CN115238569B - 基于信息嵌合深度ffnn模型的温盐重构方法及系统 - Google Patents
基于信息嵌合深度ffnn模型的温盐重构方法及系统 Download PDFInfo
- Publication number
- CN115238569B CN115238569B CN202210703128.9A CN202210703128A CN115238569B CN 115238569 B CN115238569 B CN 115238569B CN 202210703128 A CN202210703128 A CN 202210703128A CN 115238569 B CN115238569 B CN 115238569B
- Authority
- CN
- China
- Prior art keywords
- longitude
- latitude
- layer
- salinity
- training
- 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
- 150000003839 salts Chemical class 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims description 235
- 238000005370 electroosmosis Methods 0.000 claims description 73
- 239000013388 element-organic framework Substances 0.000 claims description 73
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 description 266
- 230000006870 function Effects 0.000 description 24
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000010801 machine learning Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000011282 treatment Methods 0.000 description 4
- 235000010650 Hyssopus officinalis Nutrition 0.000 description 3
- 240000001812 Hyssopus officinalis Species 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000013505 freshwater Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013585 weight reducing agent Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000004108 vegetable carbon Substances 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Hydrology & Water Resources (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及一种基于信息嵌合深度FFNN模型的温盐重构方法及系统，具体涉及海洋数据预测技术领域。所述方法包括：将经纬度和经纬度处的海表数据输入训练好的FFNN模型得到经纬度处各层的温度EOF振幅、经纬度处各层的盐度EOF振幅、经纬度处各层的温度增量和经纬度处各层的盐度增量；根据经纬度处各层的温度EOF集合、经纬度处各层的温度EOF振幅和经纬度处各层的温度增量得到经纬度处各层的重构温度；根据经纬度处各层的盐度EOF集合、经纬度处各层的盐度EOF振幅和经纬度处各层的盐度增量得到经纬度处各层的重构盐度。本发明可提高重构的数据精度。
Description
技术领域
本发明涉及海洋数据预测技术领域，特别是涉及一种基于信息嵌合深度FFNN模型的温盐重构方法及系统。
背景技术
从卫星数据估计海洋内部的技术被称为水下温盐反演或重构。这种技术被视为遥感的延伸，即所谓的中深层海洋遥感。由于实际应用的需要，大多采用统计方法，主要包括两类方法。
一种方法是直接构造表面场与剖面之间的广义回归关系。著名的模块化海洋数据同化系统(MODAS)率先使用多元线性回归方法(MLR)从海表温度和海平面高度重建三维场。基于MODAS的类似技术，科学家利用各种卫星数据估算了次表层温度/盐度场(T/S)。人工智能技术的进步启发了研究人员使用人工智能算法来代替传统的线性方法。这些算法包括人工神经网络、自组织神经网络、支持向量机、随机森林、基于果蝇优化算法的广义回归神经网络等。基于经验正交函数(EOF)模态的提取方法也可推导海表和水下耦合的垂直投影模态。这种算法包括单EOF重构(sEOF-R)、最大经验模态(GEM)与耦合模态重构(CPR)和多元EOF重构(mEOF-R)方法。
除上述纯统计方法外，另一研究路线是利用简化的动力学模型，如表层准地转(SQG)方法。作为一种重构方法，SQG算法很早之前就已用于对流层风场的反演，即位涡反演。SQG方法在海洋中进行的首次重构仅利用了SQG模态。Lapeyre&Klein提出了将表层浮力与次表层PV耦合的有效SQG(eSQG)方法。Yan et al.(2021)首次实现了利用SQG密度重构进行水下温盐反演(LS-mEOFs算法)，将密度重构场投影到经验模态上，并利用最小二乘拟合确定mEOFs的振幅。
