CN115061223B - 一种关于西边界流的智能预报系统 - Google Patents
一种关于西边界流的智能预报系统 Download PDFInfo
- Publication number
- CN115061223B CN115061223B CN202210823631.8A CN202210823631A CN115061223B CN 115061223 B CN115061223 B CN 115061223B CN 202210823631 A CN202210823631 A CN 202210823631A CN 115061223 B CN115061223 B CN 115061223B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- intelligent forecasting
- unit
- analog signal
- 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
Links
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007499 fusion processing Methods 0.000 claims abstract description 7
- 238000012806 monitoring device Methods 0.000 claims description 23
- 239000013307 optical fiber Substances 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000005086 pumping Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000000034 method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 12
- 239000000835 fiber Substances 0.000 description 9
- 230000035945 sensitivity Effects 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 238000000411 transmission spectrum Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000009413 insulation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000003973 paint Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种关于西边界流的智能预报系统，包括：采集模块，用于获取空气中的温度数据、盐度数据；处理模块，与所述采集模块连接，用于对所述温度数据、盐度数据进行融合处理，获得融合数据集；模型构建模块，与所述处理模块连接，用于基于所述融合数据集对初始西边界流智能预报模型进行训练，获得训练后的西边界流智能预报模型；将实时获取的融合数据集输入所述训练后的西边界流智能预报模型中，对西边界流进行智能预报。本发明通过建立西边界流智能预报模型实现对西边界流的提前预报，能够提醒西边界流影响到的地区能够及时采取防御措施，减少气象灾害，降低渔业损失。
Description
技术领域
本发明属于大气、海洋科学技术领域，特别是涉及一种关于西边界流的智能预报系统。
背景技术
西边界流(western boundary current)是边界流的一种。沿大洋西部边缘大陆坡的狭窄地带，向高纬度方向流动的海流。是由科里奥利效应形成，当信风流抵达各大洋西部之后，一部分汇入赤道逆流，大部分沿大陆边缘向高纬度方向流动，而成为近岸水系和大洋水系之间的边界，如太平洋的黑潮、东澳大利亚海流，大西洋的墨西哥湾流、巴西海流，印度洋的莫桑比克海流、索马里海流等。
西边界流由于均系信风流的延续，以致具有高温、高盐、水色高和透明度大的特征，且在流动过程中会产生强烈的侵蚀和搬运作用，对气候变化和渔业有很大的影响，同时也在全球气候变化中起着重要的作用。因此，对于西边界流的智能预报就显得尤为重要。
发明内容
本发明的目的是提供一种关于西边界流的智能预报系统，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种关于西边界流的智能预报系统，包括：
采集模块，用于获取空气中的温度数据、盐度数据；
处理模块，与所述采集模块连接，用于对所述温度数据、盐度数据进行融合处理，获得融合数据集；
