CN115859840B - 一种海洋环境动力要素区域极值分析方法 - Google Patents

一种海洋环境动力要素区域极值分析方法 Download PDF

Info

Publication number
CN115859840B
CN115859840B CN202310165568.8A CN202310165568A CN115859840B CN 115859840 B CN115859840 B CN 115859840B CN 202310165568 A CN202310165568 A CN 202310165568A CN 115859840 B CN115859840 B CN 115859840B
Authority
CN
China
Prior art keywords
model
region
extreme
samples
area
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
CN202310165568.8A
Other languages
English (en)
Other versions
CN115859840A (zh
Inventor
邵珠晓
李佳谦
梁丙臣
李华军
李萍
谢波涛
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.)
Ocean University of China
Original Assignee
Ocean University of China
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 Ocean University of China filed Critical Ocean University of China
Priority to CN202310165568.8A priority Critical patent/CN115859840B/zh
Publication of CN115859840A publication Critical patent/CN115859840A/zh
Application granted granted Critical
Publication of CN115859840B publication Critical patent/CN115859840B/zh
Priority to PCT/CN2024/073932 priority patent/WO2024179234A1/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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种海洋环境动力要素区域极值分析方法，属于海岸、海洋工程技术领域。包括以下步骤：获取海洋环境动力要素的n年时序历史数据；依据天气系统分组，提取独立且同分布的极端样本；在极端样本信息充足的区域，针对单点求出其各自的概率分布参数；基于人工神经网络建立各参数与经度、纬度和水深的空间演变模型；基于建好的模型，校正极端样本充足区域单点的概率分布参数；将空间模型外推到极端样本信息不充足的区域；通过区域重模拟方法计算不同重现期区域模型推算值的置信区间。该方法主要解决了某些海域位置海洋环境动力要素样本历史数据稀少导致的海洋、海岸结构物不同重现期下设计标准推算值不确定性较大的问题。