总的来说，先前研究中以机器学习为代表的多种模型和多个因子的对比充分说明了“信息”对海洋重构的重要性，时间因子、经纬度信息等作为外源性输入改进了机器学习的效果。然而，可以采用的信息事实上不仅如此。经验正交函数(EOF)模态是非常经典的工具，其通过时空分解的方式将数据降维，从而将庞大的再分析数据集中的有效信息凝练出来。通过经验模态的方式提取历史再分析数据中的信息，可以有效弥补了现场观测不足的问题，从而显著提升温盐反演的效果。然而，LS-mEOFs等算法把EOF作为一种强约束，即认为完全依赖EOF合成的温盐已经是准确的。但是，LS-mEOFs反演温盐在西北太平洋海域的效果总体劣于随机森林等机器学习算法，能够说明其并非利用EOF的最好方式，所以得到的结果也并不准确。
尽管理论上来讲，通过几个主要模态的叠加就能够解释海洋中的绝大部分信号，然而由于历史数据提取的模态很难反映出跃层的剧烈变化，且在误差无处不在的现实情况中，表层拟合无法保证振幅的准确性。另一方面，现有的改进型海洋剖面合成系统(ISOP；Improved Synthetic Ocean Profile)则仅仅将EOF作为一种弱约束，考虑了温盐剖面相对于EOF叠加解的增量，但其在重构中将气候态作为静态的初猜场的方式，导致跃层深度等参数均不准确。
综上所述，现有的基于前馈神经网络(FFNN)等机器学习模型的温盐重构方法得到的温盐重构结果并不准确。
发明内容
本发明的目的是提供一种基于信息嵌合深度FFNN模型的温盐重构方法及系统，可提高重构的数据精度。
为实现上述目的，本发明提供了如下方案：
一种基于信息嵌合深度FFNN模型的温盐重构方法，包括：
获取经纬度、所述经纬度处的海表数据、所述经纬度处各层的温度EOF集合和所述经纬度处各层的盐度EOF集合；所述海表数据包括海表温度、海表盐度和绝对动力拓扑；
将所述经纬度和所述经纬度处的海表数据输入训练好的FFNN模型得到所述经纬度处各层的温度EOF振幅、所述经纬度处各层的盐度EOF振幅、所述经纬度处各层的温度增量和所述经纬度处各层的盐度增量；
根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度；
根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度。
可选的，所述训练好的FFNN模型的确定过程为：
获取训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处的各层的温度和所述训练经纬度处的各层的盐度；
根据所述训练经纬度处的各层的温度、所述训练经纬度处各层的温度EOF振幅和所述训练经纬度处各层的温度EOF集合得到所述训练经纬度处各层的温度增量；
根据所述训练经纬度处各层的盐度、所述训练经纬度处各层的盐度EOF振幅和所述训练经纬度处各层的盐度EOF集合得到所述训练经纬度处各层的盐度增量；
构建训练集，所述训练集包括训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处各层的温度增量和所述训练经纬度处各层的盐度增量；
根据所述训练集以代价函数最小为目标对FFNN模型进行训练得到所述训练好的FFNN模型。
可选的，所述代价函数为
可选的，所述根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度，具体为：
根据公式
计算经纬度处各层的重构温度，其中，T(z)表示第z层的重构温度，M表示第z层的温度EOF集合中温度EOF的个数，Km(z)表示第z层的温度EOF集合中第m个温度EOF，Am表示第m个温度EOF的振幅，Tinc(z)表示第z层的温度增量。
可选的，所述根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度，具体为：
根据公式
计算经纬度处各层的重构盐度，其中，S(z)表示第z层的重构盐度，N表示第z层的盐度EOF集合中盐度EOF的个数，Ln(z)表示第z层的盐度EOF集合中第n个盐度EOF，Bn表示第n个盐度EOF的振幅，Sinc(z)表示第z层的盐度增量。
一种基于信息嵌合深度FFNN模型的温盐重构系统，包括：
获取模块，用于获取经纬度、所述经纬度处的海表数据、所述经纬度处各层的温度EOF集合和所述经纬度处各层的盐度EOF集合；所述海表数据包括海表温度、海表盐度和绝对动力拓扑；
输入模块，用于将所述经纬度和所述经纬度处的海表数据输入训练好的FFNN模型得到所述经纬度处各层的温度EOF振幅、所述经纬度处各层的盐度EOF振幅、所述经纬度处各层的温度增量和所述经纬度处各层的盐度增量；
重构温度确定模块，用于根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度；
重构盐度确定模块，用于根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度。
可选的，所述基于信息嵌合深度FFNN模型的温盐重构系统还包括：
训练数据获取模块，用于获取训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处的各层的温度和所述训练经纬度处的各层的盐度；
盐度增量计算模块，用于根据所述训练经纬度处各层的盐度、所述训练经纬度处各层的盐度EOF振幅和所述训练经纬度处各层的盐度EOF集合得到所述训练经纬度处各层的盐度增量；
温度增量计算模块，用于根据所述训练经纬度处的各层的温度、所述训练经纬度处各层的温度EOF振幅和所述训练经纬度处各层的温度EOF集合得到所述训练经纬度处各层的温度增量；