模型构建模块，与所述处理模块连接，用于基于所述融合数据集对初始西边界流智能预报模型进行训练，获得训练后的西边界流智能预报模型；将实时获取的融合数据集输入所述训练后的西边界流智能预报模型中，对西边界流进行智能预报。
优选地，所述采集模块包括：
第一采集单元，采用温度监测装置，所述温度监测装置用于获得温度数据；
第二采集单元，采用盐度监测装置，所述盐度监测装置用于获得盐度数据。
优选地，所述温度监测装置包括：
温度传感器，用于将环境的温度参数转化为模拟信号，所述模拟信号为双极性模拟信号；
数据转化单元，用于将所述模拟信号转化为温度数据；
第一数据传输单元，用于基于Zigbee无线通信将所述温度数据传送至处理模块。
优选地，所述数据转换单元，包括：
低通滤波单元，用于滤除所述双极性模拟信号中的高频干扰，获得目标双极性模拟信号；
精密绝对值单元，用于将所述目标双极性模拟信号转换为单极性模拟信号；
精密放大单元，用于将所述单极性模拟信号进行放大，获得目标单极性模拟信号并传送至数字转换单元；
数字转换单元，用于将所述目标单极性模拟信号转换为温度数据。
优选地，所述盐度监测装置，包括：
激光获取单元，用于基于泵浦源发出泵浦光，先通过波分复用器、掺铒光纤对所述泵浦光进行处理形成激光振荡，再通过光纤隔离器、激光传感器对激光进行处理，输出目标激光；
波长测量单元，用于基于光谱分析仪测量所述目标激光的波长，根据输出的波长值获得盐度数据；
第二数据传输单元，用于基于Zigbee无线通信将所述盐度数据传送至处理模块。
优选地，所述激光传感器采用单模-无芯-单模SNS结构，用于对所述激光进行过滤，获得目标激光。
优选地，所述处理模块包括：
融合单元，用于将所述温度数据、盐度数据进行时间上的匹配，并进行融合处理，获得融合数据集；
订正单元，用于基于传统统计方法和机器学习方法对所述融合数据集进行异常值检测，剔除异常记录。
优选地，所述模型构建模块包括：
样本集建立单元，用于将获取的融合数据集作为样本集，所述样本集包括训练集、验证集、测试集；
模型训练单元，用于基于所述训练集分别对机器学习模型、神经网络模型进行训练，获得对应的第一训练模型、第二训练模型，所述验证集用于验证训练过程中的模型收敛程度；
模型订正单元，用于基于皮尔森相关系数、均方根误差、标准差偏差指标评估所述第一训练模型、第二训练模型的预测值与实际观测值的误差，选取误差值更小的模型作为西边界流智能预报模型；
智能预报单元，用于将实时获取的融合数据集输入所述西边界流智能预报模型中，对西边界流进行智能预报。
本发明的技术效果为：
本发明利用盐度监测装置采集空气中的盐度数据，其中采用设计的单模-无芯-单模光纤(SNS)结构作为传感器，实现了一种全光纤、高精度、全天候监测海洋环境空气盐度含量的传感装置，其次，温度交叉敏感小，减少了温度对普通全光纤测量系统的影响，提高了测量结果的精度，并且能够实时快速监测。
本发明通过建立西边界流智能预报模型实现对西边界流的提前预报，能够提醒西边界流影响到的地区能够及时采取防御措施，减少气象灾害，降低渔业损失。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的系统结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种关于西边界流的智能预报系统，包括：
采集模块，用于获取空气中的温度数据、盐度数据。
可实施地，采集模块包括：第一采集单元，用于基于温度监测装置，获得温度信息；第二采集单元，用于基于盐度监测装置，获得盐度信息。
其中，本实施例的温度监测装置包括一个DTU(数据传送单元)以及多个温度传感器节点。温度监控装置将环境参数的物理值转化为电压或电流形式的模拟信号，温度监控装置节点的CPU将传感器发送的模拟信号(模拟信号为双极性模拟信号)转化为温度数据。具体的，数据转换单元包括：低通滤波单元，滤除双极性模拟信号中的高频干扰，获得目标双极性模拟信号；精密绝对值单元，将目标双极性模拟信号转换为单极性模拟信号；精密放大单元，将单极性模拟信号进行放大，获得目标单极性模拟信号并传送至数字转换单元；数字转换单元，将目标单极性模拟信号转换为温度数据。然后通过Zigbee通信系统模块向DTU发送温度数据。DTU对监控区域内所有的温度监控装置节点发送的温度信息进行数据打包，通过DTU的GPRS数据远传模块向处理模块发送监控区域的所有温度数据。
本实施例基于物联网新技术，通过一个DTU(数据传送单元)以及若干具有Zigbee无线通信功能的温度传感器节点构成星形监控网络结构。Zigbee无线通信的点对点比较稳定的通信距离为2公里，单个区域的覆盖面积理论为以两公里为半径的圆形区域，约为12平方公里，这样可以由多个监控网络进行组合完成整个监控区域的扩展，然后可以通过各自监控网络的DTU的GPRS数据远传模块向处理模块发送整个区域监控点的温度数据，从而实现广域环境监测。同时，温度传感器节点具有低功耗休眠与锂电池充电的功能，保证长时间连续工作，提高工作效率。本实施例的温度监测装置具有低成本、高性能、智能化程度高的特点。
