CN114997055B - 海平面温度时频域变化特性分析方法 - Google Patents

海平面温度时频域变化特性分析方法 Download PDF

Info

Publication number
CN114997055B
CN114997055B CN202210634882.1A CN202210634882A CN114997055B CN 114997055 B CN114997055 B CN 114997055B CN 202210634882 A CN202210634882 A CN 202210634882A CN 114997055 B CN114997055 B CN 114997055B
Authority
CN
China
Prior art keywords
sea level
level temperature
change
data
analysis
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
CN202210634882.1A
Other languages
English (en)
Other versions
CN114997055A (zh
Inventor
唐超礼
童子玥
郝德卫
陶鑫华
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202210634882.1A priority Critical patent/CN114997055B/zh
Publication of CN114997055A publication Critical patent/CN114997055A/zh
Application granted granted Critical
Publication of CN114997055B publication Critical patent/CN114997055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种海平面温度时频域变化特性分析方法，为海平面温度的异变范围预测提供重要的数据保障；提取海平面温度数据，用经验正交分解法、皮尔逊相关分析法、MK突变检验法、小波分析法来对海平面温度数据进行分析，选取海平面温度变化典型区域，对其进行年际变化分析、空间变化分析、周期变化规律分析等等；建立预测模型，利用已有数据训练，生成预测数据，预测模型误差检验，可预测海平面温度的变化趋势和周期性；本发明能够有效、快速的检测出某一区域的海平面温度周期变化特征，并且对其海平面温度变化趋势进行预测，从而对厄尔尼诺和拉尼娜现象进行预测。

