CN115824458B - 一种海底底层水温反演的方法和装置 - Google Patents
一种海底底层水温反演的方法和装置 Download PDFInfo
- Publication number
- CN115824458B CN115824458B CN202310146289.7A CN202310146289A CN115824458B CN 115824458 B CN115824458 B CN 115824458B CN 202310146289 A CN202310146289 A CN 202310146289A CN 115824458 B CN115824458 B CN 115824458B
- Authority
- CN
- China
- Prior art keywords
- sediment
- temperature
- neural network
- water temperature
- profile
- 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
Images
Landscapes
- Measuring Temperature Or Quantity Of Heat (AREA)
Abstract
本发明公开了一种海底底层水温反演的方法和装置,属于海洋观测领域。首先利用沉积物测量装置测量得到海底沉积物温度剖面和沉积物热扩散系数剖面,然后根据测量情况设计神经网络,构建相应的神经网络训练集并训练神经网络,最后利用训练良好的神经网络反演得到海底底层水温。本发明以一种经济、简便的方法,得到海底底层水温的时间序列,为了解海底边界水温变化提供了技术支撑。
Description
技术领域
本发明涉及一种海底底层水温时间序列反演的方法和装置,具体涉及一种通过测量沉积物温度剖面和沉积物热扩散系数剖面并利用神经网络反演海底底层水温的方法和装置,属于海洋观测领域。
背景技术
我国濒临世界上最宽广的温带陆架浅海,由于陆架海水深较浅,发生在海面边界和海底边界的动量通量、热量通量和物质通量过程强烈的影响着包括海水温度、盐度分布以及海洋洋流等的海洋环境。
由于海面边界更易于观测,人们对海面边界的各种过程的认识更为深入。相较海面边界而言,发生在海底边界的各种过程由于受海水的阻隔则难以观测。特别是我国近海海域海上运输、渔业等生产活动繁忙,自主漂流式、座底式观测方式难以保证观测设备安全性。此外,现有针对海底边界的观测长期以来主要围绕海底动量通量和物质通量展开,缺乏海底热量通量的研究。这都导致人们对海底边界的各种过程缺乏广泛和深入的认识。
最近的研究发现(doi: 10.1016/j.ecss.2020.106932;10.1175/JPO-D-22-0076.1),我国近海海底底层水温存在多种时间尺度的显著变化。当底层水温发生变化时,受热传递机制驱动,底层海水能够加热或冷却其下的海底沉积物,进而驱动海底热通量。在海底热通量驱动下,底层水温的变化沿着沉积物向沉积物深处传播,进而使得沉积物在不同深度具有不同的温度,就像底层水温的变化被记忆在沉积物温度剖面中。因此,可以通过解析不同深度层的海底沉积物温度和热扩散系数进而反演底层水温在过去一段时间中的变化。但是,利用沉积物温度反推底层水温相当于求解热传导的反问题,而热传导反问题是严重不适定问题,长期缺少良好的求解办法。近年来,随着深度学习方法的不断发展,基于深度学习的热传导反问题求解体现了良好的优越性,这为利用沉积物温度剖面反演底层水温提供了新思路。
发明内容
基于上述背景技术,本发明的第一个目的是提供一种海底底层水温反演方法,可以经济、简便的得到海底底层水温的时间序列,为了解海底边界水温变化提供技术支撑。
本发明的另一个目的是提供一种用于海底底层水温反演的沉积物测量装置。
本发明首先利用沉积物测量装置测量得到海底沉积物温度剖面和沉积物热扩散系数剖面,然后根据测量情况设计神经网络,构建相应的神经网络训练集并训练神经网络,最后利用训练良好的神经网络反演得到海底底层水温。
为实现上述目的,本发明的技术方案包括以下步骤:
步骤一,利用沉积物测量装置测量海底沉积物温度剖面P和热扩散系数剖面Q:
利用调查船绞车等设备将沉积物测量装置布放至海底,沉积物测量装置利用自身重力贯入海底沉积物;等待沉积物测量装置稳定之后,通过沉积物测量装置上的沉积物温度传感器测量得到沉积物温度剖面P;然后,由均匀热源发热,再通过沉积物温度传感器测量并计算沉积物温度变化率,从而得到沉积物热扩散系数剖面Q;
步骤二,构建神经网络并根据测量得到的沉积物温度剖面调整神经网络输入和输出层参数:
所述神经网络包括输入层、中间层和输出层;神经网络的输入层对应测量得到的沉积物温度剖面P;神经网络的输出层对应反演得到的底层水温时间序列W,即从测量时刻到更早的一个时刻间的底层水温变化;神经网络的中间层为长短期记忆(LSTM)回归神经网络;根据每次测量所得到的沉积物温度剖面测量点数目和每个测量点深度的不同,以及因此导致的所能反演的底层水温时间序列长度的不同,调整神经网络输入层和输出层长度参数;比如,当沉积物温度剖面为16层时,输入层的长度为16;当拟反演的底层水温时间序列为365点时,则输出层长度为365;
步骤三,根据沉积物测量情况构建N组神经网络训练数据集:
由于每次测量所得到的沉积物温度剖面测量点数目和每个测量点深度的不同,以及因此导致的所能反演的底层水温时间序列长度的不同,此外,每次测量的沉积物热扩散系数剖面也不同,因此需要针对每次反演制备不同的神经网络训练集。将测量得到的沉积物热扩散系数剖面Q导入热传导模式,然后用不同的历史海面温度年周期时间序列SST作为边界条件驱动热传导模式计算得到稳定的沉积物温度剖面年周期时间序列ST;取每个时刻的沉积物温度剖面和此时刻至以前一段时间的海面温度时间序列SST构成神经网络的输入A和输出B数据对,通过将来自全球不同海域的不同特征海面温度时间序列均匀的分成N组:SST1…SSTN,形成N组神经网络训练数据集的输入序列:A1…AN和输出序列:B1…BN;
步骤四,用N组训练数据集分别训练神经网络NN,得到N个具有不同参数的经过训练的神经网络NN-T:
将神经网络训练集中的每一对输入A和输出B进行去均值和归一化,即将A和B均减去B的均值MB得A1和B1,并进一步将A1和B1除以B1的最大绝对值,得到A2和B2;用得到的N组A2和B2作为神经网络的输入和输出,训练得到N个具有不同参数的经过训练的神经网络:NN-T 1…NN-T M;
步骤五,用测量得到的沉积物温度剖面P作为神经网络的输入,得到反演的底层水温W:
将测量得到的沉积物温度剖面P,减掉其最深处一层沉积物温度PD得到P1,用P1除以待定归一化系数K得到P2,将P2输入训练好的N个神经网络中的第X个,得到输出E,将E乘以待定归一化系数K并加上最深处一层沉积物温度PD最终得到反演的底层水温F;
其中,待定归一化系数K有M个不同的取值,分别为K1…KM,这些取值范围覆盖0.1至25,用以尽可能覆盖底层水温的最大变化范围。对应M个不同的待定归一化系数K,得到M个神经网络输出E:E1…EM和M个反演的底层水温F:F1…FM。分别将M个反演的底层水温:F1…FM带入步骤三中使用的沉积物热传导模式中,得到沉积物温度剖面P测量时刻的计算的沉积物温度剖面G,G同样也有M个结果:G1…GM。比较G和P,发现与P最为接近的第Y个G(GY),基于此将反演的第Y个底层水温FY作为第X个神经网络的最终反演结果;
步骤六,重复步骤五,得到N个底层水温反演结果,从N个底层水温反演结果中择优挑选最佳反演结果最为最终底层水温反演结果:
重复步骤五的操作,将N个神经网络反演得到的N个FY再一次输入步骤三中使用的沉积物热传导模式中,得到沉积物温度剖面P测量时刻的计算的沉积物温度剖面G,对应N个神经网络得到N个G:G1…GN;比较G和P,选择与P最为接近的第Z个G:GZ,基于此将第Z个神经网络反演的底层水温FY(Z)作为最终反演结果。
步骤一所述的沉积物测量装置,包括测量探杆、设置于测量探杆上的多个沉积物温度传感器、均匀热源 、电子仓和配重,以及数据缆、电脑,所述沉积物测量装置通过数据缆与电脑相连接;测量时,首先通过电脑设置沉积物测量参数,再利用调查船绞车等设备将沉积物测量装置布放至海底,沉积物测量装置在配重的作用下利用自身重力贯入海底沉积物;然后,首先通过沉积物测量装置上的沉积物温度传感器测量得到不同深度的沉积物温度,即为沉积物温度剖面P;再由均匀热源发热来加热沉积物,通过沉积物温度传感器测量并计算得到不同深度的沉积物温度变化率,从而得到积物热扩散系数剖面Q。
本发明的有益效果是,以一种经济、简便的方法,得到海底底层水温的时间序列,为了解海底边界水温变化提供了技术支撑。由于海水温度为海水的基本物理量,详实的海水温度数据将有助于改善人类对海洋环境的认识,并促进人类对于海洋资源的可持续利用。
附图说明
图1是本发明方法的流程示意图。
图2是本发明装置的结构示意图。
其中,1-沉积物测量探杆、2-沉积物温度传感器、3-均匀热源、4-电子仓、5-配重、6-数据缆、7-电脑、8-沉积物测量装置。
图3是本发明步骤三的流程示意图。
图4是本发明步骤四的流程示意图。
图5是本发明步骤五的流程示意图。
图6是本发明步骤六的流程示意图。
图7是本发明应用效果示意图。
具体实施方式
下面结合附图并通过具体实施例来详细说明本发明的技术方案。然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完整地公开本发明,并且向所属技术领域的技术人员充分传达本发明请求保护的范围。
本实施例的具体步骤如图1所示。