为提高所述温度传感器的防爆性，温度传感器包括外壳和设置于外壳内的本安电路，外壳与本安电路的间隙大于0。4mm，且本安电路与外壳之间绝缘，外壳与本安电路的爬电距离≥1。0mm，涂层下的爬电距离≥0。3mm。本安电路设置于印制电路板上，印制电路板表面具有至少两层漆，例如，在印制电路板表面涂覆两次三防漆，提高所述印制电路板的防腐、防霉和防潮能力，提高温度传感器的使用寿命。例如，为了进一步提高印制电路板适应恶劣环境，印制电路板的厚度为1。5mm，线宽〉0。075mm，线厚>18um，使得印制电路板的具有更佳的耐用性，进一步适应高温高盐的恶劣环境。
可实施地，为了提高本安电路与外壳之间的绝缘性，本安电路与外壳之间设置有绝缘电阻，绝缘电阻的阻值≥20MΩ。
本实施例的基于无芯光纤内腔传感的空气盐度监测装置，包括泵浦源，泵浦源通过波分复用器WDM其中一个输入端耦合进光路，波分复用器WDM有两路输入和一路输出，输出端链接掺铒光纤EDF，掺铒光纤EDF输出端连接光纤隔离器ISO输入端，光纤隔离器ISO输出端连接传感器，传感器为单模-无芯-单模光纤SNS的结构，所述传感器输出端接耦合器的输入端，耦合器有一路输入和两路输出，输出端分别连接光谱分析仪OSA和波分复用器WDM另一个输入端，形成环形腔。
基于无芯光纤内腔传感的空气盐度监测方法，步骤如下，利用泵浦源发出泵浦光，泵浦光通过波分复用器WDM的波分复用器输入端耦合进光路，在增益介质掺铒光纤EDF内获得足够的增益，在环形腔内形成激光振荡，通过一个光纤隔离器ISO后，进入单模-无芯-单模SNS结构的传感器结构，光经过传感器结构时，加入无芯光纤使发生多模干涉，单模-无芯-单模SNS结构的透射光谱中具有周期性的特征峰，在传感系统中，SNS结构一方面作为滤波器，在激光器中起到选择波长、抑制模式竞争的作用，另一方面作为传感探头，利用SNS结构的透射光谱对无芯光纤外界环境折射率敏感实现传感；且由于无芯光纤的温度灵敏度远小于折射率灵敏度，温度交叉敏感小，经过传感器最后通过耦合器输出激光，并利用光谱分析仪OSA测量其输出波长。
本实施例的盐度监测装置的工作过程及原理：泵浦源发出980nm的泵浦光通过波分复用器(WDM)的波分复用器输入端耦合进光路，在增益介质掺铒光纤(EDF)内获得足够的增益，在环形腔内形成激光振荡，通过一个光纤隔离器(ISO)后，进入传感器结构。光经过传感器结构时，由于加入无芯光纤的缘故会发生多模干涉，SNS(单模-无芯-单模)结构的透射光谱中具有周期性的特征峰。在传感系统中，SNS结构一方面作为滤波器，在激光器中起到选择波长、抑制模式竞争的作用，另一方面作为传感探头，利用SNS结构的透射光谱对无芯光纤外界环境折射率敏感实现传感。且由于无芯光纤的温度灵敏度远小于折射率灵敏度，温度交叉敏感小。经过传感器最后通过耦合器输出激光，并利用光谱分析仪(OSA)测量其输出波长。当无芯光纤外界潮湿环境的空气盐度发生变化时，无芯光纤外界环境折射率发生变化，SNS结构的透射光谱发生偏移，其滤波特性发生变化，从而系统输出的激光波长发生偏移，通过测量输出波长可以实现潮湿的海洋环境中空气盐度的测量。最后经过数据传输单元，基于Zigbee无线通信将盐度数据传送至处理模块。
处理模块与采集模块连接，对温度数据、盐度数据融合处理，获得融合数据集。处理模块包括融合单元，将温度数据、盐度数据进行时间上的匹配，并进行融合处理，获得融合数据集；订正单元，基于传统统计方法和机器学习方法对融合数据集进行异常值检测，剔除异常记录。
模型构建模块与处理模块连接，基于融合数据集构建西边界流智能预报模型。具体包括：将获取的融合数据集作为标签，建立样本集，样本集包括训练集、验证集、测试集；模型训练单元，利用训练集对随机森林、XGBoost、LightGBM算法等机器学习模型以及MLP、RNN神经网络模型进行训练，验证集用来查看训练过程中的模型收敛程度，防止过拟合；对于训练好的模型，利用测试集进行测试，选用皮尔森相关系数、均方根误差、标准差偏差等指标评估模型预测与实际观测的误差、相关性，相关系数越高，均方根误差以及标准差偏差越小，认为经模型订正后的结果与真实观测结果更接近，根据这些指标，选取订正效果最好的模型作为最终的订正模型；采用机器学习算法、超参数自动调优以及集成学习等技术，搭建并优化西边界流智能预报模型，然后通过将实时获取的融合数据集输入西边界流智能预报模型中，对西边界流进行智能预报。
本实施例的有益效果为：
