CN114462247B - 一种北太平洋海表盐度年代际模态识别方法及系统 - Google Patents

一种北太平洋海表盐度年代际模态识别方法及系统 Download PDF

Info

Publication number
CN114462247B
CN114462247B CN202210131240.XA CN202210131240A CN114462247B CN 114462247 B CN114462247 B CN 114462247B CN 202210131240 A CN202210131240 A CN 202210131240A CN 114462247 B CN114462247 B CN 114462247B
Authority
CN
China
Prior art keywords
eof1
eof2
monopole
dipole
equal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210131240.XA
Other languages
English (en)
Other versions
CN114462247A (zh
Inventor
陈建
姜祝辉
宿兴涛
沈晓晶
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.)
61540 Troops of PLA
Original Assignee
61540 Troops of PLA
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 61540 Troops of PLA filed Critical 61540 Troops of PLA
Priority to CN202210131240.XA priority Critical patent/CN114462247B/zh
Publication of CN114462247A publication Critical patent/CN114462247A/zh
Application granted granted Critical
Publication of CN114462247B publication Critical patent/CN114462247B/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
    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明涉及一种北太平洋海表盐度年代际模态识别方法及系统，该方法包括：获取多个模式的CMIP6气候模式数据；获取欧洲中期天气预报中心的ORAS4再分析数据集作为比较基准数据；采用比较基准数据计算NPSDV的两个经验正交函数模态EOF1和EOF2，EOF1为偶极子模态，EOF2为单极子模态；分别采用各模式的CMIP6气候模式数据计算NPSDV的两个经验正交函数模态EOF1’和EOF2’；根据EOF1与EOF1’的空间相关系数、EOF1与EOF2’的空间相关系数R12、EOF2与EOF1’的空间相关系数R21和EOF2与EOF2’的空间相关系数R22识别EOF1’和EOF2’的模态。本发明提高了识别的鲁棒性。

Description

一种北太平洋海表盐度年代际模态识别方法及系统
技术领域
本发明涉及海洋数据观测技术领域，特别是涉及一种北太平洋海表盐度年代际模态识别方法及系统。
背景技术
由于盐度的低频变化对全球和区域海洋环流以及地球气候和生态系统有着深远的影响，因此了解盐度的低频变化及其潜在机制至关重要。在上层海洋，海表盐度(SSS)的年际至数十年变化反映了表层淡水通量(FWF)和海洋平流或混合过程之间的长期大尺度平衡。
由于近20年来Argo浮标的积累，盐度观测已经越来越足以研究全球上层海洋大部分地区年际或更短时间尺度上的SSS变化。在热带太平洋，这些观测有助于研究与厄尔尼诺-南方涛动(ENSO)相关的SSS模态、东太平洋ENSO(EP-ENSO)和中太平洋ENSO(CP-ENSO)的SSS对比特征，以及热带太平洋盐度对ENSO年际变化的影响。另一方面，耦合模式也被广泛用于量化FWF和SSS之间的关系以及FWF引起的对海表温度(SST)变化的反馈。特别是在世界气候研究计划署(WCRP)耦合模式工作组(WGCM)主持下组织的耦合模式相互比较项目(CMIP)，已支持了一系列基于全球耦合气候模式的SSS分析。其中，Zhi et al.(2015)使用23个CMIP5模式再现了热带太平洋观测到的现象，即FWF通过SSS异常(SSSA)对SST产生正反馈；Bai et al.(2017)基于25个CMIP5模式比较了两种厄尔尼诺类型之间的SSS和相关降水分布；Zhi et al.(2019)发现，使用带有模式偏差的CMIP5模拟热带太平洋混合层盐度收支，会高估海表强迫而弱化平流效应。
然而，在更长的时间尺度上和北太平洋海域，情况更为复杂。传统理论认为，北太平洋SSS年代际变率(NPSDV)受太平洋年代际振荡(PDO；Mantua et al.1997)的控制，并在70年代中期和90年代中期有正负转换(Overland et al.1999；Delcroix et al.2007；Nurhati 2011；Lin 2014)。北太平洋环流振荡(NPGO；Di Lorenzo et al.2008)被定义为东北太平洋海表高度异常(SSHA)变化的第二主导模态，对传统的太平洋年代际气候理论提出了挑战。尽管NPGO最初的定义基于第二个SSH(或SST)模态，但NPGO也“是东北太平洋盐度低频变化的主导模态(Di Lorenzo et al.2009)”，并延伸至北太平洋以外，成为全球气候变率的一部分(Di Lorenzo et al.2010)。例如，有人认为，热带太平洋的SSS年代际分量如果完全分离，则与PDO的相关性很差(Chen et al.2012)，而与NPGO的关系更密切(Chen etal.2014)。
在有限的观测数据集中，NPSDV具有不确定性，NPSDV的特征和可预测性是气候动力学中一个重要的开放性问题。多模式数据是研究气候特征的重要手段，但以往的多模式研究大多集中在北太平洋海温信号上。这些研究认为，尽管振幅存在很大差异，大多数CMIP模式仍能合理地再现北太平洋PDO的空间分布；在大多数CMIP模式中，ENSO对PDO的影响或被严重低估或被高估。到目前为止，还没有关于NPSDV长期可预测性的研究，关于NPSDV的形态、振幅、频率的潜在变化及其变化模态与相关大气和海洋、直接和间接变化的关系，仍然存在争论。