(1)测量海底沉积物温度剖面P和热扩散系数剖面Q:如图2所示,利用电脑7通过连接电缆6对沉积物测量装置8进行设置;利用调查船绞车等设备布放沉积物测量装置8至海底,沉积物测量装置利用自身重力贯入海底沉积物;所述的沉积物测量装置8,包括测量探杆1、设置于测量探杆1上的多个沉积物温度传感器2、均匀热源3 、电子仓4和配重5,以及数据缆6、电脑7,所述沉积物测量装置8通过数据缆6与电脑7相连接;等待沉积物测量8装置稳定后,测量得到不同深度层的沉积物温度,即沉积物温度剖面P;接着均匀热源3发热,通过测量不同深度层沉积物的温度变化率得到沉积物热扩散系数剖面Q;然后由电脑7通过连接电缆6读取沉积物测量装置8中的测量数据。一种典型的沉积物温度剖面如图7中(a)所示。此外,通常沉积物的热扩散系数在上10余米的深度范围内变化较小,而在本实施例中,不失一般性的,沉积物的热扩散系数是基本垂直均匀的,为0.5×10-6 m2 s-1。
(2)构建神经网络并根据测量得到的沉积物温度剖面和热扩散系数剖面调整神经网络输入和输出层参数:本实施例中,神经网络由输入层、中间层和输出层构成,神经网络的输入层对应测量得到的沉积物温度剖面P;神经网络的输出层对应反演得到的底层水温时间序列(W),中间层为长短期记忆(LSTM)回归神经网络;沉积物温度剖面的深度范围为0米到15米,间隔为1米,总的数据点位16个;反演底层水温时间长度为365天,时间间隔为1天;据此,输入层输入序列长度为16,输出层序列长度为365。
(3)根据沉积物测量情况构建N组神经网络训练数据集:如图3所示,将测量得到的热扩散系数Q输入热传导模式,然后,用历史的海面温度作为边界条件驱动热传导模式计算沉积物温度剖面时间序列,用计算得到的每个时刻的覆盖0米到15米区间并且间隔为1米的沉积物温度剖面和当前时刻向前365天并且时间间隔1天的海面温度组成神经网络的训练集。将训练集均匀的分成20组,使得每一组训练集均具有基本相同的特征。
(4)如图4所示,用N组训练集分别训练神经网络,得到N个具有不同系数的训练好的神经网络。本实施例中,将每一组神经网络训练集中的每一对输入A和输出B进行去均值和归一化,即将A和B均减去B的均值MB得A1和B1,并进一步将A1和B1除以B1的最大绝对值,得到A2和B2;用20组训练集得到的20组A2和B2作为神经网络的输入和输出,训练得到20个具有不同参数的经过训练的神经网络:NN-T 1…NN-T 20。
(5)如图5所示,将测得的沉积物温度剖面P的每一层温度值均减掉沉积物温度剖面最深层的温度值(PD),得到P1,再将P1除以不同的待定归一化系数后输入某一个训练好的神经网络。本实施例中待定归一化系数为0.1,0.2,……,25.0,共250个。因此得到250组输出序列E,对每一组输出序列乘以相应的待定系数并加上PD得到反演的底层水温F。将250组反演的底层水温作为边界条件驱动步骤三中的热传导模式得到沉积物测量时刻的计算的沉积物温度剖面G,分别比较250组计算的沉积物温度剖面G和测量的温度剖面P,选择和P最为接近的计算的沉积物温度剖面G,将其相应的底层水温F作为当前神经网络的底层水温反演结果。
(6)如图6所示,针对每一个训练好的神经网络重复步骤五,由20个神经网络得到20组反演的底层水温(F),将20组反演的底层水温作为边界条件驱动步骤三中的热传导模式得到沉积物测量时间的计算的沉积物温度剖面G,分别比较20组计算的沉积物温度剖面和测量的温度剖面P,挑选和P最为接近的计算的沉积物温度剖面G,其相应的底层水温F作为最终的底层水温反演结果。本实施例中,20个神经网络反演的20个底层水温时间序列如图7中(b)图所示,最终挑选出来的最终底层水温反演结果如图7中(c)图所示。
图7给出了本发明应用效果。图7中(a)图为测量得到的沉积物温度剖面;图7中(b)图的灰色线为20个神经网络的底层水温反演结果,黑色线为真实的底层水温;图7中(c)图的灰色线为从(b)图的20个反演结果中挑选得到的最终反演结果,黑色线为真实的底层水温。可见真实的底层水温具有比较复杂的变化结构,但是本方法仍然能够准确的将底层水温反演出来,平均绝对误差小于0.1℃。
Claims (5)
1.一种海底底层水温反演的方法,其特征在于,包括以下步骤:
步骤一:利用沉积物测量装置测量海底沉积物温度剖面P和热扩散系数剖面Q;
步骤二:构建神经网络并根据测量得到的沉积物温度剖面调整神经网络输入和输出层参数:
所述神经网络包括输入层、中间层和输出层;神经网络的输入层对应测量得到的沉积物温度剖面P;神经网络的输出层对应反演得到的底层水温时间序列W,即从测量时刻到更早的一个时刻间的底层水温变化;神经网络的中间层为长短期记忆回归神经网络;根据每次测量所得到的沉积物温度剖面测量点数目和每个测量点深度的不同,以及因此导致的所能反演的底层水温时间序列长度的不同,调整神经网络输入层和输出层长度参数;
步骤三:根据沉积物测量情况构建N组神经网络训练数据集:
将测量得到的沉积物热扩散系数剖面Q导入热传导模式,然后用不同的历史海面温度年周期时间序列SST作为边界条件驱动热传导模式计算得到稳定的沉积物温度剖面年周期时间序列ST;取每个时刻的沉积物温度剖面和此时刻至以前一段时间的海面温度时间序列SST构成神经网络的输入A和输出B数据对,通过将来自全球不同海域的不同特征海面温度时间序列均匀的分成N组:SST1…SSTN,形成N组神经网络训练数据集的输入序列:A1…AN和输出序列:B1…BN;
步骤四:用N组训练数据集分别训练神经网络NN,得到N个具有不同参数的经过训练的神经网络NN-T:
将神经网络训练集中的每一对输入A和输出B进行去均值和归一化,即将A和B均减去B的均值MB得A1和B1,并进一步将A1和B1除以B1的最大绝对值,得到A2和B2;用得到的N组A2和B2作为神经网络的输入和输出,训练得到N个具有不同参数的经过训练的神经网络:NN-T 1…NN-T M;
步骤五:用测量得到的沉积物温度剖面P作为神经网络的输入,得到反演的底层水温W:
将测量得到的沉积物温度剖面P,减掉其最深处一层沉积物温度PD得到P1,用P1除以待定归一化系数K得到P2,将P2输入训练好的N个神经网络中的第X个,得到输出E,将E乘以待定归一化系数K并加上最深处一层沉积物温度PD最终得到反演的底层水温F;
步骤六:重复步骤五,得到N个底层水温反演结果,从N个底层水温反演结果中择优挑选最佳反演结果作为最终底层水温反演结果。
2.根据权利要求1所述的海底底层水温反演的方法,其特征在于步骤一所述的测量海底沉积物温度剖面P和热扩散系数剖面Q包括以下步骤:利用调查船绞车将沉积物测量装置布放至海底,沉积物测量装置利用自身重力贯入海底沉积物;等待沉积物测量装置稳定之后,通过沉积物测量装置上的沉积物温度传感器测量得到沉积物温度剖面P;然后,由均匀热源发热,再通过沉积物温度传感器测量并计算沉积物温度变化率,从而得到沉积物热扩散系数剖面Q。
3.根据权利要求1所述的海底底层水温反演的方法,其特征在于步骤一所述的沉积物测量装置(8),包括测量探杆(1)、设置于测量探杆(1)上的多个沉积物温度传感器(2)、均匀热源(3)、电子仓(4)和配重(5),所述沉积物测量装置(8)通过数据缆(6)与电脑(7)相连接;测量时,首先通过电脑(7)设置沉积物测量参数,再利用调查船绞车将沉积物测量装置布放至海底,沉积物测量装置(8)在配重(5)的作用下利用自身重力贯入海底沉积物;然后,通过沉积物测量装置上的沉积物温度传感器测量得到不同深度的沉积物温度,即为沉积物温度剖面P;再由均匀热源(3)发热来加热沉积物,通过沉积物温度传感器(2)测量并计算得到不同深度的沉积物温度变化率,从而得到积物热扩散系数剖面Q。
4.根据权利要求1所述的海底底层水温反演的方法,其特征在于步骤五中所述待定归一化系数K有M个不同的取值,分别为K1…KM,取值范围覆盖0.1至25。
5.根据权利要求1所述的海底底层水温反演的方法,其特征在于所述步骤六包括以下具体步骤:将N个神经网络反演得到的N个FY再一次输入步骤三中使用的沉积物热传导模式中,得到沉积物温度剖面P测量时刻的计算的沉积物温度剖面G,对应N个神经网络得到N个G:G1…GN;比较G和P,选择与P最为接近的第Z个G:GZ,基于此将第Z个神经网络反演的底层水温FY(Z)作为最终反演结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146289.7A CN115824458B (zh) | 2023-02-22 | 2023-02-22 | 一种海底底层水温反演的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310146289.7A CN115824458B (zh) | 2023-02-22 | 2023-02-22 | 一种海底底层水温反演的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115824458A CN115824458A (zh) | 2023-03-21 |
CN115824458B true CN115824458B (zh) | 2023-05-05 |
Family