本实施例利用盐度监测装置采集空气中的盐度数据，其中采用设计的单模-无芯-单模光纤(SNS)结构作为传感器，实现了一种全光纤、高精度、全天候监测海洋环境空气盐度含量的传感装置，其次，温度交叉敏感小，减少了温度对普通全光纤测量系统的影响，提高了测量结果的精度，并且能够实时快速监测。
本实施例通过建立西边界流智能预报模型实现对西边界流的提前预报，能够提醒西边界流影响到的地区能够及时采取防御措施，减少气象灾害，降低渔业损失。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种关于西边界流的智能预报系统，其特征在于，包括：
采集模块，用于获取空气中的温度数据和空气中的盐度数据；
处理模块，与所述采集模块连接，用于对所述温度数据、盐度数据进行融合处理，获得融合数据集；
模型构建模块，与所述处理模块连接，用于基于所述融合数据集对初始西边界流智能预报模型进行训练，获得训练后的西边界流智能预报模型；将实时获取的融合数据集输入所述训练后的西边界流智能预报模型中，对西边界流进行智能预报。
2.根据权利要求1所述的关于西边界流的智能预报系统，其特征在于，
所述采集模块包括：
第一采集单元，采用温度监测装置，所述温度监测装置用于获得温度数据；
第二采集单元，采用盐度监测装置，所述盐度监测装置用于获得盐度数据。
3.根据权利要求2所述的关于西边界流的智能预报系统，其特征在于，
所述温度监测装置包括：
温度传感器，用于将环境的温度参数转化为模拟信号，所述模拟信号为双极性模拟信号；
数据转化单元，用于将所述模拟信号转化为温度数据；
第一数据传输单元，用于基于Zigbee无线通信将所述温度数据传送至处理模块。
4.根据权利要求3所述的关于西边界流的智能预报系统，其特征在于，
所述数据转化单元，包括：
低通滤波单元，用于滤除所述双极性模拟信号中的高频干扰，获得目标双极性模拟信号；
精密绝对值单元，用于将所述目标双极性模拟信号转换为单极性模拟信号；
精密放大单元，用于将所述单极性模拟信号进行放大，获得目标单极性模拟信号并传送至数字转换单元；
数字转换单元，用于将所述目标单极性模拟信号转换为温度数据。
5.根据权利要求2所述的关于西边界流的智能预报系统，其特征在于，
所述盐度监测装置，包括：
激光获取单元，用于基于泵浦源发出泵浦光，先通过波分复用器、掺铒光纤对所述泵浦光进行处理形成激光振荡，再通过光纤隔离器、激光传感器对激光进行处理，输出目标激光；
波长测量单元，用于基于光谱分析仪测量所述目标激光的波长，根据输出的波长值获得盐度数据；
第二数据传输单元，用于基于Zigbee无线通信将所述盐度数据传送至处理模块。
6.根据权利要求5所述的关于西边界流的智能预报系统，其特征在于，
所述激光传感器采用单模-无芯-单模SNS结构，用于对所述激光进行过滤，获得目标激光。
7.根据权利要求1所述的关于西边界流的智能预报系统，其特征在于，
所述处理模块包括：
融合单元，用于将所述温度数据、盐度数据进行时间上的匹配，并进行融合处理，获得融合数据集；
订正单元，用于基于传统统计方法和机器学习方法对所述融合数据集进行异常值检测，剔除异常记录。
8.根据权利要求1所述的关于西边界流的智能预报系统，其特征在于，
所述模型构建模块包括：
样本集建立单元，用于将获取的融合数据集作为样本集，所述样本集包括训练集、验证集、测试集；
模型训练单元，用于基于所述训练集分别对机器学习模型、神经网络模型进行训练，获得对应的第一训练模型、第二训练模型，所述验证集用于验证训练过程中的模型收敛程度；
模型订正单元，用于基于皮尔森相关系数、均方根误差、标准差偏差指标评估所述第一训练模型、第二训练模型的预测值与实际观测值的误差，选取误差值更小的模型作为西边界流智能预报模型；
智能预报单元，用于将实时获取的融合数据集输入所述西边界流智能预报模型中，对西边界流进行智能预报。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210823631.8A CN115061223B (zh) | 2022-07-14 | 2022-07-14 | 一种关于西边界流的智能预报系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210823631.8A CN115061223B (zh) | 2022-07-14 | 2022-07-14 | 一种关于西边界流的智能预报系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115061223A CN115061223A (zh) | 2022-09-16 |
| CN115061223B true CN115061223B (zh) | 2023-09-29 |
Family