在观测数据中，NPSDV的两个主要经验正交函数(EOF)模态(即EOF1和EOF2)分别呈现“偶极子”模态和“单极子”模态；而在CMIP等多模式数据中，“偶极子”模态和“单极子”的顺序在不同模式中是不一致的，也就是说，偶极子在一些模式中是EOF1、在其它一些模式中是EOF2，单极子在一些模式中是EOF2，在其它一些模式中是EOF1。当前，对于如何识别不同模式中NPSDV的偶极子和单极子尚无定量化研究方法。
发明内容
本发明的目的是提供一种北太平洋海表盐度年代际模态识别方法及系统，提高了识别的鲁棒性。
为实现上述目的，本发明提供了如下方案：
一种北太平洋海表盐度年代际模态识别方法，包括：
获取设定时间段内多个模式的CMIP6气候模式数据；
获取设定时间段内的欧洲中期天气预报中心的ORAS4再分析数据集作为比较基准数据；
采用所述比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1和EOF2，EOF1为偶极子模态，EOF2为单极子模态；
分别采用各模式的所述CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1’和EOF2’；
获取EOF1与EOF1’的空间相关系数R11，EOF1与EOF2’的空间相关系数R12，EOF2与EOF1’的空间相关系数R21，EOF2与EOF2’的空间相关系数R22；
根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态。
可选地，所述根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态，具体包括：
若R11与R22的和大于或等于R12与R21的和，则第一判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11与R22的和小于R12与R21的和，则所述第一判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11小于R12且R21大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R12大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R12小于R22，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11大于或等于R12且R21大于或等于R22且R11大于或等于R21，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11大于或等于R12且R21大于或等于R22且R11小于R21，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21小于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11小于R12且R21大于或等于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R11小于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R11大于或等于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21大于或等于R22且R12小于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21大于或等于R22且R12大于或等于R22，则所述第三判断结果为EOF1’为偶极子，EOF2’为单极子；
将所述第一判断结果、所述第二判断结果和所述第三判断结果中相同的判断结果作为输出的判断结果。
可选地，所述设定时间段为1958年至2014年的时间范围。
可选地，所述采用所述比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，具体包括：
去除所述比较基准数据中海表盐度的气候月平均值，获得第一处理后比较基准数据；
对所述第一处理后比较基准数据进行去线性趋势和平滑处理，获得第二处理后比较基准数据；
采用所述第二处理后比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
可选地，分别采用各模式的所述CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，具体包括：
去除所述CMIP6气候模式数据中海表盐度的气候月平均值，获得第一处理后CMIP6气候模式数据；
对所述第一处理后CMIP6气候模式数据进行去线性趋势和平滑处理，获得第二处理后CMIP6气候模式数据；
采用所述第二处理后CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
本发明公开了一种北太平洋海表盐度年代际模态识别系统，包括：
CMIP6气候模式数据获取模块，用于获取设定时间段内多个模式的CMIP6气候模式数据；
比较基准数据确定模块，用于获取设定时间段内的欧洲中期天气预报中心的ORAS4再分析数据集作为比较基准数据；
比较基准数据经验正交函数模态计算模块，用于采用所述比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1和EOF2，EOF1为偶极子模态，EOF2为单极子模态；
CMIP6气候模式数据经验正交函数模态计算模块，用于分别采用各模式的所述CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1’和EOF2’；
空间相关系数确定模块，用于获取EOF1与EOF1’的空间相关系数R11，EOF1与EOF2’的空间相关系数R12，EOF2与EOF1’的空间相关系数R21，EOF2与EOF2’的空间相关系数R22；
模态识别模块，用于根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态。
可选地，所述模态识别模块，具体包括：
第一判断第一结果判定单元，用于若R11与R22的和大于或等于R12与R21的和，则第一判断结果为EOF1’为偶极子，EOF2’为单极子；
第一判断第二结果判定单元，用于若R11与R22的和小于R12与R21的和，则所述第一判断结果为EOF1’为单极子，EOF2’为偶极子；
第二判断第一结果判定单元，用于若R11大于或等于R12且R21小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子；
第二判断第二结果判定单元，用于若R11小于R12且R21大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
第二判断第三结果判定单元，用于若R11小于R12且R21小于R22且R12大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
第二判断第四结果判定单元，用于若R11小于R12且R21小于R22且R12小于R22，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
第二判断第五结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R11大于或等于R21，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
第二判断第六结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R11小于R21，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第一结果判定单元，用于若R11大于或等于R12且R21小于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子；
第三判断第二结果判定单元，用于若R11小于R12且R21大于或等于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第三结果判定单元，用于若R11小于R12且R21小于R22且R11小于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第四结果判定单元，用于若R11小于R12且R21小于R22且R11大于或等于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第五结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R12小于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第六结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R12大于或等于R22，则所述第三判断结果为EOF1’为偶极子，EOF2’为单极子；
判断结果输出单元，用于将所述第一判断结果、所述第二判断结果和所述第三判断结果中相同的判断结果作为输出的判断结果。
可选地，所述设定时间段为1958年至2014年的时间范围。
可选地，所述比较基准数据经验正交函数模态计算模块，具体包括：
比较基准数据去除气候月平均值单元，用于去除所述比较基准数据中海表盐度的气候月平均值，获得第一处理后比较基准数据；
比较基准数据去线性趋势和平滑处理单元，用于对所述第一处理后比较基准数据进行去线性趋势和平滑处理，获得第二处理后比较基准数据；
比较基准数据经验正交函数模态计算单元，用于采用所述第二处理后比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
可选地，所述CMIP6气候模式数据经验正交函数模态计算模块，具体包括：
CMIP6气候模式数据去除气候月平均值单元，用于去除所述CMIP6气候模式数据中海表盐度的气候月平均值，获得第一处理后CMIP6气候模式数据；
CMIP6气候模式数据去线性趋势和平滑处理单元，用于对所述第一处理后CMIP6气候模式数据进行去线性趋势和平滑处理，获得第二处理后CMIP6气候模式数据；
CMIP6气候模式数据经验正交函数模态计算单元，用于采用所述第二处理后CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种北太平洋海表盐度年代际模态识别方法及系统，通过计算各模式的所述CMIP6气候模式数据对应的北太平洋海表盐度年代际变化的两个经验正交函数模态EOF1’和EOF2’，及所述比较基准数据的北太平洋海表盐度年代际变化的两个经验正交函数模态EOF1和EOF2，通过空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态，提高了EOF1’和EOF2’模态识别的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种北太平洋海表盐度年代际模态识别方法流程示意图；
图2为本发明一种北太平洋海表盐度年代际模态识别系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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他实施例，都属于本发明保护的范围。
本发明的目的是提供一种北太平洋海表盐度年代际模态识别方法及系统，提高了模态识别的鲁棒性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种北太平洋海表盐度年代际模态识别方法流程示意图，如图1所示，一种北太平洋海表盐度年代际模态识别方法，包括：
步骤101：获取设定时间段内多个模式的CMIP6气候模式数据。
CMIP6气候模式数据为CMIP第6阶段(CMIP6)多模数据，来自地球系统网格联合会(ESGF)开发运行的分布式数据存档(https://esgf-node.llnl.gov/projects/cmip6/)，选取其25个模式的历史情景模拟数据进行分析，使用其1958年至2014年的数据。模式有多个集合成员时选择第一个集合成员，所有模式数据统一插值到1°×1°分辨率的格点上。这25个CMIP6模式包括：ACCESS-CM2、ACCESS-ESM1-5、BCC-ESM1、CanESM5、CESM2、CESM2-FV2、CESM2-WACCM、CESM2-WACCM-FV2、E3SM-1-0、E3SM-1-1-ECA、FGOALS-f3-L、FGOALS-g3-L、GFDL-CM4、GFDL-ESM4、GISS-E2-1-G、GISS-E2-1-H、INM-CM4-8、MIROC6、MRI-ESM2-0、MPI-ESM1-2-LR、MPI-ESM-1-2-HAM、NESM3、NorCPM1、NorESM2-MM、SAM0-UNICON。
步骤102：获取设定时间段内的欧洲中期天气预报中心(ECMWF)的ORAS4再分析数据集作为比较基准数据。
设定时间段为1958年至2014年的时间范围。
步骤103：采用比较基准数据计算北太平洋海表盐度年代际变化(NPSDV)的两个经验正交函数模态，分别记为EOF1和EOF2，EOF1为偶极子模态，EOF2为单极子模态。
其中，步骤103具体包括：
去除比较基准数据中海表盐度的气候月平均值，获得第一处理后比较基准数据。
使用6个月时间窗口滤波器对第一处理后比较基准数据进行去线性趋势和平滑处理，获得第二处理后比较基准数据。
采用第二处理后比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
