CN114239704A - 基于海冰密集度数据的观测站点融化和冻结时间提取方法 - Google Patents
基于海冰密集度数据的观测站点融化和冻结时间提取方法 Download PDFInfo
- Publication number
- CN114239704A CN114239704A CN202111458451.6A CN202111458451A CN114239704A CN 114239704 A CN114239704 A CN 114239704A CN 202111458451 A CN202111458451 A CN 202111458451A CN 114239704 A CN114239704 A CN 114239704A
- Authority
- CN
- China
- Prior art keywords
- sic
- sea ice
- observation
- date
- 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.)
- Pending
Links
- 230000008014 freezing Effects 0.000 title claims abstract description 54
- 238000007710 freezing Methods 0.000 title claims abstract description 54
- 230000008018 melting Effects 0.000 title claims abstract description 54
- 238000002844 melting Methods 0.000 title claims abstract description 54
- 238000000605 extraction Methods 0.000 title claims abstract description 24
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 34
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 3
- 238000010257 thawing Methods 0.000 claims description 2
- 238000009499 grossing Methods 0.000 abstract description 4
- 230000002354 daily effect Effects 0.000 description 16
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000020477 pH reduction Effects 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910001748 carbonate mineral Inorganic materials 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/36—Analysing materials by measuring the density or specific gravity, e.g. determining quantity of moisture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于观测站位开阔水域时长提取领域，具体说是基于海冰密集度数据的观测站点融化和冻结时间提取方法，包括以下步骤：读取站点观测数据，根据观测记录确定观测时间，读取观测年份海冰密集度数据并预处理。根据观测站点的位置找到海冰密集度数据中相应的网格，提取站点附近当年所有日期的海冰密集度序列并进行光滑处理。确定海冰融化活冻结开始时海冰密集度数据的阈值，根据海冰密集度数据的阈值，识别为海冰融化(冻结)日期。本发明提取得到的海冰融化和冻结日期可与观测日期进行对比，计算观测时站点附近的开阔水域存在的时长，以及观测年份站点开放的总时长，同时可获取观测站点长时序的融化日期和冻结日期。
Description
技术领域
本发明属于观测站位开阔水域时长提取领域，具体说是基于海冰密集度数据的观测站点融化和冻结时间提取方法。
背景技术
北极地区对气候变化特别敏感。当海冰融化时，开阔海洋对人为排放二氧化碳的吸收可降低海水的pH值和碳酸盐矿物文石的饱和状态，导致海洋酸化。海洋酸化会对海洋生物和生态系统造成严重伤害。于北极地区进行的海水二氧化碳实地观测可为北极海洋酸化评估提供基础数据。但是，由于北极海冰变化呈现出较强的季节循环、年际变率和空间异质性，不同年份不同区域开阔水域存在的时长往往存在较大差异。目前，由于现有缺少北极地区融化和冻结时间的实时数据集的提取，因此观测时很难确定当前站位已经历的海冰融化季长度，无法确定观测时站位附近海水吸收二氧化碳的时长，站位附近观测年份总的融冰季时长亦不清晰。