ID=83205340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210823631.8A Active CN115061223B (zh) | 2022-07-14 | 2022-07-14 | 一种关于西边界流的智能预报系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115061223B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017075956A (ja) * | 2016-11-28 | 2017-04-20 | 古河電気工業株式会社 | 海洋環境情報取得システム |
| CN107656724A (zh) * | 2017-09-27 | 2018-02-02 | 山东省科学院海洋仪器仪表研究所 | 志愿船海洋水文气象观测软件、系统及软件开发方法 |
| CN111722306A (zh) * | 2020-07-27 | 2020-09-29 | 郑州航空工业管理学院 | 一种基于tcn网络模型台风登陆强度预测方法和系统 |
| KR102197262B1 (ko) * | 2020-08-04 | 2020-12-31 | (주)드림엔지니어링 | 해상 풍력발전 및 해상 태양광 발전을 위한 해상 전기실 모니터링 장치 |
| CN113009594A (zh) * | 2021-02-20 | 2021-06-22 | 卫蓝(平潭)科技有限公司 | 一种无人值守海洋气象监测站 |
| CN113126180A (zh) * | 2021-04-20 | 2021-07-16 | 国家海洋技术中心 | 一种无人自主海气界面气象水文环境要素一体化观测系统 |
| CN113469456A (zh) * | 2021-07-22 | 2021-10-01 | 浙江工业大学 | 一种河道水量预测方法 |
| CN114239422A (zh) * | 2022-02-23 | 2022-03-25 | 中国海洋大学 | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 |
| CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
| CN114475989A (zh) * | 2022-04-15 | 2022-05-13 | 山东科技大学 | 一种海洋集群观测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11346770B2 (en) * | 2018-03-29 | 2022-05-31 | Khalifa University of Science and Technology | Optical fiber sensor for salinity and temperature measurement |
| US12078775B2 (en) * | 2018-09-26 | 2024-09-03 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
| US12112261B2 (en) * | 2019-12-13 | 2024-10-08 | Hewlett Packard Enterprise Development Lp | System and method for model parameter optimization |
-
2022
- 2022-07-14 CN CN202210823631.8A patent/CN115061223B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017075956A (ja) * | 2016-11-28 | 2017-04-20 | 古河電気工業株式会社 | 海洋環境情報取得システム |
| CN107656724A (zh) * | 2017-09-27 | 2018-02-02 | 山东省科学院海洋仪器仪表研究所 | 志愿船海洋水文气象观测软件、系统及软件开发方法 |
| CN111722306A (zh) * | 2020-07-27 | 2020-09-29 | 郑州航空工业管理学院 | 一种基于tcn网络模型台风登陆强度预测方法和系统 |
| KR102197262B1 (ko) * | 2020-08-04 | 2020-12-31 | (주)드림엔지니어링 | 해상 풍력발전 및 해상 태양광 발전을 위한 해상 전기실 모니터링 장치 |