Description

海平面温度时频域变化特性分析方法
技术领域
本发明涉及海洋水文预测技术领域，具体涉及的是海平面温度时频域变化特性分析方法。
背景技术
海洋覆盖了地球表面超70％的面积，是天气和气候的主要驱动力。海洋温度的一个微小的波动，都有可能导致世界各地的天气发生变化，20世纪中叶以来，全球陆地和海洋的表面升温都非常明显。1958年～2018年这61年间，全球海洋平均海表温度升高了0.54℃左右，中国近海区域海表平均温度上升幅度高于全球平均水平。
海平面温度上升可能会导致拉尼娜和厄尔尼诺现象，一般当赤道中的东太平洋海表温度偏高0.5℃以上且持续6个月以上时，就会形成一次厄尔尼诺现象；而当赤道中的东太平洋海表温度偏低0.5℃以上且持续6个月以上时，就会形成一次拉尼娜现象。当厄尔尼诺现象发生时，海洋上热带气旋数量减少但强度增强，东南亚等地可能出现严重干旱，南美中南部则降雨增多，容易引发洪涝灾害，而我国往往会出现暖冬，降雨一般呈现“南涝北旱”的格局；当拉尼娜现象发生时，海洋上热带气旋数量增多，美国东南部等地常发生干旱，巴西东北部等地容易出现洪涝灾害，而我国往往会出现冷冬，降雨格局以“南旱北涝”格局为主；所以研究海平面温度时频域变化特性对拉尼娜和厄尔尼诺现象的预测尤为重要。
因此本发明人针对上述问题，设计出一种海平面温度时频域变化特性分析方法，可提前预测海平面温度的变化趋势和周期性，从而对厄尔尼诺和拉尼娜现象进行预测。
发明内容
本发明目的在于研究一种海平面温度时频域变化特性分析方法，为海平面温度的异变范围预测提供重要的数据保障。
为实现上述目的，本发明的技术方案为：海平面温度时频域变化特性分析方法，包括以下步骤：
步骤一：对海平面温度数据去除长期趋势，去除季节差异等，提取海平面温度数据；
步骤二：为了验证数据的准确性，将卫星数据与多个站点数据进行逐月比对以及做皮尔逊相关性分析，最终选取较为可靠的数据来源；
步骤三：用经验正交分解法来对海平面温度数据进行主分量分析，方差贡献率可表述海平面温度模态中主要空间区域变化信息，本文选取贡献率最大的第一模态为研究对象；
步骤四：根据前一个步骤的结果来选取出海平面温度变化比较明显的区域，绘制海平面温度时域图，然后研究该区域海平面温度的时空分布特征，包括其年际变化、空间变化、周期变化规律等等；
步骤五：根据海平面温度变化较为明显的区域数据来绘制海平面温度小波方差图，并且绘制主周期趋势图，分析这个区域海平面温度的典型变化规律；
步骤六：由海平面温度变化较为明显区域的数据绘制小波系数实部等值线图，根据等值线图来分析海平面温度的周期变化规律；
步骤七：为了对典型区域海平面温度的周期性进行预测，于是构建一个时间序列模型，利用典型区域的已有数据对其进行训练，最终得到一个训练好的模型；
步骤八：对训练好的时间序列模型残差进行误差检验，观察其滞后阶的自相关结果；
步骤九：对训练好的时间序列模型残差进行Ljung-Box检验，观察其预测结果是否通过检验。
与现有技术相比，本发明具有如下优点：
本发明公开海平面温度时频域变化特性分析方法，通过小波分析对海平面温度数据进行分析，提取主要周期，可分析出典型区域海平面温度的周期性和趋势性变化规律；并且利用原有数据建立预测模型，可提前预测海平面温度的变化趋势和周期性，从而对厄尔尼诺和拉尼娜现象进行预测。
附图说明
上述步骤只是对本发明技术方案的系统概述，为了对本发明进行进一步的理解，以下结合示例附图和具体实施方式来用于说明和解释本发明方案。
图1为本发明海平面温度时频域变化特性分析方法的流程图；
图2为本发明一实施例的1920～2019年的海平面温度时域图；
图3为本发明一实施例的1920～2019年的海平面温度小波方差图；
图4为本发明一实施例的1920～2019的海平面温度小波系数实部等值线图；
图5为利用本发明一实施例的数据所训练出来的预测模型画出的预测结果图；
图6为本发明一实施例时间序列模型残差的自相关图；
图7为本发明一实施例时间序列模型残差的统计检验图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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作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。
所举实施例是为了更好地对本发明进行说明，但并不是本发明的内容仅局限于所举实施例。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整，仍属于本发明的保护范围。
本实施例以1920～2019年太平洋、大西洋、印度洋等某一典型区域海平面温度数据为例，公开了一种海平面温度时频域变化特性分析方法，包括以下步骤：
步骤1：收集1920～2019年月平均的海平面温度数据，对1200个月的海平面温度数据去除长期趋势，去除季节差异等，提取海平面温度数据；
步骤2：将卫星数据与多个站点数据进行逐月比对以及做皮尔逊相关性分析，最终选取较为可靠的数据来源；
步骤3：用经验正交分解法来对典型区域1920～2019年海平面温度数据进行主分量分析，方差贡献率可表述海平面温度模态中主要空间区域变化信息，本文选取贡献率最大的第一模态为研究对象；
步骤4：根据前一个步骤的结果来选取出1920～2019年海平面温度变化比较明显的区域，绘制海平面温度时域图，然后研究该区域海平面温度的时空分布特征，包括其年际变化、空间变化、周期变化规律等等；
步骤5：根据海平面温度变化较为明显的区域数据来绘制小波方差图，如图3所示，发现有30年和15年两个主要的周期，同时绘制主周期趋势图，分析海平面温度的典型变化规律；
步骤6：由1920～2019年典型区域海平面温度变化较为明显的区域数据绘制小波系数实部等值线图，如图4所示，发现其主周期在30年和15年附近，符合小波方差图的结果，根据等值线图分析海平面温度的周期变化规律；
步骤7：为了对典型区域海平面温度的周期性进行预测，于是构建一个时间序列模型，利用典型区域的已有数据对其进行训练，最终得到一个训练好的模型。如图5所示，实线代表原始数据，虚线代表预测结果；
步骤8：对训练好的时间序列模型残差进行自相关检验，图6是误差的自相关结果，横坐标表示滞后阶，纵坐标表示自相关系数，可以看出除了0阶滞后，其他滞后阶的自相关结果都在虚线内或在虚线附近，说明预测结果良好；
步骤9：对训练好的时间序列模型残差进行Ljung-Box检验，图7是经过Ljung-Box检验后的结果图，发现所有p值都在0.05以上，说明预测结果通过检验。
综上所述，本发明上述例子用来说明典型区域海平面温度的变化趋势以及周期变化特征分析方法。本发明至少具有以下有益效果：发明了小波分析和构建预测模型等方法，可提前预测海平面温度的变化趋势和周期性，从而对厄尔尼诺和拉尼娜现象进行预测。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.海平面温度时频域变化特性分析方法，其特征在于，包括以下步骤：
(1)对海平面温度数据去除长期趋势，去除季节差异，提取海平面温度数据；
(2)为了验证数据的准确性，将卫星数据与多个站点数据进行逐月比对以及做皮尔逊相关性分析，最终选取较为可靠的数据来源；
(3)用经验正交分解法来对海平面温度数据进行主分量分析，方差贡献率可表述海平面温度模态中主要空间区域变化信息，选取贡献率最大的第一模态为研究对象；
(4)根据前一个步骤的结果来选取出海平面温度变化比较明显的区域，绘制海平面温度时域图，然后研究该区域海平面温度的时空分布特征，包括年际变化、空间变化、周期变化规律；
(5)根据海平面温度变化较为明显的区域数据来绘制海平面温度小波方差图，并且绘制主周期趋势图，分析上述温度变化较为明显的区域海平面温度的典型变化规律；
(6)由海平面温度变化较为明显区域的数据绘制小波系数实部等值线图，根据等值线图来分析海平面温度的周期变化规律；
(7)为了对典型区域海平面温度的周期性进行预测，于是构建一个时间序列模型，利用典型区域的已有数据对其进行训练，最终得到一个训练好的模型；
(8)对训练好的时间序列模型残差进行误差检验，观察滞后阶的自相关结果；
(9)对训练好的时间序列模型残差进行Ljung-Box检验，观察其预测结果是否通过检验。
2.根据权利要求1所述的方法，其特征在于，所述步骤(3)中，用经验正交分解法进行主分量分析。
3.根据权利要求1所述的方法，其特征在于，所述步骤(5)中所采用的小波基函数为Morlet小波。
4.根据权利要求1所述的方法，其特征在于，所述步骤(7)中所建立的时间序列模型是通过海平面温度数据来训练得到的。
CN202210634882.1A 2022-06-06 2022-06-06 海平面温度时频域变化特性分析方法 Active CN114997055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210634882.1A CN114997055B (zh) 2022-06-06 2022-06-06 海平面温度时频域变化特性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210634882.1A CN114997055B (zh) 2022-06-06 2022-06-06 海平面温度时频域变化特性分析方法