发明内容
针对上述技术不足，本发明的目的提供一种基于海冰密集度数据的观测站点融化和冻结时间提取方法。读取站点观测数据，确定观测年份并读取当年的海冰密集度数据，进行数据预处理和光滑。根据阈值查找海冰密集度低于(高于)阈值的日期，对所有日期进行迭代循环，当从某一日期开始海冰密集度连续一周低于(高于)阈值，且该日期之后约一个月内海冰密集度整体上处于下降(上升)的趋势，则此日期被识别为海冰融化(冻结)日期，最后根据观测日期、海冰融化日期和海冰冻结日期计算观测时站点开阔水域存在时长，以及当年站点开阔水域存在的总时长。因此，本方法基于海冰密集度数据提取融化和冻结时间，弥补了上述背景中的不足，有较高的科学性和准确性，且逻辑清晰、易于实现。
本发明为实现上述目的所采用的技术方案是：基于海冰密集度数据的观测站点融化和冻结时间提取方法，包括以下步骤：
1)读取服务器中存储的当前站点观测数据；并从观测数据中获取需要的观测年份的海冰密集度原始数据SICraw；对海冰密集度原始数据进行预处理，得到观测年份的海冰密集度数据SICnew；
2)根据海冰密集度数据SICnew，通过计算站点与海冰密集度每个网格的距离，获取所有海冰密集度网格中距离当前站点最近的海冰密集度网格；
3)根据距离当前站点最近的海冰密集度网格中的网格位置，从海冰密集度数据SICnew中提取站点对应网格位置的每日的海冰密集度数据，形成观测年份当前站位处的每日海冰年际变化序列SIC；
4)对每日海冰变化序列SIC进行滑动平均处理，以消除海冰变率，得到滑动平均处理后的海冰密集度序列SICt；
5)根据设定的海冰密集度阈值SIC0，确定海冰融化日期DOM以及海冰冻结日期DOF；
6)根据观测日期DOO、海冰融化日期DOM以及海冰冻结日期DOF，获取观测时站点开阔水域存在时长OD和当年站点开阔水域存在的总时长为MD；
7)通过IDL程序重复步骤1)～6)，获取所有站点的海冰融化日期DOM、海冰冻结日期DOF、观测时站点开阔水域存在时长OD和当年站点开阔水域存在的总时长为MD。
所述站点观测数据，包括：观测年份及日期、当前站点位置的经纬度坐标(Ion，lat)以及观测年份首日至观测日间的天数。
步骤1)，所述对海冰密集度原始数据进行预处理，得到观测年份的海冰密集度数据SICnew，具体为：
对观测年份的海冰密集度原始数据SICraw进行预处理：观测年份的海冰密集度原始数据SICraw以整型存储，大于1000范围的网格为无效值；
获取存储数据为无效值的所有网格位置(ci，rj)，即网格的行列号；其中，i表示列号，j表示行号；将海冰密集度原始数据SICraw中的相应网格位置处的数据置为0，即公式(1)：
SICraw(ci，rj)＝0 (1)
其中，(ci，rj)为像元位置，即像元的行列号，i表示列号，j表示行号；
将范围为1-1000的原始数据准换为取值范围为0-1的浮点型数据，即公式(2)，提取当前站点对应海冰密集度数据SICnew：
SICnew＝SICraw/1000.0 (2)。
所述步骤2)具体为：
根据当前站点位置与海冰密集度网格的距离为d，即：
其中，lon为当前站点的经度，lat为当前站点的纬度，long为海冰密集度网格的经度，latg为海冰密集度网格的纬度，g表示网格序号。
所述步骤4)，具体为：
对每日海冰年际变化序列SIC进行滑动平均处理，则滑动平均处理后的海冰密集度序列SICt，即：
其中，SICd即：每日海冰年际变化序列SIC，SICt为经滑动平均处理后的每日海冰年际变化序列，t＝3，4...362，d＝t-3，t-2...t+3。
步骤5)中，所述根据设定的海冰密集度阈值SIC0，确定海冰融化日期DOM，具体为：
根据海冰密集度阈值SIC0，找到所有低于阈值的日期M，对M进行迭代处理，当从某一日期k开始海冰密集度连续一周低于阈值，即满足：
max(SICk，SICk+1，...SICk+6)＜SIC0；
其中，max表示求最大值的函数；
且该日期k之后一个月内海冰密集度整体上处于下降的趋势，即满足：mean(SICk，SICk+1，...SICk+6)＞mean(SICk+7，SICk+8，...SICk+13)
mean(SICk+7，SICk+8，...SICk+13)＞mean(SICk+14，SICk+15，...SICk+21)
mean(SICk+14，SICk+15，...SICk+21)＞mean(SICk+22，SICk+23，...SICk+28)
其中，mean表示求最小值的函数；
则此日期M被识别为海冰融化日期DOM。
步骤5)中，所述根据设定的海冰密集度阈值SIC0，确定海冰冻结日期DOF，具体为：
根据海冰密集度阈值SIC0，找到所有高于阈值的日期F，将晚于最小密集度的日期F′进行迭代处理，当从某一日期l开始海冰密集度连续一周高于阈值，即满足：
min(SICl，SICl+1，...SICl+6)＞SIC0；
其中，min表示求最小值的函数；