步骤104：分别采用各模式的CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1’和EOF2’。
不同于ORAS4中EOF1和EOF2分别呈现“偶极子”模态和“单极子”模态，在CMIP6中，“偶极子”模态和“单极子”的顺序在不同模式中是不一致的。因此，对CMIP6中不同模式得到的EOF1’和EOF2’，需要识别出EOF1’和EOF2’孰为偶极子、孰为单极子，使EOF1’和EOF2’以与ORAS4一致的顺序分别描述“偶极子”模态和“单极子”模态。
其中，步骤104具体包括：
去除CMIP6气候模式数据中海表盐度的气候月平均值，获得第一处理后CMIP6气候模式数据。
使用6个月时间窗口滤波器对第一处理后CMIP6气候模式数据进行去线性趋势和平滑处理，获得第二处理后CMIP6气候模式数据。
采用第二处理后CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
步骤105：获取EOF1与EOF1’的空间相关系数R11，EOF1与EOF2’的空间相关系数R12，EOF2与EOF1’的空间相关系数R21，EOF2与EOF2’的空间相关系数R22。
步骤106：根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态。
运用三个原则分别识别CMIP6对应的EOF1’和EOF2’哪个是偶极子，哪个是单极子。
其中，步骤106具体包括：
若R11与R22的和大于或等于R12与R21的和，则第一判断结果为EOF1’为偶极子，EOF2’为单极子。
若R11与R22的和小于R12与R21的和，则第一判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11大于或等于R12且R21小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子。
若R11小于R12且R21大于或等于R22，则第二判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11小于R12且R21小于R22且R12大于或等于R22，则第二判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11小于R12且R21小于R22且R12小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子。
若R11大于或等于R12且R21大于或等于R22且R11大于或等于R21，则第二判断结果为EOF1’为偶极子，EOF2’为单极子。
若R11大于或等于R12且R21大于或等于R22且R11小于R21，则第二判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11大于或等于R12且R21小于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子。
若R11小于R12且R21大于或等于R22，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11小于R12且R21小于R22且R11小于R21，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11小于R12且R21小于R22且R11大于或等于R21，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11大于或等于R12且R21大于或等于R22且R12小于R22，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
若R11大于或等于R12且R21大于或等于R22且R12大于或等于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子。
将第一判断结果、第二判断结果和第三判断结果中相同的判断结果作为输出的判断结果。
步骤106运用三个原则，分别为“总和最大原则”、“大中取大原则”和“小中去小原则”。
原则1：“总和最大原则”
如果R11+R22≥R12+R21，则EOF1’是偶极子，EOF2’是单极子。
如果R11+R22<R12+R21，则EOF2’是偶极子，EOF1’是单极子。
原则2：“大中取大原则”
(1)如果R11≥R12和R21<R22，则EOF1’是偶极子，EOF2’是单极子。
(2)如果R11<R12和R21≥R22，则EOF2’是偶极子，EOF1’是单极子。
(3)如果R11<R12和R21<R22，则另外比较两个“较大的”：如果R12≥R22，EOF2’是偶极子(即“保留最大的R12”)，EOF1’是单极子；如果R12<R22，EOF1’是偶极子，EOF2’是单极子(即“保留最大的R22”)。
(4)如果R11≥R12和R21≥R22，则另外比较两个“较大的”：如果R11≥R21，EOF1’是偶极子(即“保留最大的R11”，EOF2’是单极子；如果R11<R21，EOF2’是偶极子，EOF1’是单极子(即，“保留最大的R21”)。
原则3：“小中去小原则”
(1)如果R11≥R12和R21<R22，EOF1’是偶极子，EOF2’是单极子。
(2)如果R11<R12和R21≥R22，EOF2’是偶极子，EOF1’是单极子。
(3)如果R11<R12和R21<R22，则另外比较两个“较小的”：如果R11<R21，EOF2’是偶极子(即“排除最小的R11”并保留R12)，EOF1’是单极子；如果R11≥R21，EOF1’是偶极子，EOF2’是单极子(即“排除最小的R21”并保留R22)。
(4)如果R11≥R12和R21≥R22，则另外比较两个“较小的”：如果R12<R22，则EOF1’为偶极子(即“排除最小的R12”并保留R11)，EOF2’为单极子；如果R12≥R22，EOF2’是偶极子，EOF1’是单极子(即“排除最小的R22”并保留R21)。
如果三个原则的结果都相同，那么EOF1’和EOF2’的对应顺序则取三个原则共同的结果；如果有一个原则的结果跟其他两个原则的结果不同，则将使用两个同样的结果。
表1给出了三种原则下NPSDV偶极子和单极子模态的识别结果以及模态综合识别结果。由表1可知，大多数CMIP6模式数据(25个中的19个)的EOF1’是单极子、EOF2’是偶极子。
表1 NPSDV偶极子和单极子模态的识别结果
Figure BDA0003502740270000121
Figure BDA0003502740270000131
表1为三种原则下NPSDV偶极子(dipole)和单极子(monopole)模态的识别结果。其中，带*的模式名称表示其EOF1’是单极子、EOF2’是偶极子，不带*的则EOF1’是偶极子、EOF2’是单极子；“空间系数”单元格中的4个数值(从左到右、从上到下)分别代表R11、R12、R22、R21，“模态顺序”单元格中第一个为EOF1’，第二个为EOF2’。
针对多模式数据中北太平洋SSS年代际变率(NPSDV)前两个模态顺序极不稳定、偶极子和单极子模态不容易识别的问题，将CMIP6多模式数据计算得到的EOF1’和EOF2’，与ORAS4再分析数据计算得到的偶极子和单极子进行相关分析，运用“总和最大”、“大中取大”、“小中去小”三个原则分别识别出多模式数据的偶极子和单极子，最后将三个原则中至少两个原则给出的一致结果作为最终的识别判据。这种方法相对传统的目视识别，具有客观、定量的优势；相对于单个原则的识别，具有更好的稳健性和鲁棒性。
本发明提高了对于根据CMIP6气候模式数据计算出北太平洋海表盐度年代际变化的两个经验正交函数模态EOF1’和EOF2’的偶极子模态和单极子模态识别的准确性，从而对海表盐度的观测数据的研究分析和预测提供了更准确的依据。
图2为本发明一种北太平洋海表盐度年代际模态识别系统结构示意图，如图2所示，本发明公开了一种北太平洋海表盐度年代际模态识别系统，包括：
CMIP6气候模式数据获取模块201，用于获取设定时间段内多个模式的CMIP6气候模式数据。
比较基准数据确定模块202，用于获取设定时间段内的欧洲中期天气预报中心的ORAS4再分析数据集作为比较基准数据。
比较基准数据经验正交函数模态计算模块203，用于采用比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1和EOF2，EOF1为偶极子模态，EOF2为单极子模态。
CMIP6气候模式数据经验正交函数模态计算模块204，用于分别采用各模式的CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1’和EOF2’。
空间相关系数确定模块205，用于获取EOF1与EOF1’的空间相关系数R11，EOF1与EOF2’的空间相关系数R12，EOF2与EOF1’的空间相关系数R21，EOF2与EOF2’的空间相关系数R22。
模态识别模块206，用于根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态。
模态识别模块206，具体包括：
第一判断第一结果判定单元，用于若R11与R22的和大于或等于R12与R21的和，则第一判断结果为EOF1’为偶极子，EOF2’为单极子。
第一判断第二结果判定单元，用于若R11与R22的和小于R12与R21的和，则第一判断结果为EOF1’为单极子，EOF2’为偶极子。
第二判断第一结果判定单元，用于若R11大于或等于R12且R21小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子。
第二判断第二结果判定单元，用于若R11小于R12且R21大于或等于R22，则第二判断结果为EOF1’为单极子，EOF2’为偶极子。
第二判断第三结果判定单元，用于若R11小于R12且R21小于R22且R12大于或等于R22，则第二判断结果为EOF1’为单极子，EOF2’为偶极子。
第二判断第四结果判定单元，用于若R11小于R12且R21小于R22且R12小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子。
第二判断第五结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R11大于或等于R21，则第二判断结果为EOF1’为偶极子，EOF2’为单极子。
第二判断第六结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R11小于R21，则第二判断结果为EOF1’为单极子，EOF2’为偶极子。
第三判断第一结果判定单元，用于若R11大于或等于R12且R21小于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子。
第三判断第二结果判定单元，用于若R11小于R12且R21大于或等于R22，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
第三判断第三结果判定单元，用于若R11小于R12且R21小于R22且R11小于R21，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
第三判断第四结果判定单元，用于若R11小于R12且R21小于R22且R11大于或等于R21，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
第三判断第五结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R12小于R22，则第三判断结果为EOF1’为单极子，EOF2’为偶极子。
第三判断第六结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R12大于或等于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子。
判断结果输出单元，用于将第一判断结果、第二判断结果和第三判断结果中相同的判断结果作为输出的判断结果。
设定时间段为1958年至2014年的时间范围。
比较基准数据经验正交函数模态计算模块203，具体包括：
比较基准数据去除气候月平均值单元，用于去除比较基准数据中海表盐度的气候月平均值，获得第一处理后比较基准数据。
比较基准数据去线性趋势和平滑处理单元，用于对第一处理后比较基准数据进行去线性趋势和平滑处理，获得第二处理后比较基准数据。
比较基准数据经验正交函数模态计算单元，用于采用第二处理后比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
CMIP6气候模式数据经验正交函数模态计算模块204，具体包括：
CMIP6气候模式数据去除气候月平均值单元，用于去除CMIP6气候模式数据中海表盐度的气候月平均值，获得第一处理后CMIP6气候模式数据。
CMIP6气候模式数据去线性趋势和平滑处理单元，用于对第一处理后CMIP6气候模式数据进行去线性趋势和平滑处理，获得第二处理后CMIP6气候模式数据。
CMIP6气候模式数据经验正交函数模态计算单元，用于采用第二处理后CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种北太平洋海表盐度年代际模态识别方法，其特征在于，包括：
获取设定时间段内多个模式的CMIP6气候模式数据；
获取设定时间段内的欧洲中期天气预报中心的ORAS4再分析数据集作为比较基准数据；