Publications (2)

Publication Number Publication Date
CN114997055A CN114997055A (zh) 2022-09-02
CN114997055B true CN114997055B (zh) 2024-04-05

Family

ID=83032893

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210634882.1A Active CN114997055B (zh) 2022-06-06 2022-06-06 海平面温度时频域变化特性分析方法

Country Status (1)

Country Link
CN (1) CN114997055B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116894405B (zh) * 2023-07-14 2024-01-30 广东海洋大学 Eacc年际变化与厄尔尼诺-南方涛动关系测定方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091074A (zh) * 2014-07-12 2014-10-08 西安浐灞生态区管理委员会 一种基于经验模态分解的中长期水文预报方法
CN104239706A (zh) * 2014-09-05 2014-12-24 中国科学院寒区旱区环境与工程研究所 一种地面观测气温时空数据集的制备方法
KR101575847B1 (ko) * 2014-12-19 2015-12-08 한국해양과학기술원 북반구 기후 지수를 이용한 북서태평양 해수면 온도 변동성 진단 모델링 시스템 및 방법
CN106254010A (zh) * 2016-08-04 2016-12-21 厦门大学 一种时变海洋信道建模方法
CN111047109A (zh) * 2019-12-24 2020-04-21 武汉理工大学 区域气温变化的定量预测方法
CN112257957A (zh) * 2020-11-11 2021-01-22 国网湖南省电力有限公司 水库流域降水趋势和周期变化特征分析方法及系统
CN112800677A (zh) * 2021-01-28 2021-05-14 上海海事大学 一种简化的全球气候变化预测方法
CN112883564A (zh) * 2021-02-01 2021-06-01 中国海洋大学 一种基于随机森林的水体温度预测方法及预测系统
CN113297801A (zh) * 2021-06-15 2021-08-24 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN114549925A (zh) * 2022-01-18 2022-05-27 大连理工大学 一种基于深度学习的海浪有效波高时间序列预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018125133A1 (en) * 2016-12-29 2018-07-05 Landmark Graphics Corporation Global surface paleo-temperature modeling tool