ID=85522037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310146289.7A Active CN115824458B (zh) | 2023-02-22 | 2023-02-22 | 一种海底底层水温反演的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115824458B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660996B (zh) * | 2023-07-24 | 2023-10-13 | 山东科技大学 | 一种基于深度学习的漂流式浅海局部地声参数预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114199935A (zh) * | 2021-12-28 | 2022-03-18 | 浙江大学 | 一种海洋沉积物导热系数测量方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012122727A (ja) * | 2010-12-06 | 2012-06-28 | Furuno Electric Co Ltd | 底質判別装置、超音波探知機、パラメータ設定方法及びパラメータ設定プログラム |
CN102749622B (zh) * | 2012-07-03 | 2013-10-09 | 杭州边界电子技术有限公司 | 基于多波束测深的声速剖面及海底地形的联合反演方法 |
MX351424B (es) * | 2012-08-20 | 2017-10-13 | Statoil Petroleum As | Modelado de temperatura restringido en datos geofísicos y restauración cinemática. |
RU2579547C1 (ru) * | 2014-12-31 | 2016-04-10 | Федеральное государственное бюджетное учреждение науки Тихоокеанский океанологический институт им. В.И. Ильичева Дальневосточного отделения Российской академии наук (ТОИ ДВО РАН) | Способ измерения эквивалентной температуропроводности верхнего слоя донных осадков морских акваторий и устройство для его осуществления |
CN104713904B (zh) * | 2015-03-30 | 2016-01-13 | 中国科学院南海海洋研究所 | 一种海底原位热导率的解算方法 |
CN106383360A (zh) * | 2016-08-16 | 2017-02-08 | 广东石油化工学院 | 一种基于地震数据的海底沉积物温压场的识别方法 |
CN107239803A (zh) * | 2017-07-21 | 2017-10-10 | 国家海洋局第海洋研究所 | 利用深度学习神经网络的海底底质自动分类方法 |
CN110555191B (zh) * | 2019-09-06 | 2022-10-25 | 自然资源部第一海洋研究所 | 一种海水剖面观测数据的距平求取方法 |
CN112163378A (zh) * | 2020-10-28 | 2021-01-01 | 浙江海洋大学 | 根据非线性贝叶斯理论的浅海多层海底地声参数反演方法 |
WO2022226856A1 (zh) * | 2021-04-29 | 2022-11-03 | 浙江海洋大学 | 浅海多层海底地声参数反演方法、装置、计算机设备及存储介质 |
CN113705046B (zh) * | 2021-09-29 | 2023-08-15 | 自然资源部第一海洋研究所 | 一种提高海洋模式中海水温度计算准确性的方法 |
-
2023
- 2023-02-22 CN CN202310146289.7A patent/CN115824458B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114199935A (zh) * | 2021-12-28 | 2022-03-18 | 浙江大学 | 一种海洋沉积物导热系数测量方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115824458A (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115824458B (zh) | 一种海底底层水温反演的方法和装置 | |
Hermans et al. | Geophysical methods for monitoring temperature changes in shallow low enthalpy geothermal systems | |