训练集构建模块，用于构建训练集，所述训练集包括训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处各层的温度增量和所述训练经纬度处各层的盐度增量；
模型训练模块，用于根据所述训练集以代价函数最小为目标对FFNN模型进行训练得到所述训练好的FFNN模型。
可选的，所述代价函数为
可选的，所述重构温度确定模块，具体包括：
重构温度确定单元，用于根据公式
计算经纬度处各层的重构温度，其中，T(z)表示第z层的重构温度，M表示第z层的温度EOF集合中温度EOF的个数，Km(z)表示第z层的温度EOF集合中第m个温度EOF，Am表示第m个温度EOF的振幅，Tinc(z)表示第z层的温度增量。
可选的，所述重构盐度确定模块，具体包括：
重构盐度确定单元，用于根据公式
计算经纬度处各层的重构盐度，其中，S(z)表示第z层的重构盐度，N表示第z层的盐度EOF集合中盐度EOF的个数，Ln(z)表示第z层的盐度EOF集合中第n个盐度EOF，Bn表示第n个盐度EOF的振幅，Sinc(z)表示第z层的盐度增量。
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：本发明将经纬度和经纬度处的海表数据输入训练好的FFNN模型得到经纬度处各层的温度EOF振幅、经纬度处各层的盐度EOF振幅、经纬度处各层的温度增量和经纬度处各层的盐度增量；根据经纬度处各层的温度EOF集合、经纬度处各层的温度EOF振幅和经纬度处各层的温度增量得到经纬度处各层的重构温度；根据经纬度处各层的盐度EOF集合、经纬度处各层的盐度EOF振幅和经纬度处各层的盐度增量得到经纬度处各层的重构盐度，将EOF与FFNN模型结合使用，提高了重构的数据精度。
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为本发明实施例提供的基于信息嵌合深度FFNN模型的温盐重构方法的数据处理流程图；
图2为分别采用EE-FFNN、LGBM和FFNN_tra进行处理的效果对比图；
图3为采用Argo 2901561进行处理的深度-时间图与对应不同产品的结果图。
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。
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。
本发明实施例提供的基于信息嵌合深度FFNN模型的温盐重构方法能够综合考虑机器学习的信息提取能力、EOF的信息整合能力以及ISOP的弱约束框架，具体步骤为：
获取经纬度、所述经纬度处的海表数据、所述经纬度处各层的温度EOF集合和所述经纬度处各层的盐度EOF集合；所述海表数据包括海表温度、海表盐度和绝对动力拓扑。
将所述经纬度和所述经纬度处的海表数据输入训练好的FFNN模型得到所述经纬度处各层的温度EOF振幅、所述经纬度处各层的盐度EOF振幅、所述经纬度处各层的温度增量和所述经纬度处各层的盐度增量。
根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度。
根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度。
在实际应用中，因为温盐EOF并不直接与水下温盐关联，如果直接将EOF当作外源性因子输入，EOF将失去作为一个整体进行降维的意义。而EOF作为一种垂直模态，逐层回归(即以各深度层的温度或盐度为标签数据分别建立回归模型，需要建立2×H个模型，其中H为深度层数)的一般机器学习模型是无法利用其进行约束的，因为各层均需要建立不同的模型。目前来讲，合理利用EOF最为合适的机器学习框架，是能够通过单个模型建立表层-剖面关系的深度网络。所以本发明选取经典的FFNN深度网络，其采用一种单向多层结构，将上一层输出结果与下一层直接相连。据Nardelli(2020)的配置，搭建含有多个隐藏层的深度FFNN网络(如图1所示)。FFNN模型通过了多次试验进行调优，采用5层全连接层(Dense层)，最后一层直接作为输出层；将一个Dense层的前半部分作为温度，后半部分作为盐度；batch大小为64，优化器为Adam，学习率为0.0001。此外，尝试加入dropout层后，验证集的结果反而有所下降，主要原因可能在于现有数据量仍旧不足，因此不加入dropout层，所以训练好的FFNN模型的具体结构为依次连接的输入层、四个全连接层和一个输出层，四个全连接层分别为第一线性激活函数、双曲正切激活函数、S型激活函数、第二线性激活函数和第三线性激活函数。
在实际应用中，所述训练好的FFNN模型的确定过程为：
获取训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处的各层的温度和所述训练经纬度处的各层的盐度。
根据所述训练经纬度处的各层的温度、所述训练经纬度处各层的温度EOF振幅和所述训练经纬度处各层的温度EOF集合得到所述训练经纬度处各层的温度增量。
根据所述训练经纬度处各层的盐度、所述训练经纬度处各层的盐度EOF振幅和所述训练经纬度处各层的盐度EOF集合得到所述训练经纬度处各层的盐度增量。
构建训练集，所述训练集包括训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处各层的温度增量和所述训练经纬度处各层的盐度增量。
根据所述训练集以代价函数最小为目标对FFNN模型进行训练得到所述训练好的FFNN模型。
下面以更加具体的实施例来说明上述方法中FFNN模型的训练及使用过程：