采用所述比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1和EOF2，EOF1为偶极子模态，EOF2为单极子模态；
分别采用各模式的所述CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1’和EOF2’；
获取EOF1与EOF1’的空间相关系数R11，EOF1与EOF2’的空间相关系数R12，EOF2与EOF1’的空间相关系数R21，EOF2与EOF2’的空间相关系数R22；
根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态；
所述采用所述比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，具体包括：
去除所述比较基准数据中海表盐度的气候月平均值，获得第一处理后比较基准数据；
对所述第一处理后比较基准数据进行去线性趋势和平滑处理，获得第二处理后比较基准数据；
采用所述第二处理后比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态；
所述分别采用各模式的所述CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，具体包括：
去除所述CMIP6气候模式数据中海表盐度的气候月平均值，获得第一处理后CMIP6气候模式数据；
对所述第一处理后CMIP6气候模式数据进行去线性趋势和平滑处理，获得第二处理后CMIP6气候模式数据；
采用所述第二处理后CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
2.根据权利要求1所述的北太平洋海表盐度年代际模态识别方法，其特征在于，所述根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态，具体包括：
若R11与R22的和大于或等于R12与R21的和，则第一判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11与R22的和小于R12与R21的和，则所述第一判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11小于R12且R21大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R12大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R12小于R22，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11大于或等于R12且R21大于或等于R22且R11大于或等于R21，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11大于或等于R12且R21大于或等于R22且R11小于R21，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21小于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子；
若R11小于R12且R21大于或等于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R11小于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11小于R12且R21小于R22且R11大于或等于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21大于或等于R22且R12小于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
若R11大于或等于R12且R21大于或等于R22且R12大于或等于R22，则所述第三判断结果为EOF1’为偶极子，EOF2’为单极子；
将所述第一判断结果、所述第二判断结果和所述第三判断结果中相同的判断结果作为输出的判断结果。
3.根据权利要求1所述的北太平洋海表盐度年代际模态识别方法，其特征在于，所述设定时间段为1958年至2014年的时间范围。
4.一种北太平洋海表盐度年代际模态识别系统，其特征在于，包括：
CMIP6气候模式数据获取模块，用于获取设定时间段内多个模式的CMIP6气候模式数据；
比较基准数据确定模块，用于获取设定时间段内的欧洲中期天气预报中心的ORAS4再分析数据集作为比较基准数据；
比较基准数据经验正交函数模态计算模块，用于采用所述比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1和EOF2，EOF1为偶极子模态，EOF2为单极子模态；
CMIP6气候模式数据经验正交函数模态计算模块，用于分别采用各模式的所述CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态，分别记为EOF1’和EOF2’；
空间相关系数确定模块，用于获取EOF1与EOF1’的空间相关系数R11，EOF1与EOF2’的空间相关系数R12，EOF2与EOF1’的空间相关系数R21，EOF2与EOF2’的空间相关系数R22；
模态识别模块，用于根据空间相关系数R11、R12、R21和R22识别EOF1’和EOF2’的模态；
所述比较基准数据经验正交函数模态计算模块，具体包括：
比较基准数据去除气候月平均值单元，用于去除所述比较基准数据中海表盐度的气候月平均值，获得第一处理后比较基准数据；
比较基准数据去线性趋势和平滑处理单元，用于对所述第一处理后比较基准数据进行去线性趋势和平滑处理，获得第二处理后比较基准数据；
比较基准数据经验正交函数模态计算单元，用于采用所述第二处理后比较基准数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态；
所述CMIP6气候模式数据经验正交函数模态计算模块，具体包括：
CMIP6气候模式数据去除气候月平均值单元，用于去除所述CMIP6气候模式数据中海表盐度的气候月平均值，获得第一处理后CMIP6气候模式数据；
CMIP6气候模式数据去线性趋势和平滑处理单元，用于对所述第一处理后CMIP6气候模式数据进行去线性趋势和平滑处理，获得第二处理后CMIP6气候模式数据；
CMIP6气候模式数据经验正交函数模态计算单元，用于采用所述第二处理后CMIP6气候模式数据计算北太平洋海表盐度年代际变化的两个经验正交函数模态。
5.根据权利要求4所述的北太平洋海表盐度年代际模态识别系统，其特征在于，所述模态识别模块，具体包括：
第一判断第一结果判定单元，用于若R11与R22的和大于或等于R12与R21的和，则第一判断结果为EOF1’为偶极子，EOF2’为单极子；