| CN113009594A (zh) * | 2021-02-20 | 2021-06-22 | 卫蓝(平潭)科技有限公司 | 一种无人值守海洋气象监测站 |
| CN113126180A (zh) * | 2021-04-20 | 2021-07-16 | 国家海洋技术中心 | 一种无人自主海气界面气象水文环境要素一体化观测系统 |
| CN113469456A (zh) * | 2021-07-22 | 2021-10-01 | 浙江工业大学 | 一种河道水量预测方法 |
| CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
| CN114239422A (zh) * | 2022-02-23 | 2022-03-25 | 中国海洋大学 | 基于机器学习提高海洋叶绿素a浓度预报准确度的方法 |
| CN114475989A (zh) * | 2022-04-15 | 2022-05-13 | 山东科技大学 | 一种海洋集群观测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李树军.《风云海洋-变换莫测的海洋水文与气象》.海潮出版社,2004,(第1版),122-127. * |
| 汪嘉宁."西太平洋深层西边界流研究进展".《地球科学进展》.2022,第37卷(第1期),26-35. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115061223A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104089634B (zh) | 一种输电线缆舞动和覆冰远程在线监测系统及监测方法 | |
| US7844409B2 (en) | Filtering of meter reading data | |
| Candia et al. | Solutions for SmartCities: proposal of a monitoring system of air quality based on a LoRaWAN network with low-cost sensors | |
| CN105352914A (zh) | 一种基于双波长光纤环形腔的气体浓度检测系统及其方法 | |
| CN112525252A (zh) | 一种燃料电池监测系统及方法 | |
| CN101476913B (zh) | 一种无线茎流传感器及其控制方法 | |
| CN109580039A (zh) | 基于密集型光纤光栅温度传感器的电池温度监测系统 | |
| CN105871604A (zh) | 一种光纤衰耗全程在线监测系统及监测方法 | |
| CN115061223B (zh) | 一种关于西边界流的智能预报系统 | |
| CN202650190U (zh) | 一种光纤传感的输电塔架覆冰预警系统 | |
| CN101750262A (zh) | 用于测量高压输电线路灰密的石英传感器系统 | |
| CN115792664A (zh) | 一种电池参数检测装置 | |
| CN104159295A (zh) | 一种无线传感器网络中基于滤波算法的节点定位方法 | |
| CN111917466B (zh) | 一种光纤故障点监控识别系统及方法 | |
| Song et al. | Demonstration of channel-predictable free space optical communication system using machine learning | |
| CN1888834B (zh) | 一种光纤光栅传感器波长测量系统 | |
| CN209399921U (zh) | 一种树木胸径测量系统 | |
| CN209266524U (zh) | 一种电池包测温装置 | |
| CN112433082B (zh) | 一种光纤电压测量系统与方法 | |
| CN102721493A (zh) | 在线海底冲淤动态实时监测系统 | |
| CN106871865A (zh) | 基于分布式光纤光栅传感器网络的变电站沉降监测系统 | |
| CN113891189A (zh) | 一种新型fbg传感网络的设计 | |
| CN102928001A (zh) | 基于光纤光栅传感技术的森林火灾监测的无线传感系统 | |
| CN206601125U (zh) | 基于分布式光纤光栅传感器网络的变电站沉降监测系统 | |
| CN111934756A (zh) | 一种光缆路由识别和故障诊断系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |