据进行同步，可以增大覆盖范围、增加数据的输入量，同时也可以提高数据集的时空分辨率，使结果更加准确。
可选地，步骤S100包括：
步骤S101，获取每套地波雷达数据的时间分辨率。
时间分辨率，即为该地波雷达数据传输的时间间隔。
由于每套地波雷达的时间分辨率都不尽相同，故获取每套地波雷达的时间分辨率，以更好地对不同观测频率的多套地波雷达进行一并同化，防止在某些同化步骤中出现数据同化不全的问题。
步骤S102，计算所有时间分辨率的最大公因数，将所述最大公因数作为所述第一检测间隔的取值。
将所有地波雷达检测频率的最大公因数作为第一检测间隔的取值。
在一实施例中，地波雷达的检测频率分别为雷达数据a，10分钟/次；雷达数据b，20分钟/次和雷达数据c，30分钟/次。则将检测间隔设为十分钟/次，以保证第一个检测周期获取雷达数据a的检测数据，第二个检测周期获取雷达数据a和雷达数据b的检测数据，第三个检测周期获取雷达数据a、雷达数据b和雷达数据c三套地波雷达的检测数据。在此实施例中，若第一检测间隔的取值为20分钟/次，则雷达数据a在第10分钟、第30分钟、第50分钟的检测数据未用于同化；雷达数据c在第30分钟的检测数据未用于同化，就会出现上述提及的，在某些同化步骤中出现数据同化不全的问题。
步骤S200，参照图1所示，每隔预设时间间隔检测地波雷达数据是否更新，若是，则获取所述目标地波雷达的检测数据和观测时刻，当所述观测时刻早于海洋数值模型的模拟时刻时基于所述观测时刻确定同化窗口，其中，所述预设时间间隔小于或等于所述第一检测间隔。
可选地，步骤S200还包括：当所述观测时刻滞后于所述海洋数值模型的模拟时刻时，热启动所述海洋数值模型至最近且早于所述观测时刻的时刻并重新检测所述地波雷达数据是否更新。
每隔预设时间间隔检测地波雷达数据更新情况，并根据地波雷达数据观测时间与模型模拟时间进行判别是否热重启模型，可以保证及时更新同化数据，且保证同化窗口可以及时得到更新，避免模型积分模拟过快导致部分地波雷达数据未被同化。
在一实施例中，设定好预设时间间隔后，每隔预设时间后都会检测是否有新的地波雷达数据，包括对文件接收端的存储介质进行检测，查看是否有文件更新，若没有文件更新，则继续等待预设时间，再对存储介质进行检测；若有文件更新，则获取该文件的观测时刻。
当该数据观测时间早于模型模拟当前时刻，则以该时间为此次同步的终止时间点，即本同化窗口的终止时间点。例如，在海洋数值模型中，建立信号判断数组Signal，初始的Signal为F，然后判断是否有观测数据传输到本地，若检测到有文件更新且该时刻早于模型模拟当前时刻，则修改信号判断数组Signal为T，从而使海洋数值模型获得到观测数据有更新的信息，海洋数值模型开始准备同化。
当地波雷达数据观测时间滞后于模型模拟当前时刻，即模型已经向前预报了一段时间，则停止模型积分，并寻找出早于该地波雷达数据观测时间并且距离该观测时间最近的热启动文件，进行模型热启动。并以热重启文件记录时刻为标准，重新检测地波雷达数据文件观测时间，从而保证本地地波雷达数据均被同化到模型中。在一实施例中，预设时间间隔小于或等于第一检测间隔，可以保证第一时间间隔内至少会进行一次检测更新的操作，从而保证同化的时效性，防止长时间未检测而导致的信息滞后问题。同时，选择合适的热重启文件保存时间间隔，通常的，可以设为1-2天，从而使得在新的地波雷达数据观测时间滞后于模式模拟时间的情况下，也可以快速热启动模型，保证地波雷达数据得到及时同化。例如当模型模拟时间为2019年1月3日00:00时刻时，检测到地波雷达数据文件有更新，并且该文件数据观测时间为2019年1月2日23:00，则模型停止模拟。寻找到早于2019年1月2日23:00时刻且距离该观测时间最近的热启动文件时刻为2019年1月2日00:00，则以该热启动文件进行模型热启动，从2019年1月2日00:00时刻开始模拟，并以2019年1月3日00:00时刻为标准，检测到观测时间早于这一时间的地波雷达数据均进行数据同化。
步骤S300，参照图1所示，对所述检测数据进行空间融合，获得融合数据。
空间融合，就是将所有的地波雷达数据中表示空间的部分融合至一个体系内，成为融合数据。
在对检测数据进行空间融合的同时，还对检测数据进行时间同步与转换，在一实施例中，使用2.7版本的FVCOM数值模型，将每套地波雷达数据的观测时刻转换为距离海洋数值模型初始时刻的相对时间，例如，海洋数值模型的初始时刻的时间为一月一日零点整，若地波雷达数据观测时间为次年二月一日零点整，则观测时间应转换为一年零一个月零日零时零分。
在一实施例中，对所有的地波雷达数据进行时间融合之后，再进行空间融合，通过预设的插值算法，将多套地波雷达数据插值到海洋数值模型空间网格中，因为地波雷达数据与海洋数值模型中的空间网格不能完全匹配，故使用插值算法，将现实中的地波雷达空间数据插值到海洋数值模型空间网格中，以匹配海洋数值模型。
在一实施例中，对每个地波雷达观测到的地波雷达数据进行分别匹配，将地波雷达数据输入至海洋数值模型，在此过程中，为了匹配海洋数值模型的空间网格，会出现一定程度的误差，需要使用观测值修正。
将所有地波雷达数据放入海洋数值模型空间网格中，形成融合数据。
可选地，如图2所示，步骤S300包括：
步骤S301，对所述检测数据进行坐标变换，统一坐标系。
将所有可用的地波雷达数据进行坐标变化与同步，根据实际需求统一至一个坐标系中，保证减小后续同步的计算量，增加同步效率。
在一实施例中，根据用户的实际需求，将多套地波雷达数据进行坐标变化后，同步换算到WGS-84大地直角坐标系或球坐标系中。
步骤S302，从历史资料库中搜索与所述检测数据特征相似的历史地波雷达数据。
历史资料库，即以现有的数据集为基础，不断获取新的数据集数据或者新的观测数据形成的数据库，其规模可以随着时间的推移不断扩大。现有的数据集包括以往存于数据库中的地波雷达数据，所述雷达数据可以是本发明中涉及到的地波雷达获取的数据。
在本发明的一实施例中，涉及到的海域历史资料库包括针对研究海域建立的研究海域历史资料库，包括：走航观测、定点观测、大面观测、卫星遥感观测、再分析数据集等资料。
因为每套地波雷达观测的地理范围、时间都不尽相同，故，将接收到的地波雷达数据基于该地波雷达的空间、时间特征，在历史资料库中寻找对应的历史地波雷达数据作为参考，具体地，在历史资料库中寻找观测位置相近和观测时间相近的观测资料，若该种观测资料存在于历史资料库中，则提取历史观测资料中该部分数据中的最大与最小流速、流向的最大与最小角度、流向平均值等特征。将上述特征与接收到的地波雷达数据的相应特征进行比对。
例如，检测数据反映的是a地区在2020年春季的表层海流数据，则在历史资料库中寻找a地区历年春季的表层海流数据；或在历史资料库中寻找数据融合后的a地区历年春季的表层海流数据，对于检测数据，可以保证上述数据具有较高的参考性。
步骤S303，将所述检测数据与历史地波雷达数据进行比对，剔除所述检测数据中的异常值，获得第一数据，并将所述第一数据录入所述历史资料库，所述异常值包括超过所述历史地波雷达数据最大值预设倍数的流速数据；与多套所述历史地波雷达数据重叠区域相差大于预设角度的流向数据；与多套所述历史地波雷达数据重叠区域流速之差大于预设值的流速数据。
根据历史观测资料特征，剔除接收到的地波雷达数据中，与历史观测资料差异过大的数据，包括流速数据、流向数据、平均流向数据、重叠区域流速数据。
历史观测数据为步骤S302中在历史数据库中寻找出的与检测数据具有相似特征的历史数据。
在一实施例中，将检测数据与历史地波雷达数据进行比对包括对接收到的地波雷达数据与历史数据进行对比，包括与相似特征的历史地波雷达数据进行比较，若接收到的地波雷达数据的数据量或数据特征与历史地波雷达数据的数据量或数据特征差异过大，则表示该数据不准确，需要被剔除，将剩下的地波雷达数据处理成为可靠性高的数据集，以避免干扰最终的同化结果，保证最终模拟结果的准确性。
优选地，剔除东西、南北流速值超过历史观测数据最大值5倍的流速数据。
优选地，若多套地波雷达数据的检测区域具有重叠部分，则将重叠区域的流向数据进行矢量合成后，仍与历史观测流向数据相差180度，则剔除该检测数据。
优选地，若多套地波雷达数据的检测区域具有重叠部分，则将重叠区域的流向数据进行矢量合成后，仍与历史观测流速数据相差2倍以上，则剔除该检测数据。
为了满足本申请中同化融合数据的技术方案，在步骤S303中，不仅对单一的地波雷达数据进行筛选，还要对多套地波雷达数据中，区域重叠部分的数据进行矢量合成，再进行对比筛选，剔除差异较大的数据。
步骤S304，采用预设插值算法，将所述第一数据插值到所述海洋数值模型的空间网格中，获得融合数据，将所述融合数据录入所述历史资料库。
可选地，所述预设插值算法为二维的插值算法。
可选地，所述预设插值算法为反距离加权算法。
反距离加权算法，表示对已知的每个点设置对应的权重，权重的大小取决于未知点到所有点的距离，距离越小则权重越大。
在一实施例中，对每套地波雷达数据进行一一插值，采用预设插值算法的目的是将第一数据从原有的网格转换到海洋数值模型的空间网格中，由于原有的网格与海洋数值模型的空间网格不能直接进行转换，故采用插值的算法，将数据转换进海洋数值模型的空间网格中，以获得融合数据，从而实现对多套地波雷达数据的同步操作。
可选地，若不同的地波雷达的观测区域具有重叠部分，则对重叠区域的空间数据进行矢量合成。
在一实施例中，地波雷达的观测区域重合，则将重合的观测区域进行矢量合成，如，第一套地波雷达数据的观测结果，覆盖面积为A；第二套地波雷达数据的观测结果，覆盖面积为B。其中，A和B有重合区域，那么，将重合区域中的地波雷达数据进行矢量合成，包括将第一套和第二套数据中南北向流速、东西向流速直接相加后取平均值；若地波雷达数据为流速数据与流向数据，则将流速和流向投影到南北和东西两个方向，再进行相加求平均值。
步骤S400，参照图1所示，通过海洋数值模型模拟获得所述同化窗口的背景状态场，在所述同化窗口内随机选择预设个时间点，获得每个时间点对应的状态场，基于所述每个时间点对应的状态场构建集合矩阵，使用集合卡曼滤波同化方法同化所述融合数据获得同化时刻的分析场，其中，所述同化时刻为所述同化窗口的终止时刻。
在一实施例中，使用2.7版本的FVCOM为数值模型，通过设置研究区域网络、开边界条件、大气强迫条件以及模型控制文件等参数，采用模型热启动的方式，获得同化窗口内所需的模型状态场，即背景状态场。其中，热启动为，保留了海洋数值模型上次模拟的最后时刻的所有状态变量，如水位、流速，以及一直计算更新的关键模型参数，如垂向混合系数。不保留不变的常数形式的模型参数。
集合卡曼滤波的过程为，第一步，将海洋数值模型的模拟结果作为当前时刻状态的预测，同时，此种预测具有一定误差；第二步，获得观测值，然后在模型预测的基础上，通过观测值对预测值进行进一步估计，获得分析结果。
通过海洋数值模型模拟获得所述同化窗口的模型状态场，在当前同化窗口内随机获取预设个数的时间点，进而获取每个时间点对应的状态场，获取到的所有状态场一同构建集合矩阵，所述集合矩阵为当前同化时刻的集合矩阵。
为了表述清晰，将有海洋数值模型模拟获得的状态场称为模型状态场。
然后使用集合卡曼滤波同化方法同化此同化窗口内的融合数据，所述融合数据为高分辨率海表流速数据，获得当前同化时刻的分析场。
分析场，即为综合考虑了预测值与观测值后得出的最接近真实值的状态结果，其中，观测值表示融合了所有地波雷达数据后形成的观测值。
在一实施例中，获取信号判断数组Signal的值，若Signal为T，则表示融合数据被更新，则将融合数据的检测时间作为本次同化窗口的终止时间，并开始同化流程。
设定预设的集合个数N，则在当前同化窗口内随机选择N+1个时间点构建集合矩阵。
当前同化窗口记为
Figure DEST_PATH_IMAGE001
，因
Figure 4587DEST_PATH_IMAGE002
为上一次地波雷达观测数据的观测时刻，
Figure 742736DEST_PATH_IMAGE003
为本次地波雷达观测数据的观测时刻，故，本同化窗口只有两套融合数据，分别为
Figure 777557DEST_PATH_IMAGE002
时刻的融合数据和
Figure 968367DEST_PATH_IMAGE003
时刻的融合数据。
可选地，每个同化窗口均只有两套融合数据，分别在同化窗口的起始点时刻和终止点时刻。
在一实施例中，在当前同化窗口内随机选择N+1个时间点（t 1、t 2、t 3、…、t N、t N+1），获得每个时间点对应的状态场，进而获得模型状态场集合M（包括M 1、M 2、M 3、…、M N、M N+1）。
优选地，N的取值为20-40。
可选地，海洋数值模型包括FVCOM、ROMS、MITgcm、HYCOM等模型。
可选地，如图3、图4所示，步骤S400包括：
步骤S401，获取每个时间点对应的状态场，作为模型状态场集合。
背景状态场是由海洋数值模型模拟获得，故在此同化窗口内存在多个时刻具有其对应的状态场，故随机获取预设个数的时间点，分别获取每个时间点对应的状态场，作为状态场集合，并利用其进行集合卡曼滤波同化方法中扰动矩阵的构造，仅由海洋数值模型模拟一次，无需多次运行海洋数值模型来构造扰动矩阵，可以减少计算量，保证实时同步融合数据。
步骤S402，依次计算每个相邻时间点的时间间隔、每个相邻状态场的状态差异及其加权平均值。
依次计算每个相邻时间点的时间间隔
Figure 599199DEST_PATH_IMAGE004
；
依次计算每个相邻时间点的状态场差异
Figure 926275DEST_PATH_IMAGE005
以及N+1个状态场对应的状态差异的加权平均值
Figure 476205DEST_PATH_IMAGE006
。
步骤S503，基于所述时间间隔与所述平均值计算每个时间点的扰动矩阵。
再基于时间间隔和状态差异平均值计算对应的N+1个扰动矩阵
Figure 795059DEST_PATH_IMAGE007
，其中，K为权重系数，其中，权重系数为预设的常数。
步骤S403，基于所述时间间隔与所述平均值计算每个时间点的扰动矩阵。
扰动矩阵表示每个时间点对应的状态场差异的加权值形成的矩阵，反映了每个状态场与平均差异的关系。
步骤S404，基于所述扰动矩阵计算所述同化时刻的所述集合矩阵。
根据扰动矩阵
Figure 88637DEST_PATH_IMAGE008
计算当前同化时刻的集合矩阵
Figure 535798DEST_PATH_IMAGE009
，其中
Figure 991051DEST_PATH_IMAGE010
为
Figure 31819DEST_PATH_IMAGE011
时刻的状态场。
步骤S405，基于所述融合数据构造观测矩阵。
所述观测矩阵表示多个观测数据形成的矩阵。
步骤S406，计算每套地波雷达数据之间的方差，基于所述方差构造所述同化时刻的误差协方差矩阵。
根据多套地波雷达数据构造观测矩阵
Figure 863509DEST_PATH_IMAGE012
，计算多套雷达数据的方差，构造地波 雷达数据同化时刻的观测误差协方差矩阵
Figure 430756DEST_PATH_IMAGE013
，描述误差对最终结果的影响。
步骤S407，基于所述集合矩阵、所述观测矩阵、所述观测误差协方差矩阵、所述扰动矩阵构建调整后的集合分析矩阵，将所述集合分析矩阵进行集合平均计算，获得所述同化时刻的分析场。
通过上述矩阵，计算调整后的集合状态矩阵
Figure 56910DEST_PATH_IMAGE014
。其表示的 含义为，计算预测结果与观测结果的差异大小，对其进行加权，然后作用到预测结果上，获 得当前同化时刻的集合分析矩阵
Figure 834242DEST_PATH_IMAGE015
。
其中，H为观测转换矩阵，表示将海洋数值模型模拟后的预测结果插值到观测区域位置的矩阵。
由于此时计算出来的集合分析矩阵为随机选出的N+1个时间点的N个分析场组合 出的矩阵集合，故将集合分析矩阵取集合平均，即可求出当前同化时刻的分析场
Figure 469622DEST_PATH_IMAGE016
。
可选地，步骤S400之后，还包括：
步骤S500，将所述同化时刻的分析场作为下一同化窗口的初始场，返回所述每隔预设时间间隔检测地波雷达数据是否更新，以获得后续同化窗口对应的分析场的步骤。
得出当前同化时刻的分析场后，修改信号判断数组Signal为F，表示等待下一次融合数据的更新。
以当前同化时刻的分析场
Figure 625797DEST_PATH_IMAGE016
为下一同化窗口的初始场，继续利用海洋数值模型 模拟下一同化时刻的模型状态场，重复步骤S200-S400，得到下一同化时刻的观测矩阵
Figure 688431DEST_PATH_IMAGE017
，进而获得下一同化时刻的分析场
Figure 438212DEST_PATH_IMAGE018
，将信号判断数组Signal改为F，继续等待下一次融 合数据的更新。
重复上述过程，将每次的分析场作为下一同化窗口的背景状态场，依次同化后续的融合数据，可以实现对多套、高频次、高分辨率地波雷达表层海流观测数据的同化。
可选地，所述基于所述观测时刻确定同化窗口包括：
步骤S201，获取前后两次融合数据的观测时刻。
在地波雷达数据进行同化的步骤中，将地波雷达数据的观测时刻与海洋数值模型预测的数据进行同化和修正，故获取融合数据的观测时刻，以确定同化窗口的起止时间点。
步骤S202，以前一次融合数据的观测时刻作为所述同化窗口的起始时间点，以后一次融合数据的观测时刻作为所述同化窗口的终止时间点。
将前一次的融合数据的观测时刻作为同化窗口的起始时间点，将新获得的融合数据的观测时刻作为同化窗口的终止时间点，保证同化窗口所包含的时间段为最小检测时间段，即融合数据只分布于同化窗口的起始点和终止点。
例如，同化窗口为十点十分至十点二十，此时十点十分为前一次融合数据的观测时刻，十点二十为后一次融合数据的观测时刻，且融合数据仅存在于十点十分与十点二十两个时间点，在此时实例中，十分钟即为最小的检测间隔，且十分钟这一数值来源于步骤S102中的最大公因数。
另一方面，本发明还提供一种计算机设备，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的地波雷达数据融合同化方法。
所述计算机设备相对于现有技术与所述地波雷达数据融合同化方法所具有的优势相同，在此不再赘述。
虽然本公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (10)

1.一种地波雷达数据融合同化方法，其特征在于，包括：
对目标地波雷达进行时间分辨率的统一，获得第一检测间隔，其中，所述目标地波雷达包括至少两套地波雷达；
每隔预设时间间隔检测地波雷达数据是否更新，若是，则获取所述目标地波雷达的检测数据和观测时刻，当所述观测时刻早于海洋数值模型的模拟时刻时基于所述观测时刻确定同化窗口，其中，所述预设时间间隔小于或等于所述第一检测间隔；
对所述检测数据进行空间融合，获得融合数据；
通过所述海洋数值模型模拟获得所述同化窗口的背景状态场，在所述同化窗口内随机选择预设个时间点，获得每个所述时间点对应的状态场，基于所述每个所述时间点对应的状态场构建集合矩阵，使用集合卡曼滤波同化方法同化所述融合数据获得同化时刻的分析场，其中，所述同化时刻为所述同化窗口的终止时刻。
2.根据权利要求1所述的地波雷达数据融合同化方法，其特征在于，所述通过所述海洋数值模型模拟获得所述同化窗口的背景状态场，在所述同化窗口内随机选择预设个时间点，获得每个所述时间点对应的状态场，基于所述每个所述时间点对应的状态场构建集合矩阵，使用集合卡曼滤波同化方法同化所述融合数据获得同化时刻的分析场之后，还包括：
将所述同化时刻的分析场作为下一同化窗口的初始场，返回所述每隔预设时间间隔检测地波雷达数据是否更新，以获得后续同化窗口对应的分析场的步骤。
3.根据权利要求2所述的地波雷达数据融合同化方法，其特征在于，所述每隔预设时间间隔检测地波雷达数据是否更新，若是，则获取所述目标地波雷达的检测数据和观测时刻，当所述观测时刻早于海洋数值模型模拟时刻时基于所述观测时刻确定同化窗口还包括：
当所述观测时刻滞后于所述海洋数值模型的模拟时刻时，热启动所述海洋数值模型至最接近且早于所述观测时刻的时刻并重新检测所述地波雷达数据是否更新。
4.根据权利要求3所述的地波雷达数据融合同化方法，其特征在于，所述对目标地波雷达进行时间分辨率的统一，获得第一检测间隔，其中，所述目标地波雷达包括至少两套地波雷达包括：
获取每个地波雷达的时间分辨率；
计算所有时间分辨率的最大公因数，将所述最大公因数作为所述第一检测间隔的取值。
5.根据权利要求4所述的地波雷达数据融合同化方法，其特征在于，所述对所述检测数据进行空间融合，获得融合数据包括：
对所述检测数据进行坐标变换，统一坐标系；
从历史资料库中搜索与所述检测数据特征相似的历史地波雷达数据；
将所述检测数据与历史地波雷达数据进行比对，剔除所述检测数据中的异常值，获得第一数据，并将所述第一数据录入所述历史资料库，所述异常值包括超过所述历史地波雷达数据最大值预设倍数的流速数据；与多套所述历史地波雷达数据重叠区域相差大于预设角度的流向数据；与多套所述历史地波雷达数据重叠区域流速之差大于预设值的流速数据；
采用预设插值算法，将所述第一数据插值到所述海洋数值模型的空间网格中，获得融合数据，将所述融合数据录入所述历史资料库。
6.根据权利要求5所述的地波雷达数据融合同化方法，其特征在于，所述采用预设插值算法，将所述第一数据插值到所述海洋数值模型的空间网格中，获得融合数据包括：
若不同的地波雷达的观测区域具有重叠部分，则对重叠区域的空间数据进行矢量合成。
7.根据权利要求1-6任一所述的地波雷达数据融合同化方法，其特征在于，所述通过海洋数值模型模拟获得所述同化窗口的背景状态场，在所述同化窗口内随机选择预设个时间点，获得每个所述时间点对应的状态场，基于所有的状态场构建所述集合矩阵包括：
获取每个所述时间点对应的状态场，作为模型状态场集合；
依次计算每个相邻所述时间点的时间间隔、状态场差异，以及所有状态场差异的加权平均值；
基于所述时间间隔与所述加权平均值计算每个所述时间点的扰动矩阵；
基于所述扰动矩阵计算所述同化时刻的所述集合矩阵。
8.根据权利要求7所述的地波雷达数据融合同化方法，其特征在于，所述使用集合卡曼滤波同化方法同化所述融合数据获得同化时刻的分析场包括：
基于所述融合数据构造观测矩阵；
计算每套地波雷达数据之间的方差，基于所述方差构造所述同化时刻的观测误差协方差矩阵；
基于所述集合矩阵、所述观测矩阵、所述观测误差协方差矩阵、所述扰动矩阵构建调整后的集合分析矩阵，将所述集合分析矩阵进行集合平均计算，获得所述同化时刻的分析场。
9.根据权利要求7所述的地波雷达数据融合同化方法，其特征在于，所述基于所述观测时刻确定同化窗口包括：
获取前后两次融合数据的观测时刻；
以前一次融合数据的观测时刻作为所述同化窗口的起始时间点，以后一次融合数据的观测时刻作为所述同化窗口的终止时间点。
10.一种计算机设备，其特征在于，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如权利要求1-9任一项所述的地波雷达数据融合同化方法。
CN202110921654.8A 2021-08-12 2021-08-12 一种地波雷达数据融合同化方法及计算机设备 Active CN113378443B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110921654.8A CN113378443B (zh) 2021-08-12 2021-08-12 一种地波雷达数据融合同化方法及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110921654.8A CN113378443B (zh) 2021-08-12 2021-08-12 一种地波雷达数据融合同化方法及计算机设备

Publications (2)

Publication Number Publication Date
CN113378443A true CN113378443A (zh) 2021-09-10
CN113378443B CN113378443B (zh) 2021-11-05

Family

ID=77576783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110921654.8A Active CN113378443B (zh) 2021-08-12 2021-08-12 一种地波雷达数据融合同化方法及计算机设备

Country Status (1)

Country Link
CN (1) CN113378443B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047406A (zh) * 2022-06-06 2022-09-13 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种地空链路传播衰减区域重构方法
CN115225136A (zh) * 2022-06-06 2022-10-21 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种星地链路传播衰减区域重构方法
CN117763259A (zh) * 2023-05-26 2024-03-26 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 高频地波雷达流场观测数据重构算法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006220444A (ja) * 2005-02-08 2006-08-24 Toshiba Corp 気象予測システム及びその同化処理方法
CN102004856A (zh) * 2010-11-27 2011-04-06 中国海洋大学 高频观测资料实时数据的快速集合卡曼滤波同化方法
CN102004861A (zh) * 2010-12-04 2011-04-06 中国海洋大学 鉴别及分类不同特性水团的谱混合分析方法
CN109902136A (zh) * 2019-03-04 2019-06-18 中国地质大学（武汉） 一种多个海洋学模型参数的同时率定方法
CN110765644A (zh) * 2019-11-06 2020-02-07 兰州大学 一种风云四号卫星闪电成像仪资料同化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006220444A (ja) * 2005-02-08 2006-08-24 Toshiba Corp 気象予測システム及びその同化処理方法
CN102004856A (zh) * 2010-11-27 2011-04-06 中国海洋大学 高频观测资料实时数据的快速集合卡曼滤波同化方法
CN102004861A (zh) * 2010-12-04 2011-04-06 中国海洋大学 鉴别及分类不同特性水团的谱混合分析方法
CN109902136A (zh) * 2019-03-04 2019-06-18 中国地质大学（武汉） 一种多个海洋学模型参数的同时率定方法
CN110765644A (zh) * 2019-11-06 2020-02-07 兰州大学 一种风云四号卫星闪电成像仪资料同化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHEN XUEEN 等: "Numerical study of current ¯elds near the Changjiang Estuary and impact of Quick-EnKF assimilation", 《ACTA OCEANOL》 *
曾智 等: "基于TerraSAR-X卫星数据的内孤立波参数和海表流速信息提取的探索研究", 《海洋学报》 *
肖江洪 等: "基于数据同化的高频地波雷达海流数据质量分析方法", 《武汉大学学报（理学版）》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115047406A (zh) * 2022-06-06 2022-09-13 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种地空链路传播衰减区域重构方法
CN115225136A (zh) * 2022-06-06 2022-10-21 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种星地链路传播衰减区域重构方法
CN115225136B (zh) * 2022-06-06 2023-06-23 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种星地链路传播衰减区域重构方法
CN115047406B (zh) * 2022-06-06 2024-05-14 中国电波传播研究所（中国电子科技集团公司第二十二研究所） 一种地空链路传播衰减区域重构方法
CN117763259A (zh) * 2023-05-26 2024-03-26 国家海洋局北海预报中心((国家海洋局青岛海洋预报台)(国家海洋局青岛海洋环境监测中心站)) 高频地波雷达流场观测数据重构算法

Also Published As

Publication number Publication date
CN113378443B (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
AU2011311805B2 (en) System and method for generating derived products in a radar network
Brunini et al. GPS slant total electron content accuracy using the single layer model under different geomagnetic regions and ionospheric conditions
CN113378443B (zh) 一种地波雷达数据融合同化方法及计算机设备
RU2615172C2 (ru) Адаптивный способ для оценки электронного содержания ионосферы
US7843378B2 (en) Dynamic and adaptive radar tracking of storms (DARTS)
CN108828626B (zh) 基于实时网格的网络rtk电离层延迟内插方法及系统
WO2023134666A1 (zh) 终端定位方法、装置、设备以及介质
Werner et al. Hydrologic extremes--an intercomparison of multiple gridded statistical downscaling methods.
US10573196B2 (en) Systems and methods for simulating wind noise models
Zsótér et al. Building a multimodel flood prediction system with the TIGGE archive
CN110426717B (zh) 一种协同定位方法及系统、定位设备、存储介质
Jiang et al. Calibration and validation of reprocessed hy-2a altimeter wave height measurements using data from buoys, jason-2, cryosat-2, and saral/altika
RU2713188C1 (ru) Способ однопозиционного определения координат источников радиоизлучений коротковолнового диапазона радиоволн при ионосферном распространении
CN117574622A (zh) 一种对流层建模方法和装置
JP5086609B2 (ja) アレイアンテナ装置
Ware Corrections to radar-estimated precipitation using observed rain gauge data
Pietrella et al. A comparative study of ionospheric IRIEup and ISP assimilative models during some intense and severe geomagnetic storms
CN115857058A (zh) 一种电离层数据分析模型建设方法及其终端
CN115524470A (zh) 一种利用安卓智能手机测量土壤湿度的方法
KR20180122080A (ko) 국지적 전리층지도의 가용영역 확장 장치 및 방법
Koulouri Real-Time Ionospheric Imaging of S₄ Scintillation From Limited Data With Parallel Kalman Filters and Smoothness
Merker et al. Estimating the uncertainty of areal precipitation using data assimilation
CN115242297B (zh) 移动终端的运动参数确定方法、装置、设备和存储介质
CN116068595B (zh) 海面风速反演方法、装置、电子设备及介质
CN116910696B (zh) 一种船舶大数据处理方法和系统

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