Stigebrandt | On the response of the horizontal mean vertical density distribution in a fjord to low-frequency density fluctuations in the coastal water | |
CN110389209B (zh) | 一种埋地管道土壤腐蚀特性的评价方法 | |
Jun et al. | Investigations of thermocouple drift irregularity impact on error of their inhomogeneity correction | |
Verma et al. | Porosity and permeability estimation using neural network approach from well log data | |
Ohno et al. | The mixed layer depth in the North Pacific as detected by the Argo floats | |
Arnon et al. | High‐resolution temperature sensing in the Dead Sea using fiber optics | |
Venkatesan et al. | Analysis of drift characteristic in conductivity and temperature sensors used in Moored buoy system | |
Yoder et al. | Effects of mixing-induced irradiance fluctuations on photosynthesis of natural assemblages of coastal phytoplankton | |
US20210157022A1 (en) | Three-dimensional resistivity probe for in-situ monitoring | |
CN106019394A (zh) | 海洋大地电磁场非线性共轭梯度三维并行反演方法 | |
CN115758865A (zh) | 一种基于深度学习的水下三维温盐重构方法及系统 | |
Tolhurst et al. | Muddy sediment erosion: Insights from field studies | |
CN114841062A (zh) | 一种基于反馈神经网络模型的浅海地声参数反演方法 | |
Hayes | Benthic current observations at DOMES sites A, B, and C in the tropical North Pacific Ocean | |
Sun et al. | The relationship between propagation time and sound velocity profile for positioning seafloor reference points | |
CN104457901B (zh) | 一种确定水深的方法及系统 | |
Asher et al. | Vertical variations of coral reef drag forces | |
Jain et al. | Estimation of sound speed profiles using artificial neural networks | |
Knysh et al. | Methodology for multidimensional approximation of current velocity fields around offshore aquaculture installations | |
RU2579547C1 (ru) | Способ измерения эквивалентной температуропроводности верхнего слоя донных осадков морских акваторий и устройство для его осуществления | |
Harvey et al. | Observations of shear in near-bed currents in the southern North Sea | |
CN115979928A (zh) | 一种钢管在海洋环境下腐蚀的可视化实时监测方法 | |
CN116256761A (zh) | 一种小尺度水平剖面温度场声层析观测方法 |
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 |