第一判断第二结果判定单元，用于若R11与R22的和小于R12与R21的和，则所述第一判断结果为EOF1’为单极子，EOF2’为偶极子；
第二判断第一结果判定单元，用于若R11大于或等于R12且R21小于R22，则第二判断结果为EOF1’为偶极子，EOF2’为单极子；
第二判断第二结果判定单元，用于若R11小于R12且R21大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
第二判断第三结果判定单元，用于若R11小于R12且R21小于R22且R12大于或等于R22，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
第二判断第四结果判定单元，用于若R11小于R12且R21小于R22且R12小于R22，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
第二判断第五结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R11大于或等于R21，则所述第二判断结果为EOF1’为偶极子，EOF2’为单极子；
第二判断第六结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R11小于R21，则所述第二判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第一结果判定单元，用于若R11大于或等于R12且R21小于R22，则第三判断结果为EOF1’为偶极子，EOF2’为单极子；
第三判断第二结果判定单元，用于若R11小于R12且R21大于或等于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第三结果判定单元，用于若R11小于R12且R21小于R22且R11小于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第四结果判定单元，用于若R11小于R12且R21小于R22且R11大于或等于R21，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第五结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R12小于R22，则所述第三判断结果为EOF1’为单极子，EOF2’为偶极子；
第三判断第六结果判定单元，用于若R11大于或等于R12且R21大于或等于R22且R12大于或等于R22，则所述第三判断结果为EOF1’为偶极子，EOF2’为单极子；
判断结果输出单元，用于将所述第一判断结果、所述第二判断结果和所述第三判断结果中相同的判断结果作为输出的判断结果。
6.根据权利要求4所述的北太平洋海表盐度年代际模态识别系统，其特征在于，所述设定时间段为1958年至2014年的时间范围。
CN202210131240.XA 2022-02-14 2022-02-14 一种北太平洋海表盐度年代际模态识别方法及系统 Active CN114462247B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210131240.XA CN114462247B (zh) 2022-02-14 2022-02-14 一种北太平洋海表盐度年代际模态识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210131240.XA CN114462247B (zh) 2022-02-14 2022-02-14 一种北太平洋海表盐度年代际模态识别方法及系统

Publications (2)

Publication Number Publication Date
CN114462247A CN114462247A (zh) 2022-05-10
CN114462247B true CN114462247B (zh) 2022-10-21

Family

ID=81413168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210131240.XA Active CN114462247B (zh) 2022-02-14 2022-02-14 一种北太平洋海表盐度年代际模态识别方法及系统

Country Status (1)

Country Link
CN (1) CN114462247B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115238569B (zh) * 2022-06-21 2023-04-28 中国人民解放军61540部队 基于信息嵌合深度ffnn模型的温盐重构方法及系统
CN116341724B (zh) * 2023-03-08 2023-09-15 黑龙江省生态气象中心 基于全球气候模式驱动碳循环机理模型的碳吸收预估方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111815041A (zh) * 2020-06-28 2020-10-23 青岛哈船海智科技有限公司 一种基于改进eof的海水温度场预测方法
AU2021100973A4 (en) * 2021-02-22 2021-04-29 Shanghai Ocean University Method for Predicting Winter-Spring Stock Abundance of Ommastrephes Bartramii in the Northwest Pacific Ocean Based on Grey System
CN113051766A (zh) * 2021-04-02 2021-06-29 南京信息工程大学 一种判断北冰洋表层环流变化状况的方法
CN113837620A (zh) * 2021-09-26 2021-12-24 华北电力大学 一种用于评估温度极值变化的方法
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10909446B2 (en) * 2019-05-09 2021-02-02 ClimateAI, Inc. Systems and methods for selecting global climate simulation models for training neural network climate forecasting models
CN111291944B (zh) * 2020-03-16 2022-09-23 中国人民解放军61540部队 基于npsdv驱动因子识别的海洋气候预测方法及系统
CN113221385B (zh) * 2021-06-08 2022-09-23 上海交通大学 一种年代际预报的初始化方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021258758A1 (zh) * 2020-06-22 2021-12-30 大连海洋大学 一种基于多因素的海岸线变化识别方法
CN111815041A (zh) * 2020-06-28 2020-10-23 青岛哈船海智科技有限公司 一种基于改进eof的海水温度场预测方法
AU2021100973A4 (en) * 2021-02-22 2021-04-29 Shanghai Ocean University Method for Predicting Winter-Spring Stock Abundance of Ommastrephes Bartramii in the Northwest Pacific Ocean Based on Grey System
CN113051766A (zh) * 2021-04-02 2021-06-29 南京信息工程大学 一种判断北冰洋表层环流变化状况的方法
CN113837620A (zh) * 2021-09-26 2021-12-24 华北电力大学 一种用于评估温度极值变化的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
北太平洋冬季上层海温异常的NPGO模态;吕庆平等;《气候与环境研究》;20130320(第02期);全文 *
海洋表面盐度与海洋环流和气候变化的关系;杜岩等;《中国科学:地球科学》;20181212(第05期);全文 *

Also Published As

Publication number Publication date
CN114462247A (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114462247B (zh) 一种北太平洋海表盐度年代际模态识别方法及系统
Stewart et al. Vertical resolution of baroclinic modes in global ocean models
Kubryakov et al. Long-term variations of the Black Sea dynamics and their impact on the marine ecosystem
CN107767413B (zh) 一种基于卷积神经网络的图像深度估计方法
US9792564B2 (en) Automated system and method for vertical gradient correction
US20170371073A1 (en) Prediction apparatus, prediction method, and non-transitory storage medium
CN109543356A (zh) 考虑空间非平稳性的海洋内部温盐结构遥感反演方法
Senina et al. Impact of climate change on tropical Pacific tuna and their fisheries in Pacific Islands waters and high seas areas
Omori et al. Effects of underestimating catch and effort on surplus production models
CN103839234A (zh) 一种基于可控核的双几何非局部均值图像去噪方法
CN113223055B (zh) 图像目标跟踪模型建立方法及图像目标跟踪方法
Chu et al. Development, implementation, and skill assessment of the NOAA/NOS Great Lakes Operational Forecast System
CN113219555A (zh) 一种基于统计降尺度技术的短期气候预测方法
KR20120087099A (ko) 해양의 수직 음속 구조를 생성하기 위한 해양/음향 환경자료 생성장치 및 방법, 이를 이용한 수중 무기체계 성능 모델링 장치 및 방법
Lin et al. Optimizing plankton survey strategies using observing system simulation experiments
Ådlandsvik et al. Downscaling a twentieth century global climate simulation to the North Sea
CN111275250B (zh) 一种基于各向异性的强流区海表面温度预报方法
Calderón-Vega et al. Analysis of extreme waves with seasonal variation in the Gulf of Mexico using a time-dependent GEV model
CN114943189B (zh) 一种基于XGboost的声速剖面反演方法及系统
CN116384217A (zh) 一种海洋环境预报方法、装置及其存储介质
CN110751335B (zh) 一种区域生态质量年景预测评价方法及装置
Fortin et al. Potential problems with the use of gridded climate data in regional quantitative paleoenvironmental studies from data-poor regions
Lawson Purse-Seine length frequencies corrected for selectivity bias in grab samples collected by observers
Falchetti et al. The impact of covariance localization on the performance of an ocean EnKF system assimilating glider data in the Ligurian Sea
Bretzke et al. Jebel Faya and the middle to late Pleistocene transition: settlement continuity and behavioural flexibility

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