在实际应用中，采集海洋各层的数据作为训练集和验证集。采集的数据包括Reynolds OISST v2.1数据集的海表温度(SST)数据、欧洲航天局气候变化倡议(ESA-CCI)SSS v1.8数据集的海表盐度(SSS)数据、数据统一和高度计组合系统(DUACS)的绝对动力拓扑(ADT)数据、Argo全球观测V3.0数据集的温度/盐度(T/S)剖面观测数据、CMEMS全球再分析多模式集合数据集(GREP)的T/S格点产品，研究海域为西北太平洋海域(NWP；143°E-153°E，25°N-35°N)。采用2010-2013年和2015-2018年的数据为训练集，2014年的数据为验证集。训练集中会分出1/5数据不直接参与训练、而是用来约束代价函数的“伪测试集”，在此一并统称为训练集。训练集的数据有19817个，完全独立的验证集的数据有3306个。将原始Argo全球观测V3.0数据集的T/S剖面观测数据插值到[10、20、30、40、50、75、100、125、150、200、250、300、400、500、600、700、800、900、1000]dbar的19个垂直层上，得到标准剖面资料；近表层温度(NST)为Argo全球观测V3.0数据集中最浅层的温度，近表层盐度(NSS)为Argo全球观测V3.0数据集中最浅层的盐度；NST、NSS、ADT一起作为重构模型的输入数据，即海表数据；利用GREP的温度、盐度格点提取温盐EOF经验模态。
以训练集中海表数据作为输入，海表以下各层的数据作为输出，以代价函数最小为目标，训练EE-FFNN模型，以训练集中的卫星观测的绝对动力拓扑(ADT)数据、Argo观测的近表层温度(NST)、近表层盐度(NSS)以及经度(LON)和纬度(LAT)为输入，以GREP提取的温度EOF(Km)或盐度EOF(Ln)为模型内置参数，以GREP提取的温度EOF的振幅(Am)或盐度EOF的振幅(Bn)和Argo观测的海表以下各层的温度增量(Tinc)或盐度增量(Sinc)为输出，训练FFNN模型，获得训练好的FFNN模型。其中，温度增量(Tinc)通过温度的原始观测(Tori)减去其EOF叠加解(sum(AmKm))得到，即Tinc＝Tori-sum(AmKm)；盐度增量(Sinc)通过盐度的原始观测(Sori)减去其EOF叠加解(sum(BnLn))得到，即Sinc＝Sori-sum(BnLn)；近表层温度(NST)为Argo全球观测V3.0数据集中最浅层的温度，近表层盐度(NSS)为Argo全球观测V3.0数据集中最浅层的盐度。EE-FFNN模型在训练过程中输入的是散点数据，而EOF在GREP格点上提取的，为此将各个散点与最近的格点相匹配，尽管这存在一定差异，但是经纬度信息(LON，LAT)的引入能够将这种差异统计在内。通过这种方式，可以通过FFNN充分利用稀疏的Argo资料统计出地理相关的EOF振幅及其增量，实现现有资料利用的最大化。
使用过程：将验证集中的卫星观测的海表温度(SST)数据、海表盐度(SSS)数据、绝对动力拓扑(ADT)数据以及经度(LON)和纬度(LAT)输入FFNN模型，得到温度EOF的振幅(Am)或盐度EOF的振幅(Bn)和海表以下各层的温度增量(Tinc)或盐度增量(Sinc)，进而获得海表以下各层的对应温度重构值(Tpred＝sum(AmKm)+Tinc)或盐度重构值(Spred＝sum(BnLn)+Sinc)。对于EOF，不是提取温盐耦合的EOF，而是分别对温度和盐度取各自的EOF，且其最后采用的数目也未必一致。具体步骤为：将EE-FFNN选取的EOF个数从1取到10，为减小计算量，同时调整温盐EOF的个数，然后再将温度的最优EOF个数和盐度的最优EOF个数组合，观察其最终效果是否较取相同EOF个数时更优。经过实验，最终确定了温度的最优EOF个数为2个，盐度的最优EOF个数为5个。
在实际应用中，由于温度和盐度的量纲不同，在定义代价函数时使用各自的标准差进行归一化，即：
在此基础上，进一步考虑嵌合模型验证的后验信息，即根据模型验证的RMSD对各层的权重进行调整，代价函数大的增大权重，代价函数小的减小权重得到最终的代价函数为：
在实际应用中，所述根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度，具体为：
根据公式
计算经纬度处各层的重构温度，其中，T(z)表示第z层的重构温度，M表示第z层的温度EOF集合中温度EOF的个数，Km(z)表示第z层的温度EOF集合中第m个温度EOF，Am表示第m个温度EOF的振幅，Tinc(z)表示第z层的温度增量。
在实际应用中，所述根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度，具体为：
根据公式
计算经纬度处各层的重构盐度，其中，S(z)表示第z层的重构盐度，N表示第z层的盐度EOF集合中盐度EOF的个数，Ln(z)表示第z层的盐度EOF集合中第n个盐度EOF，Bn表示第n个盐度EOF的振幅，Sinc(z)表示第z层的盐度增量。
针对上述方法，本发明实施例还提供了一种基于信息嵌合深度FFNN模型的温盐重构系统，包括：
获取模块，用于获取经纬度、所述经纬度处的海表数据、所述经纬度处各层的温度EOF集合和所述经纬度处各层的盐度EOF集合；所述海表数据包括海表温度、海表盐度和绝对动力拓扑。
输入模块，用于将所述经纬度和所述经纬度处的海表数据输入训练好的FFNN模型得到所述经纬度处各层的温度EOF振幅、所述经纬度处各层的盐度EOF振幅、所述经纬度处各层的温度增量和所述经纬度处各层的盐度增量。
重构温度确定模块，用于根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度。
重构盐度确定模块，用于根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度。