Description

一种海洋环境动力要素区域极值分析方法
技术领域
本发明属于海岸、海洋工程技术领域。具体涉及一种海洋环境动力要素区域极值分析方法。
背景技术
近年来，我国传统涉海产业逐步优化，高新涉海产业不断革新，海洋和海岸工程的发展面临着新的机遇，同时亦面临着新的挑战。海洋环境动力要素（例如：极端有效波高）是海岸结构设计和管理、海上平台、船舶路线以及港口建设中重要的参数。
台风是一种严重的自然灾害现象，对海洋和海岸工程有巨大的威胁。在台风发生较为频繁的区域有足够的历史数据可以利用，应用传统的推算方法得到海洋环境动力要素的设计值较为可靠；在台风发生次数较少（年频次小于1）的区域，但伴随其产生的海洋环境动力要素是极端的，因此在进行海洋、海岸结构物设计时，又不能忽略它的影响，但受限于有限的历史数据，应用传统的推算方法得到海洋环境动力要素的设计值具有很大的不确定性，不能满足实际工程建设的需要。
近年来，我国逐渐形成了“空天地海潜”的海洋观测体系，海洋观测、模拟数据呈现指数级的增长，海洋数据已进入大数据时代，但仍有些海域位置历史数据年限较短，应用传统的推算方法得到的海洋环境动力要素的设计值具有很大的不确定性，这将严重限制海洋工程的建设和发展。
发明内容
有鉴于此，本发明公开了一种海洋环境动力要素区域极值分析方法。该方法主要适用于海洋环境动力要素历史数据较少的位置。该方法主要解决了某些海域位置海洋环境动力要素样本历史数据稀少导致的海洋、海岸结构物不同重现期下设计标准推算值不确定性较大的问题。
本发明目的是由以下技术方案实现的：
一种海洋环境动力要素区域极值分析方法，包括以下步骤：
S1、获取海洋环境动力要素的n年时序历史数据，其中n大于20年，海洋动力环境要素为有效波高；
S2、依据天气系统分组，提取独立且同分布的极端样本；
S3、在极端样本信息充足的区域，针对单点求出其各自的概率分布参数，针对每个海域点应用GPD分布模型求出求各自的概率分布参数；
S4、基于人工神经网络建立各参数与经度、纬度和水深的空间演变模型；本步骤具体包括：S41、搭建神经网络模型，模型包括输入层、隐藏层和输出层，采用Levenberg-Marquardt反向传播算法进行数据训练，隐含层使用双曲正切Sigmoid型传递函数，输入层和输出层使用线性传递函数；
S42、设定模型的输出层为概率分布模型的参数，
S43、对比分析区域内单点累计分布曲线和区域模型获得的累计分布曲线的整体平均差异，确定输入模型的子区域位置点数量
Figure SMS_1
；
S5、基于建好的模型，校正极端样本充足区域单点的概率分布参数，即在极端样本充足的区域每个位置处应用模型求得GPD分布的三个参数，作为校正值，代替原始值；
S6、将空间模型外推到极端样本信息不充足的区域，即在极端样本不充足的区域位置，利用空间模型的参数演变模式逐渐外推到极端样本不充足的区域位置；
S7、通过区域重模拟方法计算不同重现期区域模型推算值的置信区间。
进一步的，所述步骤S2具体包括：
S21、针对台风特征显著、信息记录完整的天气系统，依据轨迹、影响范围和记录时间信息进行轨迹追踪和记录时间匹配，提取独立且同分布的样本；
S22、针对其他天气系统，以固定时间间隔提取独立样本，采用方向分组、时间分组手段提取同分布样本。
进一步的，所述步骤S4具体包括：
S41、搭建神经网络模型，模型包括输入层、隐藏层和输出层，采用Levenberg-Marquardt反向传播算法进行数据训练，隐含层使用双曲正切Sigmoid型传递函数，输入层和输出层使用线性传递函数；
S42、设定模型的输出层为概率分布模型的参数，通过均方根误差RMSE、平均绝对误MAE和相关系数R三项统计指标确定神经网络模型的输入层参数，包括经度、纬度、水深；
S43、对比分析区域内单点累计分布曲线和区域模型获得的累计分布曲线的整体平均差异，确定输入模型的子区域位置点数量
Figure SMS_2
。
进一步的，所述步骤S7具体包括：
S71、确定输入模型的子区域位置点数量
Figure SMS_3
，并且确定每个位置处极端样本数量
Figure SMS_4
和其对应的概率分布的参数；
S72、计算用于模拟区域相关数据的相关性矩阵[R]，将各位置视为等值相关，即位置
Figure SMS_5
和
Figure SMS_6
之间的相关性
Figure SMS_7
，定义矩阵[R]为：
Figure SMS_8
；
Figure SMS_9
可以根据所有位置间极端样本的平均相关性系数来估计，通过下面公式计算：
Figure SMS_10
；
S73、重新模拟区域M次，在每一次模拟过程，为区域每个位置重新生成极端样本，执行以下步骤：
（1）设
Figure SMS_11
，
Figure SMS_12
为区域位置中极端样本数量的最大值，对于每一个时间点
Figure SMS_13
, 生成一个具有元素
Figure SMS_14
的随机向量
Figure SMS_15
，该随机向量
Figure SMS_16
是一个具有平均向量为0，并且协方差矩阵为[R]的多维正态分布；
（2）将每一个
Figure SMS_17
转换为所需要的边缘分布，即计算数据值
Figure SMS_18
，其中
Figure SMS_19
为位置
Figure SMS_20
的分位数函数，
Figure SMS_21
为标准正态分布的累积分布函数；
S74、对于每一次重新模拟的区域数据，通过空间模型重新计算外推位置处的不同重现期的返回值，重复模拟区域M次，按升序排列返回值，选择
Figure SMS_22
和
Figure SMS_23
作为置信区间的边界，α=0.05作为95%置信区间，M大于1000。
有益效果
本发明以热带气旋影响下的有效波高为例，该方法采用灵活时间窗口的峰值超阈值方法提取极端样本，保证了样本满足极值理论独立且同分布的要求。通过分析区域内各单点概率分布参数与经度、纬度和水深的三维演变关系，建立了基于人工神经网络的区域外推模型，并根据单点特征和波浪特征构造了空间控制法则，以控制概率分布参数的局部响应，为单点重现期的推算增加有效的样本信息，以空间换时间，降低海洋环境动力要素推算的不确定性，延长其推算年限。通过此区域补样方法可以为海洋、海岸工程的设计施工提供重要参考。
该方法主要解决了某些海域位置海洋环境动力要素样本历史数据稀少导致的海洋、海岸结构物不同重现期下设计标准推算值不确定性较大的问题。该方法根据位置特征和波浪特征构造了概率分布参数的空间控制法则，以控制概率分布参数的局部响应，为重现期的推算增加有效的样本信息，相较于传统的推算方法，该方法可以得到更加可靠的不同重现期下的海洋环境动力要素设计标准的推算值，这种以空间换时间的创新手段可以有效延长推算年限，为海洋、海岸工程的设计施工提供重要参考，满足实际的工程需要。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明公开的海洋环境动力要素区域极值分析方法流程示意图；
图2为实施例中极端样本充足区域内单点累计分布曲线和区域模型获得的累计分布曲线的整体平均差异（RMSE和MAE统计值）；
图3为实施例中A2位置处极端样本拟合空间模型GPD参数的分位数诊断图。
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。
实施例1
本发明实施例公开了一种海洋环境动力要素区域极值分析方法，参考点为A1（124.0°E, 28.0°N）、A2（123.6°E, 36.3°N）和A3（123.6°E, 38.8°N），其中A1点位于东海北部海域，A2点位于黄海中部海域，A3点位于黄海北部海域。点A1属于极端样本信息充足的位置，A2点位于黄海南部，极端台风样本不充足，A3点位于黄海北部，40年极端台风样本更加稀缺。
本实施例包括以下步骤：
S1、获取海洋动力环境要素的n年时序历史数据。海洋动力环境要素为有效波高，n为40年，时间范围1979~2018年，时间步长为1h。
S2、依据天气系统分组，提取独立且同分布的极端样本。
S21、针对台风等特征显著、信息记录完整的天气系统，依据轨迹、影响范围和记录时间等信息进行轨迹追踪和记录时间匹配，提取独立且同分布的样本。本实例中对台风影响下的有效波高进行分析，因此依据40年内每场台风对应的轨迹影响范围（300km）和记录时间等信息进行轨迹追踪和记录时间匹配，提取独立且同分布的样本。经过筛选，本实施例中，40年A1点提取出178个样本，A2点提取出74个样本，A3点提取出47个样本。
S22、针对其他天气系统，以固定时间间隔提取独立样本，采用方向分组、时间分组等手段提取同分布样本。
S3、在极端样本信息充足的区域，针对每个位置求出其各自的概率分布参数。本实例中，经过分析，点A1属于极端样本信息充足的位置，极端样本数量年均大于1次。因此，在极端样本信息充足区域内，针对每个海域点应用GPD分布模型求出求各自的概率分布参数。海域点A2和A3属于极端样本不充足的位置。
S4、基于人工神经网络建立各参数与经度、纬度和水深的空间演变模型。
S41、搭建神经网络模型，模型包括输入层、隐藏层和输出层，采用Levenberg-Marquardt反向传播算法进行数据训练，隐含层使用双曲正切Sigmoid型传递函数，输出层使用线性传递函数。本实例中，以极端样本信息充足位置A1为例建立神经网络模型，A1位置单点的GPD分布模型的三个参数为
Figure SMS_24
。
S42、设定模型的输出层为概率分布模型的参数，通过三项统计指标（均方根误差RMSE、标准偏差SD和相关系数R）确定神经网络模型的输入层参数，包括经度、纬度、水深等。本实例中，为明析不同因素与概率分布参数的相关性，采用控制变量法，在位置A1处建立了由经度、纬度、水深等多因素组合的输入层模型（①~④），见表1，各个模型的输出层为GPD分布的三个参数，输入数据为参考点A1邻近100个位置点的三个参数。表2为各模型的评价指标，从评价指标可以看出输入层模型④的效果最优，因此初步得到结论，GPD分布参数是随经度、纬度和水深三维变化的。
表1
模型编号 输入因素 输出因素
① 纬度 GPD模型三个参数
② 经度 GPD模型三个参数
③ 经度、纬度 GPD模型三个参数
④ 经度、纬度、水深 GPD模型三个参数
；
表2
Figure SMS_25
S43、对比分析区域内单点累计分布曲线和区域模型获得的累计分布曲线的整体平均差异，确定输入模型的子区域位置点数量
Figure SMS_26
，本实例中，为了确定输入模型的子区域位置点数量
Figure SMS_27
，在整个极端样本充足的区域进行验证，以
Figure SMS_28
对比分析区域内单点累计分布曲线和区域模型获得的累计分布曲线的整体平均差异（RMSE和MAE统计值），结果如图2所示，图中显示子区域位置点数为100是合适的，子区域位置点的数量是由各邻近地点与参考点极端样本数据的相关性从大到小依次选出。
S5、基于建好的模型，校正极端样本充足区域单点的概率分布参数。本实例中，基于搭建好的区域模型，在极端样本充足的区域每个位置处应用模型求得GPD分布的三个参数，作为校正值，代替原始值。
S6、将空间模型外推到极端样本信息不充足的区域。本实例中，在极端样本不充足的区域位置（A2和A3），由于极端样本历史数据缺少，通过本身的历史数据推算不能得到合理的GPD分布参数，因此利用空间模型的参数演变模式逐渐外推到极端样本不充足的区域位置。图3显示了在A2位置处通过空间模型获得的GPD分布的三个参数计算出来的分位数和原始样本经验分位数对比图，可以看出较为吻合，说明该空间模型的可靠性。
S7、通过区域重模拟方法计算不同重现期区域模型推算值的置信区间。
S71、确定输入模型的子区域位置点数量
Figure SMS_29
，并且确定每个位置处极端样本数量
Figure SMS_30
和其对应的概率分布的参数。本实例中，通过步骤S4已经确定
Figure SMS_31
为100，并且确定100个位置处的GPD分布的三个参数。
S72、计算用于模拟区域相关数据的相关性矩阵[R]，将各位置视为等值相关的，也就是说，位置
Figure SMS_32
和
Figure SMS_33
之间的相关性
Figure SMS_34
,定义矩阵[R]为：
Figure SMS_35
Figure SMS_36
可以根据所有位置间极端样本的平均相关性系数来估计，通过下面公式计算：
Figure SMS_37
S73、重新模拟区域M次。在每一次模拟过程，为区域每个位置重新生成极端样本，执行以下步骤：
（1）设
Figure SMS_38
，
Figure SMS_39
为区域位置中极端样本数量的最大值，对于每一个时间点
Figure SMS_40
, 生成一个具有元素
Figure SMS_41
的随机向量
Figure SMS_42
，该随机向量是一个具有平均向量为0，并且协方差矩阵为[R]的多维正态分布。
（2）将每一个
Figure SMS_43
转换为所需要的边缘分布，即计算数据值
Figure SMS_44
，其中
Figure SMS_45
为位置
Figure SMS_46
的分位数函数，
Figure SMS_47
为标准正态分布的累积分布函数。本实例中，边缘分布及GPD分布函数。
S74、对于每一次重新模拟的区域数据，通过空间模型重新计算外推位置处的不同重现期的返回值，重复模拟区域M次，按升序排列返回值，选择
Figure SMS_48
和
Figure SMS_49
作为置信区间的边界，α=0.05作为95%置信区间。本实例中，重新模拟区域5000次，将5000次计算返回值按升序排列，选择第125个值和第4875个值作为95%置信区间的边界值。
本发明实施例，在位置A2和A3，极端台风历史数据相对于历史年限（40年）过于稀少，从而会导致推算海洋、海岸结构物工程的设计波高值时具有很大的不确定性，甚至在渤海内部，台风样本过于稀少导致无法推算的问题，这些都将影响海洋工程对未来台风的防范。然而应用该区域极值分析方法，可以有效解决推算设计波高不确定性大，甚至无法推算的问题，为海洋、海岸工程的设计施工提供重要参考，满足实际工程对台风这种极端灾害的设防要求。表3显示在位置A1、A2和A3处应用传统单点推算方法和区域极值分析方法推算设计波高的稳定性对比结果，传统单点推算方法100年一遇设计波高的置信区间分别为1.706m, 2.381m, 3.534m，而应用区域极值分析方法100年一遇设计波高的置信区间分别为1.684m, 2.089m, 1.988m。A1点位于东海北部，40年极端台风样本充足，区域极值分析方法比传统单点推算置信区间减少0.022m; A2点位于黄海南部，极端台风样本不充足，区域极值分析方法比传统单点推算置信区间减少0.292m；A3点位于黄海北部，40年极端台风样本更加稀缺，区域极值分析方法比传统单点推算置信区间减少1.546m，将近一倍，因此应用该方法可以得到更加可靠的设计波高的推算值，为海洋、海岸工程的设计施工提供重要参考，满足实际的工程防范台风灾害的需求。
表3
Figure SMS_50
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。对于实施例公开的装置而言，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种海洋环境动力要素区域极值分析方法，其特征在于，包括以下步骤：
S1、获取海洋环境动力要素的n年时序历史数据，其中n大于20年，海洋动力环境要素为有效波高；
S2、依据天气系统分组，提取独立且同分布的极端样本；
S3、在极端样本信息充足的区域，针对单点求出其各自的概率分布参数，针对每个海域点应用GPD分布模型求出各自的概率分布参数；
S4、基于人工神经网络建立各参数与经度、纬度和水深的空间演变模型；本步骤具体包括：S41、搭建神经网络模型，模型包括输入层、隐藏层和输出层，采用Levenberg-Marquardt反向传播算法进行数据训练，隐藏层使用双曲正切Sigmoid型传递函数，输入层和输出层使用线性传递函数；
S42、设定模型的输出层为概率分布模型的参数，
S43、对比分析区域内单点累计分布曲线和区域模型获得的累计分布曲线的整体平均差异，确定输入模型的子区域位置点数量
Figure QLYQS_1
；
S5、基于建好的模型，校正极端样本充足区域单点的概率分布参数，即在极端样本充足的区域每个位置处应用模型求得GPD分布的三个参数，作为校正值，代替原始值；
S6、将空间模型外推到极端样本信息不充足的区域，即在极端样本不充足的区域位置，利用空间模型的参数演变模式逐渐外推到极端样本不充足的区域位置；
S7、通过区域重模拟方法计算不同重现期区域模型推算值的置信区间。
2.根据权利要求1所述的海洋环境动力要素区域极值分析方法，其特征在于，所述步骤S2具体包括：
S21、针对台风特征显著、信息记录完整的天气系统，依据轨迹、影响范围和记录时间信息进行轨迹追踪和记录时间匹配，提取独立且同分布的样本；
S22、针对其他天气系统，以固定时间间隔提取独立样本，采用方向分组、时间分组手段提取同分布样本。
3.根据权利要求2所述的海洋环境动力要素区域极值分析方法，其特征在于，
所述步骤S42为设定模型的输出层为概率分布模型的参数，通过均方根误差RMSE、平均绝对误MAE和相关系数R三项统计指标确定神经网络模型的输入层参数，包括经度、纬度、水深；
所述步骤S43为对比分析区域内单点累计分布曲线和区域模型获得的累计分布曲线的整体平均差异，确定输入模型的子区域位置点数量
Figure QLYQS_2
。
4.根据权利要求1所述的海洋环境动力要素区域极值分析方法，其特征在于，所述步骤S7具体包括：
S71、确定输入模型的子区域位置点数量
Figure QLYQS_3
，并且确定每个位置处极端样本数量
Figure QLYQS_4
和其对应的概率分布的参数；
S72、计算用于模拟区域相关数据的相关性矩阵[R]，将各位置视为等值相关，即位置
Figure QLYQS_5
和
Figure QLYQS_6
之间的相关性
Figure QLYQS_7
，定义矩阵[R]为：
Figure QLYQS_8
；
Figure QLYQS_9
可以根据所有位置间极端样本的平均相关性系数来估计，通过下面公式计算：
Figure QLYQS_10
；
S73、重新模拟区域M次，在每一次模拟过程，为区域每个位置重新生成极端样本，执行以下步骤：
（1）设
Figure QLYQS_11
，
Figure QLYQS_12
为区域位置中极端样本数量的最大值，对于每一个时间点
Figure QLYQS_13
, 生成一个具有元素
Figure QLYQS_14
的随机向量
Figure QLYQS_15
，该随机向量
Figure QLYQS_16
是一个具有平均向量为0，并且协方差矩阵为[R]的多维正态分布；
（2）将每一个
Figure QLYQS_17
转换为所需要的边缘分布，即计算数据值
Figure QLYQS_18
，其中
Figure QLYQS_19
为位置
Figure QLYQS_20
的分位数函数，
Figure QLYQS_21
为标准正态分布的累积分布函数；
S74、对于每一次重新模拟的区域数据，通过空间模型重新计算外推位置处的不同重现期的返回值，重复模拟区域M次，按升序排列返回值，选择
Figure QLYQS_22
和
Figure QLYQS_23
作为置信区间的边界，α=0.05作为95%置信区间，M大于1000。
CN202310165568.8A 2023-02-27 2023-02-27 一种海洋环境动力要素区域极值分析方法 Active CN115859840B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202310165568.8A CN115859840B (zh) 2023-02-27 2023-02-27 一种海洋环境动力要素区域极值分析方法
PCT/CN2024/073932 WO2024179234A1 (zh) 2023-02-27 2024-01-25 一种海洋环境动力要素区域推算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310165568.8A CN115859840B (zh) 2023-02-27 2023-02-27 一种海洋环境动力要素区域极值分析方法

Publications (2)

Publication Number Publication Date
CN115859840A CN115859840A (zh) 2023-03-28
CN115859840B true CN115859840B (zh) 2023-05-26

Family

ID=85658937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310165568.8A Active CN115859840B (zh) 2023-02-27 2023-02-27 一种海洋环境动力要素区域极值分析方法

Country Status (2)

Country Link
CN (1) CN115859840B (zh)
WO (1) WO2024179234A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859840B (zh) * 2023-02-27 2023-05-26 中国海洋大学 一种海洋环境动力要素区域极值分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016175343A1 (ko) * 2015-04-27 2016-11-03 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 및 이를 이용한 통계적 신호 해석 방법
CN115688427A (zh) * 2022-11-01 2023-02-03 江苏科技大学 一种海洋环境设计参数多站点联合极值预测检验方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101915569B (zh) * 2010-07-07 2012-09-26 南京信息工程大学 风浪要素数值实景监测系统及其监测方法
CN111611549A (zh) * 2020-05-25 2020-09-01 中国海洋大学 基于海洋环境参数确定台风影响海域设计波高的方法
CN113297801B (zh) * 2021-06-15 2022-10-14 哈尔滨工程大学 一种基于steof-lstm的海洋环境要素预测方法
CN114492809A (zh) * 2022-01-29 2022-05-13 中国海洋大学 海洋环境设计参数推算模型的不确定性分析方法
CN115114873B (zh) * 2022-08-31 2022-11-18 中国海洋大学 海洋环境重现期设计标准推算方法与系统
CN115859840B (zh) * 2023-02-27 2023-05-26 中国海洋大学 一种海洋环境动力要素区域极值分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016175343A1 (ko) * 2015-04-27 2016-11-03 한국해양과학기술원 컴퓨터가 수행하는 해양 기상 표본 추출 및 이를 이용한 통계적 신호 해석 방법
CN115688427A (zh) * 2022-11-01 2023-02-03 江苏科技大学 一种海洋环境设计参数多站点联合极值预测检验方法

Also Published As

Publication number Publication date
WO2024179234A1 (zh) 2024-09-06
CN115859840A (zh) 2023-03-28

Similar Documents

Publication Publication Date Title
CN112765912B (zh) 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法
US20230400603A1 (en) Method of projecting future flood risks under changing hydrological cycles
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN107563554B (zh) 一种统计降尺度模型预报因子的筛选方法
CN110070144A (zh) 一种湖泊水质预测方法及系统
CN116702627B (zh) 一种基于深度卷积神经网络的城市暴雨内涝快速模拟方法
CN112288164A (zh) 一种计及空间相关性和修正数值天气预报的风功率组合预测方法
CN105868853A (zh) 一种短期风电功率组合概率预测方法
CN115859840B (zh) 一种海洋环境动力要素区域极值分析方法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
CN114611608A (zh) 基于深度学习模型的海表面高度数值预报偏差订正方法
CN116467933A (zh) 基于深度学习的风暴潮增水预测方法及系统
CN115877483A (zh) 一种基于随机森林和gru的台风路径预报方法
CN117371303A (zh) 一种海浪下有效波高的预测方法
CN116401939A (zh) 一种基于梯度约束神经网络的北极海冰短期预报方法
CN111898089A (zh) 确定台风影响海域有效波高和增水联合概率的方法
CN118463936A (zh) 基于深度学习的中尺度涡分布预测方法
CN114742206A (zh) 综合多时空尺度多普勒雷达数据的降雨强度估计方法
CN118312576A (zh) 一种高温热浪-干旱复合灾害的预测方法、系统及电子设备
CN117634325A (zh) 资料受限河口区域极值事件识别和复合洪水灾害研究方法和系统
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN117557921A (zh) 基于数值模拟和深度学习的叶绿素遥感数据重构方法
CN113834547A (zh) 一种河流虚拟站水位时序重建方法及系统
CN104899464B (zh) 一种适应噪声条件下的抽样学习机遥感定量反演方法

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