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104091074A (zh) * 2014-07-12 2014-10-08 西安浐灞生态区管理委员会 一种基于经验模态分解的中长期水文预报方法
CN104239706A (zh) * 2014-09-05 2014-12-24 中国科学院寒区旱区环境与工程研究所 一种地面观测气温时空数据集的制备方法
KR101575847B1 (ko) * 2014-12-19 2015-12-08 한국해양과학기술원 북반구 기후 지수를 이용한 북서태평양 해수면 온도 변동성 진단 모델링 시스템 및 방법
CN106254010A (zh) * 2016-08-04 2016-12-21 厦门大学 一种时变海洋信道建模方法
CN111047109A (zh) * 2019-12-24 2020-04-21 武汉理工大学 区域气温变化的定量预测方法
CN112257957A (zh) * 2020-11-11 2021-01-22 国网湖南省电力有限公司 水库流域降水趋势和周期变化特征分析方法及系统
CN112800677A (zh) * 2021-01-28 2021-05-14 上海海事大学 一种简化的全球气候变化预测方法
CN112883564A (zh) * 2021-02-01 2021-06-01 中国海洋大学 一种基于随机森林的水体温度预测方法及预测系统
CN113297801A (zh) * 2021-06-15 2021-08-24 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN114549925A (zh) * 2022-01-18 2022-05-27 大连理工大学 一种基于深度学习的海浪有效波高时间序列预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
东亚及西太平洋地表温度时空模态分析及预测研究;唐超礼等;热带海洋学报;20220328;第1-11页 *
北太平洋海温分布型指数的年际变化及预测;魏凤英;气象学报;20011220(第06期);全文 *
小波变换在相对海平面变化研究中的应用;欧素英等;地理科学;20040628(第03期);全文 *

Also Published As

Publication number Publication date
CN114997055A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Butler et al. Multi-decadal decline in cover of giant kelp Macrocystis pyrifera at the southern limit of its Australian range
Bradley et al. The climate of the last millennium
Campos et al. Regional long-term extreme wave analysis using hindcast data from the South Atlantic Ocean
CN114997055B (zh) 海平面温度时频域变化特性分析方法
CN113610437A (zh) 一种承灾体动态暴露度评估方法及系统
CN111738494A (zh) 基于MaxEnt和ArcGIS的喜树分布预测方法
Wang et al. Nonstationary relationship between sea ice over Kara–Laptev seas during August–September and Ural blocking in the following winter
D'Arrigo et al. Tree-ring reconstructed temperature index for coastal northern Japan: implications for western North Pacific variability.
Campos et al. Estimating extreme waves in Brazil using regional frequency analysis
Dai et al. Twentieth century ENSO-related precipitation mean states in twentieth century reanalysis, reconstructed precipitation and CMIP5 models
Guzman et al. Heavier inner-core rainfall of major hurricanes in the North Atlantic Basin than in other global basins
Chen et al. Role of snowmelt in determining whether the maximum precipitation always results in the maximum flood
Räsänen et al. On the spatial and temporal variability of ENSO precipitation and drought teleconnection in mainland Southeast Asia
Delcourt et al. Comparison of taxon calibrations, modern analogue techniques, and forest‐stand simulation models for the quantitative reconstruction of past vegetation
Ayinde et al. Sea surface temperature trends and its relationship with precipitation in the Western and Central Equitorial Africa
Ausín et al. Development of coccolithophore-based transfer functions in the western Mediterranean sea: a sea surface salinity reconstruction for the last 15.5 kyr
Nury et al. Analysis and prediction of time series variations of rainfall in North-Eastern Bangladesh
Sorí et al. Hydrometeorological droughts in the Miño–Limia–Sil hydrographic demarcation (northwestern Iberian Peninsula): the role of atmospheric drivers
Chaowiwat et al. Future changes in extreme rainfall over Thailand using multi-bias corrected GCM rainfall data
Rong et al. Impact of the anomalous thawing in the Tibetan Plateau on summer precipitation in China and its mechanism
Bernardino et al. A climatological analysis of storms in the North Atlantic
Bouraoui et al. A Spatiotemporal Approach in Detecting and Analyzing Hydro-climatic Change in Northwest Algeria
Chen et al. Seasonal Climate Associated with Major Shipping Routes in the North Pacific and North Atlantic.
Majdzadeh Moghadam Neural network-based approach for identification of meteorological factors affecting regional sea-level anomalies
Pegahfar Future precipitation and near surface air-temperature projection using CMIP6 models based on TOPSIS method: case study, Sistan-and-Baluchestan Province of Iran

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