作为一种可选的实施方式，所述基于信息嵌合深度FFNN模型的温盐重构系统还包括：
训练数据获取模块，用于获取训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处的各层的温度和所述训练经纬度处的各层的盐度。
温度增量计算模块，用于根据所述训练经纬度处的各层的温度、所述训练经纬度处各层的温度EOF振幅和所述训练经纬度处各层的温度EOF集合得到所述训练经纬度处各层的温度增量。
盐度增量计算模块，用于根据所述训练经纬度处各层的盐度、所述训练经纬度处各层的盐度EOF振幅和所述训练经纬度处各层的盐度EOF集合得到所述训练经纬度处各层的盐度增量。
训练集构建模块，用于构建训练集，所述训练集包括训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处各层的温度增量和所述训练经纬度处各层的盐度增量。
模型训练模块，用于根据所述训练集以代价函数最小为目标对FFNN模型进行训练得到所述训练好的FFNN模型。
作为一种可选的实施方式，所述代价函数为
作为一种可选的实施方式，所述重构温度确定模块，具体包括：
重构温度确定单元，用于根据公式
计算经纬度处各层的重构温度，其中，T(z)表示第z层的重构温度，M表示第z层的温度EOF集合中温度EOF的个数，Km(z)表示第z层的温度EOF集合中第m个温度EOF，Am表示第m个温度EOF的振幅，Tinc(z)表示第z层的温度增量。
作为一种可选的实施方式，所述重构盐度确定模块，具体包括：
重构盐度确定单元，用于根据公式
计算经纬度处各层的重构盐度，其中，S(z)表示第z层的重构盐度，N表示第z层的盐度EOF集合中盐度EOF的个数，Ln(z)表示第z层的盐度EOF集合中第n个盐度EOF，Bn表示第n个盐度EOF的振幅，Sinc(z)表示第z层的盐度增量。
在此基础上，本发明实施例还提供了对EE-FFNN模型(本发明提供的基于信息嵌合深度FFNN模型的温盐重构方法输出的温盐重构值不再像简单的mEOF-R方法一样将EOF作为一种强约束，而是将从再分析数据提取的EOF嵌入到FFNN中，即在EOF的叠加解的基础上，再加上一个增量进行调整，因此将该方法称为“EOF嵌合的深度FFNN”，即EOFs-EmbeddedFFNN，或EE-FFNN，综合考虑机器学习的信息提取能力、EOF的信息整合能力以及ISOP的弱约束框架，开发出的专用于海洋重构的机器学习模型)。
如图2，配置好的EE-FFNN与LGBM和传统的FFNN网络的结果进行了对比，图2中LGBM表示轻量化梯度提升机；FFNN_tra表示传统的FFNN，这里LGBM已经加入了月份作为因子，密度重构结果已经有了一定的提升。图2(a)为温度RMSD对比图，从图2(a)可以看出，EE-FFNN的温度重构误差与LGBM并没有显著的区别，在40m深度取得1.23℃的最大值；但是传统FFNN的最大RMSD在1.36℃，误差较大。图2(b)为温度相关系数对比图，从图2(b)中发现，LGBM的相关系数在110m以深迅速衰减，在200m达到了最小值0.69；FFNN的相关系数在100-280m深度略高于LGBM，最小值为0.71。EE-FFNN的温度相关系数显著高于其他算法，其仅在150-220m低于0.8，但最小也不低于0.76。图2(c)为盐度RMSD对比图，从图2(c)可以看出，LGBM在70-310m显著低于其余两种算法，这表明基于FFNN的深度网络对盐度的重构有一定的缺陷，尽管EE-FFNN在盐度RMSD方面并非最优，但其在图2(d)的盐度相关系数中表现最为稳健。图2(d)为盐度相关系数对比图，EE-FFNN的相关系数在整个上300m均优于其他两种算法。而在600-800m，其余两种算法的相关系数在0.5或者更低，而EE-FFNN提升显著，最低值仍高于0.6。结果表明，EE-FFNN的表现较传统机器学习方法更优，且其主要贡献在于提升重构系统的相似性，即能够更好地重现水下系统的形态。
为进一步衡量EE-FFNN的重构效果，以加密观测的Argo 2901561为例，与SODA(Simple Ocean DataAssimilation)V3.3.1再分析数据进行对比。在对比时，首先将SODA插值到同样的19层深度上。由于SODA再分析数据是逐五天数据，我们仅取五天间隔的重构数据作为匹配。对于Argo和相关产品的温度-时间图和盐度-时间图，为凸显其中的中尺度系统，将世界海洋地图集(WOA13)的逐月气候态扣除后，再进行进一步对比，如图3所示，图3(a)、图3(b)和图3(c)为温度图像，图3(d)、图3(e)和图3(f)为盐度图像，从上到下依次为Argo剖面、SODA再分析以及EE-FFNN重构数据。图3(a)中最为显著的是深度在200-700m的两个暖中心。对于第130天之前的暖中心，SODA(图3(b))严重低估了其强度、厚度和时间范围，且其估计的极大值中心在第125天左右，严重偏离了现实情况；而对于130天之后的暖中心，SODA也没能有效估计其强度。此外，Argo在130天左右出现了一个异常的冷位相，且SODA不能反映800m以下的暖位相。图3(c)中的EE-FFNN较为完美地重构出了主要的温度位相，包括两个暖中心和其间的“藕断丝连”。从图3(d)的盐度来看，Argo在整个生命周期中主要以淡水位相为主，但是在与暖中心对应的时空位置上存在显著的咸水位相。同时，在90-125天，700m以下的盐度则表现出与温度不一致的反位相，并与700m以上的咸水构成一种偶极子形态。图3(e)中的SODA依然没有能够成功模拟出两个暖位相，甚至在500m深度产生了虚假的淡水位相。这些结果能够说明，SODA再分析在次表层的温盐重构结果存在较大的问题。而图3(f)中的EE-FFNN则能够有效对偶极子的盐度结构进行估计，且能够较好地体现出与实际较为一致的咸水-淡水分界线。尽管如此，就盐度重构而言，EE-FFNN在300m以上的海洋出现了较大的偏差，典型的是90-105天位于300m以上的虚假的咸位相。SODA也在该处估计出了咸水位相。EE-FFNN的这个咸水位相是从海表一直延伸到次表层的，也就是说，首先出现在海表盐度的高估。考虑到海表盐度数据的误差相对较大，出现这种情况是可以理解的。即便在海表盐度有误差的情况下，其对400-600m深度的咸水位相的估计仍是较为准确的，这体现出EE-FFNN具有较好的鲁棒性。
本发明公开了以下技术效果：
1、EE-FFNN通过EOF的方式融入了再分析数据的信息，又通过增加地理信息和时间信息的方式最大程度的利用了零散的Argo剖面数据，在此基础上充分发挥了深度网络的拟合能力，对水下温盐要素场进行了重构。
2、EE-FFNN能够显著提高温盐重构的相关系数，其模型表现远超传统的FFNN，并在除盐度重构的RMSD指标外明显优于轻量梯度提升机(LGBM)等其他算法。通过与SODA资料的对比，可以发现EE-FFNN则能成功地复现次表层温盐结构。
3、本发明提出了的“信息嵌合”的深度前馈神经网络(FFNN)模型，嵌合了EOF提取的再分析信息和由检验误差得到的后验信息，旨在综合尽量多的可用信息提高海洋重构精度。
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)
1.一种基于信息嵌合深度FFNN模型的温盐重构方法，其特征在于，包括：
获取经纬度、所述经纬度处的海表数据、所述经纬度处各层的温度EOF集合和所述经纬度处各层的盐度EOF集合；所述海表数据包括海表温度、海表盐度和绝对动力拓扑；
将所述经纬度和所述经纬度处的海表数据输入训练好的FFNN模型得到所述经纬度处各层的温度EOF振幅、所述经纬度处各层的盐度EOF振幅、所述经纬度处各层的温度增量和所述经纬度处各层的盐度增量；
根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度；
根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度；
所述训练好的FFNN模型的确定过程为：
获取训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处的各层的温度和所述训练经纬度处的各层的盐度；
根据所述训练经纬度处的各层的温度、所述训练经纬度处各层的温度EOF振幅和所述训练经纬度处各层的温度EOF集合得到所述训练经纬度处各层的温度增量；
根据所述训练经纬度处各层的盐度、所述训练经纬度处各层的盐度EOF振幅和所述训练经纬度处各层的盐度EOF集合得到所述训练经纬度处各层的盐度增量；
构建训练集，所述训练集包括训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处各层的温度增量和所述训练经纬度处各层的盐度增量；
根据所述训练集以代价函数最小为目标对FFNN模型进行训练得到所述训练好的FFNN模型；
所述代价函数为
2.根据权利要求1所述的一种基于信息嵌合深度FFNN模型的温盐重构方法，其特征在于，所述根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度，具体为：
根据公式
计算经纬度处各层的重构温度，其中，T(z)表示第z层的重构温度，M表示第z层的温度EOF集合中温度EOF的个数，Km(z)表示第z层的温度EOF集合中第m个温度EOF，Am表示第m个温度EOF的振幅，Tinc(z)表示第z层的温度增量。
3.根据权利要求1所述的一种基于信息嵌合深度FFNN模型的温盐重构方法，其特征在于，所述根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度，具体为：
根据公式
计算经纬度处各层的重构盐度，其中，S(z)表示第z层的重构盐度，N表示第z层的盐度EOF集合中盐度EOF的个数，Ln(z)表示第z层的盐度EOF集合中第n个盐度EOF，Bn表示第n个盐度EOF的振幅，Sinc(z)表示第z层的盐度增量。
4.一种基于信息嵌合深度FFNN模型的温盐重构系统，其特征在于，包括：
获取模块，用于获取经纬度、所述经纬度处的海表数据、所述经纬度处各层的温度EOF集合和所述经纬度处各层的盐度EOF集合；所述海表数据包括海表温度、海表盐度和绝对动力拓扑；
输入模块，用于将所述经纬度和所述经纬度处的海表数据输入训练好的FFNN模型得到所述经纬度处各层的温度EOF振幅、所述经纬度处各层的盐度EOF振幅、所述经纬度处各层的温度增量和所述经纬度处各层的盐度增量；
重构温度确定模块，用于根据所述经纬度处各层的温度EOF集合、所述经纬度处各层的温度EOF振幅和所述经纬度处各层的温度增量得到所述经纬度处各层的重构温度；
重构盐度确定模块，用于根据所述经纬度处各层的盐度EOF集合、所述经纬度处各层的盐度EOF振幅和所述经纬度处各层的盐度增量得到所述经纬度处各层的重构盐度；
所述基于信息嵌合深度FFNN模型的温盐重构系统还包括：
训练数据获取模块，用于获取训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处的各层的温度和所述训练经纬度处的各层的盐度；
温度增量计算模块，用于根据所述训练经纬度处的各层的温度、所述训练经纬度处各层的温度EOF振幅和所述训练经纬度处各层的温度EOF集合得到所述训练经纬度处各层的温度增量；
盐度增量计算模块，用于根据所述训练经纬度处各层的盐度、所述训练经纬度处各层的盐度EOF振幅和所述训练经纬度处各层的盐度EOF集合得到所述训练经纬度处各层的盐度增量；
训练集构建模块，用于构建训练集，所述训练集包括训练经纬度、所述训练经纬度处的海表数据、所述训练经纬度处各层的温度EOF集合、所述训练经纬度处各层的盐度EOF集合、所述训练经纬度处各层的温度EOF振幅、所述训练经纬度处各层的盐度EOF振幅、所述训练经纬度处各层的温度增量和所述训练经纬度处各层的盐度增量；
模型训练模块，用于根据所述训练集以代价函数最小为目标对FFNN模型进行训练得到所述训练好的FFNN模型；
所述代价函数为
5.根据权利要求4所述的一种基于信息嵌合深度FFNN模型的温盐重构系统，其特征在于，所述重构温度确定模块，具体包括：
重构温度确定单元，用于根据公式
计算经纬度处各层的重构温度，其中，T(z)表示第z层的重构温度，M表示第z层的温度EOF集合中温度EOF的个数，Km(z)表示第z层的温度EOF集合中第m个温度EOF，Am表示第m个温度EOF的振幅，Tinc(z)表示第z层的温度增量。
6.根据权利要求4所述的一种基于信息嵌合深度FFNN模型的温盐重构系统，其特征在于，所述重构盐度确定模块，具体包括：
重构盐度确定单元，用于根据公式
计算经纬度处各层的重构盐度，其中，S(z)表示第z层的重构盐度，N表示第z层的盐度EOF集合中盐度EOF的个数，Ln(z)表示第z层的盐度EOF集合中第n个盐度EOF，Bn表示第n个盐度EOF的振幅，Sinc(z)表示第z层的盐度增量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703128.9A CN115238569B (zh) | 2022-06-21 | 2022-06-21 | 基于信息嵌合深度ffnn模型的温盐重构方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210703128.9A CN115238569B (zh) | 2022-06-21 | 2022-06-21 | 基于信息嵌合深度ffnn模型的温盐重构方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115238569A CN115238569A (zh) | 2022-10-25 |
| CN115238569B true CN115238569B (zh) | 2023-04-28 |
Family
ID=83669014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210703128.9A Active CN115238569B (zh) | 2022-06-21 | 2022-06-21 | 基于信息嵌合深度ffnn模型的温盐重构方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115238569B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114238847A (zh) * | 2021-10-29 | 2022-03-25 | 中国人民解放军61540部队 | 一种基于海洋实测数据的表层准地转重构方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12086718B2 (en) * | 2018-08-07 | 2024-09-10 | Amadeus S.A.S. | Machine learning systems and methods for attributed sequences |
| CN112330538B (zh) * | 2020-09-29 | 2022-04-19 | 电子科技大学 | 一种基于特征点优化提取的损伤温度重构图像拼接方法 |
| CN113051824B (zh) * | 2021-03-26 | 2022-06-14 | 福州大学 | 基于剖面观测数据的海洋内部温度场重建方法 |
| CN113486574B (zh) * | 2021-06-21 | 2022-07-01 | 广东海洋大学 | 基于历史数据以及机器学习的声速剖面补全方法及装置 |
| CN113657021A (zh) * | 2021-07-15 | 2021-11-16 | 交通运输部水运科学研究所 | 一种基于bp神经网络的海洋测量周期评定方法 |
| CN114462247B (zh) * | 2022-02-14 | 2022-10-21 | 中国人民解放军61540部队 | 一种北太平洋海表盐度年代际模态识别方法及系统 |
-
2022
- 2022-06-21 CN CN202210703128.9A patent/CN115238569B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114238847A (zh) * | 2021-10-29 | 2022-03-25 | 中国人民解放军61540部队 | 一种基于海洋实测数据的表层准地转重构方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115238569A (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Robinson et al. | Data assimilation for modeling and predicting coupled physical–biological interactions in the sea | |
| Robinson et al. | Overview of data assimilation | |