且该日期l之后一个月内海冰密集度整体上处于增加的趋势，即满足：mean(SICl，SICl+1，...SICl+6)＜mean(SICl+7，SICl+8，...SICl+13)
mean(SICl+7，SICl+8，...SICl+13)＜mean(SICl+14，SICl+15，...SICl+21)
mean(SICl+14，SICl+15，...SICl+21)＜mean(SICl+22，SICl+23，...SICl+28)
其中，mean表示求最小值的函数。则此日期F被识别为海冰冻结日期DOF。
所述步骤6)，具体为：
观测时站点开阔水域存在时长OD，即：OD＝DOO-DOM；
当年站点开阔水域存在的总时长为MD，即：MD＝DOF-DOM。
基于海冰密集度数据的观测站点融化和冻结时间提取方法以IDL程序语言编写实现。
基于海冰密集度数据的观测站点融化和冻结时间提取装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现基于海冰密集度数据的观测站点融化和冻结时间提取方法方法。
本发明具有以下有益效果及优点：
1.本发明为一种基于海冰密集度数据的观测站点融化和冻结时间提取方法，可提供从数据读取、数据处理、结果可视化、迭代运算一整套流程算法。
2.本发明的方法采用的基础数据单一、且经过大量验证，精度和可信度较高，且易于获取。
3.本发明的方法可采用IDL以及多种程序语言完成，简洁方便，易于实现。
4.本发明的方法灵活度较高，用户可根据需求定义不同海冰密集度阈值，获取相应的海冰融化和冻结日期。
5.本发明提取得到的海冰融化和冻结日期可与观测日期进行对比，计算观测时站点附近的开阔水域存在的时长，以及观测年份站点开放的总时长，同时可获取观测站点长时序的融化日期和冻结日期。
附图说明
图1为本发明方法的流程图；
图2为本发明的观测记录存储的信息示意图；
图3为2000年9月11日观测站位位置的海冰覆盖范围示意图；
图4为本次观测提取结果示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
如图1所示，为本发明的方法流程图，本发明包括以下步骤：
1-1)读取站点观测数据，确定观测年份；
1-2)读取服务器中存储的当前站点观测数据；并从观测数据中获取需要的观测年份的海冰密集度原始数据SICraw；对海冰密集度原始数据进行预处理，得到观测年份的海冰密集度数据SICnew；
其中，对观测年份的海冰密集度原始数据SICraw进行预处理：观测年份的海冰密集度原始数据SICraw以整型存储，大于1000范围的网格为无效值；
获取存储数据为无效值的所有网格位置(ci，rj)，即网格的行列号；其中，i表示列号，j表示行号；将海冰密集度原始数据SICraw中的相应网格位置处的数据置为0，即公式(1)：
SICraw(ci，rj)＝0 (1)
其中，(ci，rj)为像元位置，即像元的行列号，i表示列号，j表示行号；
将范围为1-1000的原始数据准换为取值范围为0-1的浮点型数据，即公式(2)，提取当前站点对应海冰密集度数据SICnew：
SICnew＝SICraw/1000.0 (2)。
2)读取当年的海冰密集度数据并进行预处理：根据海冰密集度数据SICnew，通过计算站点与海冰密集度每个网格的距离，即：
其中，lon为当前站点的经度，lat为当前站点的纬度，long为海冰密集度网格的经度，latg为海冰密集度网格的纬度，g表示网格序号。
获取所有海冰密集度网格中距离当前站点最近的海冰密集度网格；
3)根据观测站点的位置提取站点附近每日海冰密集度序列；具体为：
根据观测站点的经纬度，计算观测站点与每个海冰密集度数据网格的距离，获取距离站点最近的海冰密集度网格，根据距离当前站点最近的海冰密集度网格中的网格位置，从海冰密集度数据SICnew中提取站点对应网格位置的每日的海冰密集度数据，形成观测年份当前站位处的每日海冰年际变化序列SIC；
4)对站点附近每日海冰密集度序列SIC进行光滑，消除天气尺度大气活动对海冰密集度的影响；对每日海冰变化序列SIC进行滑动平均处理，以消除海冰变率，得到滑动平均处理后的海冰密集度序列SICt，即：
其中，SICd即：每日海冰年际变化序列SIC，SICt为经滑动平均处理后的每日海冰年际变化序列，t＝3，4...362，d＝t-3，t-2...t+3。
5)根据设定的海冰密集度阈值SIC0，确定海冰融化日期DOM以及海冰冻结日期DOF：
根据阈值查找海冰密集度低于阈值的日期，对所有日期进行迭代循环，当从某一日期开始海冰密集度连续一周低于阈值，且该日期之后约一个月内海冰密集度整体上处于下降的趋势，则此日期被识别为海冰融化日期；
确定海冰融化日期包括：
获取海冰密集度低于阈值SICt的日期d1，d2…dm，对所有日期进行迭代循环，当从某一日期di开始海冰密集度连续一周低于阈值，且该日期之后约一个月内(di，di+1，……di+28)海冰密集度整体上处于下降的趋势，则此日期被识别为海冰融化日期(Date ofMelting，DOM)
根据海冰密集度阈值SIC0，找到所有低于阈值的日期M，对M进行迭代处理，当从某一日期k开始海冰密集度连续一周低于阈值，即满足：
max(SICk，SICk+1，...SICk+6)＜SIC0；
其中，max表示求最大值的函数；
且该日期k之后一个月内海冰密集度整体上处于下降的趋势，即满足：mean(SICk，SICk+1，...SICk+6)＞mean(SICk+7，SICk+8，...SICk+13)
mean(SICk+7，SICk+8，...SICk+13)＞mean(SICk+14，SICk+15，...SICk+21)
mean(SICk+14，SICk+15，...SICk+21)＞mean(SICk+22，SICk+23，...SICk+28)
其中，mean表示求最小值的函数；
则此日期M被识别为海冰融化日期DOM。
根据阈值查找海冰密集度高于阈值的日期，对晚于最小密集度发生时间的所有日期进行迭代循环，当从某一日期开始海冰密集度连续一周高于阈值，且该日期之后一个月内海冰密集度整体上处于上升的趋势，则此日期被识别为海冰冻结日期；
根据确定海冰冻结日期，具体为：
获取海冰密集度高于阈值BICt的日期，由于海冰冬季发生在秋冬，因此迭代处理晚于最小密集度发生时间的所有日期d1，d2…dn，当从某一日期dj开始海冰密集度连续一周低于阈值，且该日期之后约一个月内(dj，dj+1，……dj+28)海冰密集度整体上处于下降的趋势，则此日期被识别为海冰冻结日期(Date of Freeze，DOF)
根据海冰密集度阈值SIC0，找到所有高于阈值的日期F，将晚于最小密集度的日期F′进行迭代处理，当从某一日期l开始海冰密集度连续一周高于阈值，即满足：
min(BICl，SICl+1，...SICl+6)＞SIC0；
其中，min表示求最小值的函数；
且该日期l之后一个月内海冰密集度整体上处于增加的趋势，即满足：mean(SICl，SICl+1，，..SICl+6)＜mean(SICl+7，SICl+8，...SICl+13)
mean(SICl+7，SICl+8，...SICl+13)＜mean(SICl+14，SICl+15，...SICl+21)
mean(SICl+14，SICl+15，...SICl+21)＜mean(SICl+22，SICl+23，...SICl+28)
其中，mean表示求最小值的函数。则此日期F被识别为海冰冻结日期DOF。
6)根据观测日期DOO、海冰融化日期DOM以及海冰冻结日期DOF，获取观测时站点开阔水域存在时长OD和当年站点开阔水域存在的总时长为MD，具体为：
根据观测日期(Date of Observation，DOO)、海冰融化日期DOM和海冰冻结日期DOF，计算观测时站点开阔水域存在时长为DOO-DOM，当年站点开阔水域存在的总时长为DOF-DOM；
即：观测时站点开阔水域存在时长OD，即：OD＝DOO-DOM；
当年站点开阔水域存在的总时长为MD，即：MD＝DOF-DOM。
7)通过IDL程序重复步骤1)～6)，对所有观测数据进行迭代处理，获取所有观测记录的海冰融化日期和海冰冻结日期。
本发明的基于海冰密集度数据的观测站点融化和冻结时间提取方法以IDL程序语言编写实现。
下面结合实施例对本发明做进一步的详细说明。结合附图对方法步骤进行说明。
以下实施中以2000年9月11日基于北极海域站位(158.089°W，72.070°N)的观测为例，仅用于说明本发明的目的，不用于限定本发明的范围。
如图1所示，程序语言读取观测记录，观测记录包含的数据如图2所示。根据观测信息，确定本次观测的时间为2000年，读取2000年的海冰密集度数据。然后根据观测位置提取对应位置的海冰密集度序列，对原始的海冰数据进行预处理，如图3中红点代表站位，观测当日北极地区海冰密集度的空间分布用深浅不同的蓝色表示。然后对观测站点附近的海冰密集度序列进行光滑处理。查找海冰密集度低于(高于)阈值的日期，对符合条件的日期进行迭代循环，当从某一日期开始海冰密集度连续一周低于(高于)阈值，且该日期之后约一个月内海冰密集度整体上处于下降(上升)的趋势，则此日期被识别为海冰融化(冻结)日期，最后根据观测日期、海冰融化日期和海冰冻结日期计算观测时站点开阔水域存在时长，以及当年站点开阔水域存在的总时长。
方法包括以下步骤：
利用IDL程序语言读取站点观测数据：包括观测日期、观测位置以及观测时间处于观测年份的天数，确定观测年份为2000年，利用程序语言读取2000年海冰密集度数据，每日的海冰密集度数据以304列、448行大小的矩阵存储。
对当年的海冰密集度数据进行预处理：
读取海冰密集度数据，首先对无效值进行处理，去除陆地及开阔水域的影响，然后将原始存储的整形数据(1～1000)转换为浮点型数据(0～1)；具体为：
读取后对原始数据进行预处理，原始数据以整型存储，大于1000的网格为无效值，首先获取存储数据为无效值(如陆地、观测缺失区域)的所有像元位置(ci，rj)，即像元的行列号，将海冰密集度原始数据SICraw中的相应网格位置处的数据置为0，如公式1，再将范围为1-1000的原始数据准换为取值范围为0-1的浮点型数据，如公式2。
公式1：SICraw(ci，rj)＝0
公式2：SICnew＝SICraw/1000.0
根据站点位置(lon，lat)，本示例中为(158.089°W，72.070°N)，计算站点与所有海冰密集度网格的距离，如公式3。找到距离站点最近的网格。
基于网格位置，从海冰密集度数据SICnew中提取站点对应网格每天的海冰密集度，形成观测年份站位处海冰变化序列SIC。对站点附近观测年份的每日海冰密集度序列进行7日滑动平均处理，以消除天气尺度大气活动导致的海冰变率；
对每日海冰年际变化序列进行7日滑动平均，如公式4。图4中深灰色实线代表原始海冰序列，蓝色实线表示进行光滑后的海冰密集度序列。
根据海冰密集度阈值SIC0，找到所有低于阈值的日期M，对M进行迭代处理，当从某一日期k开始海冰密集度连续一周低于阈值，即满足公式5，且该日期之后约一个月内海冰密集度整体上处于下降的趋势，即满足公式6，则此日期被识别为海冰融化日期DOM。
公式5：max(SICk，SICk+1，...SICk+6)＜SIC0；
公式6：mean(SICk，SICk+1，...SICk+6)＞mean(SICk+7，SICk+8，...SICk+13)
mean(SICk+7，SICk+8，...SICk+13)＞mean(SICk+14，SICk+15，...SICk+21)
mean(SICk+14，SICk+15，...SICk+21)＞mean(SICk+22，SICk+23，...SICk+28)
式中，max表示求最大值的函数，mean表示求最小值的函数。
根据海冰密集度阈值SIC0，找到所有高于阈值的日期F，由于海冰冻结发生在每年最小密集度之后，因此对所有晚于最小密集度时间的F′日期进行迭代处理，当从某一日期l开始海冰密集度连续一周高于阈值，即满足公式7，且该日期之后约一个月内海冰密集度整体上处于增加的趋势，即满足公式8，则此日期被识别为海冰冻结日期DOF。
公式7：min(SICl，SICl+1，...SICl+6)＞SIC0；
公式8：mean(vICl，SICl+1，...SICl+6)＜mean(SICl+7，SICl+8，...SICl+13)
mean(SICl+7，SICl+8，...SICl+13)＜mean(SICl+14，SICl+15，...SICl+21)
mean(SICl+14，SICl+15，...SICl+21)＜mean(SICl+22，SICl+23，...SICl+28)
式中，min表示求最大值的函数，mean表示求最小值的函数。
最后，根据观测日期D00、海冰融化日期DOM和海冰冻结日期DOF，根据公式9和10分别计算观测时站点开阔水域存在时长0D和当年站点开阔水域存在的总时长为MD。
公式9：OD＝DOO-DOM
公式10：MD＝DOF-DOM
利用IDL的For循环，按照以上步骤对所有观测记录进行迭代处理，获取所有观测记录站点的融化日期、冻结日期、观测时开阔水域存在时长和当年站点开阔水域存在的总时长。图4展示了2000年9月11号一次观测的提取结果，浅灰色点线代表提取阈值，红色虚线表示融化日期，绿色虚线表示冻结日期，两个灰色箭头代表观测时开阔水域存在时长和当年站点开阔水域存在的总时长。本发明是参照根据本申请实施例的方法流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰应视为本发明的保护范围。
Claims (10)
1.基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，包括以下步骤：
1)读取服务器中存储的当前站点观测数据；并从观测数据中获取需要的观测年份的海冰密集度原始数据SICraw；对海冰密集度原始数据进行预处理，得到观测年份的海冰密集度数据SICnew；
2)根据海冰密集度数据SICnew，通过计算站点与海冰密集度每个网格的距离，获取所有海冰密集度网格中距离当前站点最近的海冰密集度网格；
3)根据距离当前站点最近的海冰密集度网格中的网格位置，从海冰密集度数据SICnew中提取站点对应网格位置的每日的海冰密集度数据，形成观测年份当前站位处的每日海冰年际变化序列SIC；
4)对每日海冰变化序列SIC进行滑动平均处理，以消除海冰变率，得到滑动平均处理后的海冰密集度序列SICt；
5)根据设定的海冰密集度阈值SIC0，确定海冰融化日期DOM以及海冰冻结日期DOF；
6)根据观测日期DOO、海冰融化日期DOM以及海冰冻结日期DOF，获取观测时站点开阔水域存在时长OD和当年站点开阔水域存在的总时长为MD；
7)通过IDL程序重复步骤1)～6)，获取所有站点的海冰融化日期DOM、海冰冻结日期DOF、观测时站点开阔水域存在时长OD和当年站点开阔水域存在的总时长为MD。
2.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，所述站点观测数据，包括：观测年份及日期、当前站点位置的经纬度坐标(lon，lat)以及观测年份首日至观测日间的天数。
3.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，步骤1)，所述对海冰密集度原始数据进行预处理，得到观测年份的海冰密集度数据SICnew，具体为：
对观测年份的海冰密集度原始数据SICraw进行预处理：观测年份的海冰密集度原始数据SICraw以整型存储，大于1000范围的网格为无效值；
获取存储数据为无效值的所有网格位置(ci,rj)，即网格的行列号；其中，i表示列号，j表示行号；将海冰密集度原始数据SICraw中的相应网格位置处的数据置为0，即公式(1)：
SICraw(ci,rj)＝0 (1)
其中，(ci,rj)为像元位置，即像元的行列号，i表示列号，j表示行号；
将范围为1-1000的原始数据准换为取值范围为0-1的浮点型数据，即公式(2)，提取当前站点对应海冰密集度数据SICnew：
SICnew＝SICraw/1000.0 (2)。
4.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，所述步骤2)具体为：
根据当前站点位置与海冰密集度网格的距离为d，即：
其中，lon为当前站点的经度，lat为当前站点的纬度，long为海冰密集度网格的经度，latg为海冰密集度网格的纬度，g表示网格序号。
5.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，所述步骤4)，具体为：
对每日海冰年际变化序列SIC进行滑动平均处理，则滑动平均处理后的海冰密集度序列SICt，即：
其中，SICd即：每日海冰年际变化序列SIC，SICt为经滑动平均处理后的每日海冰年际变化序列，t＝3,4…362，d＝t-3,t-2…t+3。
6.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，步骤5)中，所述根据设定的海冰密集度阈值SIC0，确定海冰融化日期DOM，具体为：
根据海冰密集度阈值SIC0，找到所有低于阈值的日期M,对M进行迭代处理，当从某一日期k开始海冰密集度连续一周低于阈值，即满足：
max(SICk,SICk+1,…SICk+6)<SIC0；
其中，max表示求最大值的函数；
且该日期k之后一个月内海冰密集度整体上处于下降的趋势，即满足：
mean(SICk,SICk+1,…SICk+6)>mean(SICk+7,SICk+8,…SICk+13)
mean(SICk+7,SICk+8,…SICk+13)>mean(SICk+14,SICk+15,…SICk+21)
mean(SICk+14,SICk+15,…SICk+21)>mean(SICk+22,SICk+23,…SICk+28)
其中，mean表示求最小值的函数；
则此日期M被识别为海冰融化日期DOM。
7.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，步骤5)中，所述根据设定的海冰密集度阈值SIC0，确定海冰冻结日期DOF，具体为：
根据海冰密集度阈值SIC0，找到所有高于阈值的日期F,将晚于最小密集度的日期F′进行迭代处理，当从某一日期l开始海冰密集度连续一周高于阈值，即满足：
min(SICl,SICl+1,…SICl+6)>SIC0；
其中，min表示求最小值的函数；
且该日期l之后一个月内海冰密集度整体上处于增加的趋势，即满足：
mean(SICl,SICl+1,…SICl+6)<mean(SICl+7,SICl+8,…SICl+13)
mean(SICl+7,SICl+8,…SICl+13)<mean(SICl+14,SICl+15,…SICl+21)
mean(SICl+14,SICl+15,…SICl+21)<mean(SICl+22,SICl+23,…SICl+28)
其中，mean表示求最小值的函数，则此日期F被识别为海冰冻结日期DOF。
8.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，所述步骤6)，具体为：
观测时站点开阔水域存在时长OD，即：OD＝DOO-DOM；
当年站点开阔水域存在的总时长为MD，即：MD＝DOF-DOM。
9.根据权利要求1所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法，其特征在于，以IDL程序语言编写实现。
10.基于海冰密集度数据的观测站点融化和冻结时间提取装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-9任一项所述的基于海冰密集度数据的观测站点融化和冻结时间提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111458451.6A CN114239704A (zh) | 2021-12-02 | 2021-12-02 | 基于海冰密集度数据的观测站点融化和冻结时间提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111458451.6A CN114239704A (zh) | 2021-12-02 | 2021-12-02 | 基于海冰密集度数据的观测站点融化和冻结时间提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114239704A true CN114239704A (zh) | 2022-03-25 |
Family
ID=80752701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111458451.6A Pending CN114239704A (zh) | 2021-12-02 | 2021-12-02 | 基于海冰密集度数据的观测站点融化和冻结时间提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239704A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482400A (zh) * | 2009-02-11 | 2009-07-15 | 中国极地研究中心 | 海冰厚度测量装置和方法 |
| RU2460968C1 (ru) * | 2011-03-22 | 2012-09-10 | Федеральное государственное бюджетное учреждение "Арктический и Антарктический научно-исследовательский институт" (ФГБУ "ААНИИ") | Способ определения высоты снежного покрова на льду акваторий |
| CN111125934A (zh) * | 2020-01-06 | 2020-05-08 | 武汉大学 | 基于最小二乘平差的海冰厚度分布估测方法及系统 |
| CN114114358A (zh) * | 2021-11-24 | 2022-03-01 | 中国人民解放军国防科技大学 | 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法 |
| CN115326208A (zh) * | 2022-07-29 | 2022-11-11 | 武汉大学 | 基于被动微波多系点反演海冰厚度的方法及系统 |
-
2021
- 2021-12-02 CN CN202111458451.6A patent/CN114239704A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101482400A (zh) * | 2009-02-11 | 2009-07-15 | 中国极地研究中心 | 海冰厚度测量装置和方法 |
| RU2460968C1 (ru) * | 2011-03-22 | 2012-09-10 | Федеральное государственное бюджетное учреждение "Арктический и Антарктический научно-исследовательский институт" (ФГБУ "ААНИИ") | Способ определения высоты снежного покрова на льду акваторий |
| CN111125934A (zh) * | 2020-01-06 | 2020-05-08 | 武汉大学 | 基于最小二乘平差的海冰厚度分布估测方法及系统 |
| CN114114358A (zh) * | 2021-11-24 | 2022-03-01 | 中国人民解放军国防科技大学 | 一种基于多源卫星数据融合的北极海冰厚度空间分辨率改进方法 |
| CN115326208A (zh) * | 2022-07-29 | 2022-11-11 | 武汉大学 | 基于被动微波多系点反演海冰厚度的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 刘;庞小平;赵羲;苏楚钦;季青;: "基于海冰密集度遥感数据的波弗特海海冰时空变化研究", 极地研究, no. 02, 15 June 2018 (2018-06-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Monitoring mangrove forest change in China from 1990 to 2015 using Landsat-derived spectral-temporal variability metrics | |
| Yasunaka et al. | Arctic Ocean CO 2 uptake: An improved multiyear estimate of the air–sea CO 2 flux incorporating chlorophyll a concentrations | |
| Sunder et al. | Inter-comparison of remote sensing sensing-based shoreline mapping techniques at different coastal stretches of India | |
| Casas-Mulet et al. | Unmanned aerial vehicle (UAV)-based thermal infra-red (TIR) and optical imagery reveals multi-spatial scale controls of cold-water areas over a groundwater-dominated riverscape | |
| CN107247927B (zh) | 一种基于缨帽变换的遥感图像海岸线信息提取方法及系统 | |
| Minton et al. | Population estimates and distribution patterns of Irrawaddy dolphins (Orcaella brevirostris) and Indo-Pacific finless porpoises (Neophocaena phocaenoides) in the Kuching Bay, Sarawak. | |
| CN112183452B (zh) | 一种基于气象卫星图像和深度迁移学习的海雾识别方法 | |
| Nakamori et al. | Water circulation and carbon flux on Shiraho coral reef of the Ryukyu Islands, Japan | |
| CN112418506B (zh) | 基于机器学习的海岸带湿地生态安全格局优化方法、装置 | |
| Fu et al. | Estimating spatial and temporal variation in ocean surface pCO2 in the Gulf of Mexico using remote sensing and machine learning techniques | |
| Rubinić et al. | Water regime of Vrana Lake in Dalmatia (Croatia): changes, risks and problems | |
| CN110456024B (zh) | 一种分析天然气水合物稳定区边界处碳循环过程的方法及系统 | |
| CN111369178A (zh) | 一种基于生态大数据的矿区生态修复指导系统 | |
| CN111738494A (zh) | 基于MaxEnt和ArcGIS的喜树分布预测方法 | |
| CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
| CN114239704A (zh) | 基于海冰密集度数据的观测站点融化和冻结时间提取方法 | |
| Suhadha et al. | Potential fishing zones estimation based on approach of area matching between thermal front and mesotrophic area | |
| Peña et al. | Towards climate change projections of biogeochemical conditions along the British Columbia coast | |
| CN113657151A (zh) | 一种基于yolo目标检测算法的水上交通违章行为检测方法 | |
| CN111222679B (zh) | 一种基于遥感的河道水量估算方法 | |
| CN107907645A (zh) | 一种水生动物行为信息驱动的水质预警装置及方法 | |
| Yang et al. | Influences of environmental factors on the dissipation of green tides in the Yellow Sea, China | |
| CN112070796B (zh) | 一种基于拉格朗日思想的北极多年冰融化量计算方法 | |
| CN116012707A (zh) | 一种渔光互补光伏养殖模式的遥感识别方法 | |
| CN111275631A (zh) | 一种遥感影像提取城市水体时消除阴影干扰的方法 |
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 |