| CN114238847B (zh) | 一种基于海洋实测数据的表层准地转重构方法及系统 | |
| CN113218493B (zh) | 一种基于经验正交函数法的声速剖面反演方法 | |
| CN114782745B (zh) | 一种基于机器学习的海洋声速剖面分类方法及装置 | |
| Thompson et al. | Sequence slotting for stratigraphic correlation between cores: theory and practice | |
| Yakovlev | Reproduction of the large-scale state of water and sea ice in the Arctic Ocean in 1948–2002: Part I. Numerical model | |
| CN114781576B (zh) | 一种基于随机森林算法的声速剖面估计方法及装置 | |
| CN115114841A (zh) | 基于U-net框架的边缘海高时空分辨率次表层温度场重构方法 | |
| Lin et al. | Merging multiple-partial-depth data time series using objective empirical orthogonal function fitting | |
| CN115238569B (zh) | 基于信息嵌合深度ffnn模型的温盐重构方法及系统 | |
| Shams et al. | A novel assisted history matching workflow and its application in a full field reservoir simulation model | |
| Pearman et al. | Spatial and temporal environmental heterogeneity induced by internal tides influences faunal patterns on vertical walls within a submarine canyon | |
| CN115014577B (zh) | 一种基于深度证据回归网络的水下温度场重构方法 | |
| Balling | The Lithosphere beneath Northern Europe: Structure and Evolution over Three Billion Years-Contributions from Geophysical Studies | |
| Velo et al. | A multiparametric method of interpolation using WOA05 applied to anthropogenic CO 2 in the Atlantic | |
| Kamarainen et al. | Estimates of phosphorus entrainment in Lake Mendota: a comparison of one‐dimensional and three‐dimensional approaches | |
| Coelho et al. | Enhanced primary production over seamounts: a numerical study | |
| Knysh et al. | A procedure of reconstruction of the climatic seasonal circulation in the Black Sea based on the assimilation of hydrological data in the model | |
| Lishaev et al. | Reconstruction of temperature and salinity in the upper layer of the Black Sea using pseudo-measurements on the underlying horizons | |
| Cong et al. | Variational assimilation of Geosat altimeter data into a two‐layer quasi‐geostrophic model over the Newfoundland ridge and basin | |
| Lapinski et al. | Bayesian geoacoustic inversion for the Inversion Techniques 2001 Workshop | |
| Robinson et al. | Harvard Reports in Physical/Interdisciplinary Ocean Science | |
| Knysh et al. | Improvement of the Method for Reconstructing the Temperature and Salinity Three-Dimensional Fields of the Black Sea Based on Insufficient Measurements and Altimetry | |
| CN117851393A (zh) | 利用验潮站记录推测海水质量变化的数据同化方法及系统 |
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 |