CN116305752A - 一种基于气候模型的海洋观测数据格点化方法及系统 - Google Patents
一种基于气候模型的海洋观测数据格点化方法及系统 Download PDFInfo
- Publication number
- CN116305752A CN116305752A CN202211633453.9A CN202211633453A CN116305752A CN 116305752 A CN116305752 A CN 116305752A CN 202211633453 A CN202211633453 A CN 202211633453A CN 116305752 A CN116305752 A CN 116305752A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- observation
- depth
- grid
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 69
- 238000004364 calculation method Methods 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 31
- 102100031184 C-Maf-inducing protein Human genes 0.000 claims description 24
- 101000993081 Homo sapiens C-Maf-inducing protein Proteins 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000004807 localization Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 4
- 230000008859 change Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 abstract description 3
- 238000010168 coupling process Methods 0.000 abstract description 3
- 238000005859 coupling reaction Methods 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013316 zoning Methods 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
-
- 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)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于气候模型的海洋观测数据格点化方法及系统。本发明通过引入耦合模型比较计划的模型集合作为动态集合样本，提供更优的初始场和流依赖的海洋参数空间以及更加符合真实海洋物理变率，进而更合理地将不规则的海洋次表层观测数据重构为具有完整全球海洋覆盖的数据集。此外采用多尺度循环重构技术，逐步重建多个典型尺度变率的同时，避免了传统格点同化方法会引入偏向于气候态系统偏差的问题。该方法推动了更优的长时间完整可靠的海洋次表层格点资料集的构建，为进行气候变化和海洋科学研究提供更加完整、准确的数据集。本发明主要用于但不限于海洋次表层观测数据格点化及全球完整格点数据集的构建。
Description
技术领域
本发明属于海洋观测、数据处理、格点化领域，具体涉及一种基于气候模型的海洋观测数据格点化方法及系统。
背景技术
长时间完整可靠的海洋温盐格点资料是进行气候变化和海洋科学研究的基础。受限于观测手段和观测成本，全球海洋现场观测资料在时空分布上稀疏且不均匀以及某些要素观测稀缺，制约了海洋温盐变化及其机理的深入研究。
为了利用未覆盖全球海洋的现场观测数据计算全球物理参数(例如，温度、盐度、热含量)，国际上一般使用某种“Mapping方法”(格点化方法)：即根据某种原则“猜测”无观测区域的变量。目前国际上有5种主流的Mapping方法，但是不同的方法均具有不同的优缺点：(1)“简单平均”方法：使用“有观测区域的变化和无观测区域变化一致”这一并不完全正确的假设，具有较大的不确定性；(2)“客观分析”方法：该方法依赖于先验场的选择、背景协方差的构造(将信息从有观测区域传递到无观测区域)，一般背景场为预先定义好的静态的气候态背景协方差及初始猜测场(均基于World Ocean Atlas 1994)，在观测较为稀疏的区域具有偏向于气候平均态的系统性偏差；(3)“降维插值”方法：用较短时期的海洋变率代表长期变率，忽略了海洋变率是随时间变化的特点；(4)“海平面高度异常(SLA)重构”方法：利用海平面高度异常和次表层数据的线性相关性，将海表高度场投影到次表层，用于次表层重建。该方法是只能在有卫星观测的年份(1993年之后)使用；另外，海表高度和上层变量在很多区域相关性较小：例如，中高纬度区域海表高度和温度相关性较低，若这些区域无现场温度廓线观测，仅仅依赖于卫星高度计和海表温度资料会对海洋变量的估计带来偏差；(5)“分区域计算”方法：将全球分为两个区域：船舶采样区(传统船舶观测可以覆盖的区域)和Argo补充区(传统的船舶观测无法覆盖，但可被Argo系统较好采样的区域)，忽略了Argo补充区的年际、年代际变率，因而仅可用于长期趋势的评估。(6)机器学习方法：利用机器学习方法，将海表卫星观测数据和海洋内部的廓线观测数据进行融合。该方法的缺陷在于现场观测数据量较少，对训练机器学习模型存在不足，制约了其重建的准确性。
发明内容
本发明的目的在于克服上述已有技术的不足之处，提出一种基于气候模型的海洋观测数据格点化方法及系统，本发明将海洋次表层观测数据重构为全球格点数据集，通过引入耦合模型比较计划的模型集合作为动态集合样本，提供更优的初始场和流依赖的海洋参数空间以及更加符合真实海洋物理变率，进而更合理地将不规则的海洋次表层观测数据重构为具有完整全球海洋覆盖的数据集。此外采用多尺度循环重构技术，逐步重建多个典型尺度变率的同时，避免了传统格点同化方法会引入偏向于气候态系统偏差的问题。该方法推动了更优的长时间完整可靠的海洋次表层格点资料集的构建，为进行气候变化和海洋科学研究提供更加完整、准确的数据集。本发明主要用于但不限于海洋次表层观测数据格点化及全球完整格点数据集的构建。本发明具体包括以下内容：
S1：读取第t个月，分辨率为Lat°×Lon°的海洋数据，将全球划分成(经度方向的格点*纬度方向的格点)数目的格子，Lat°为纬度方向的分辨率，纬度方向的格点数目为180°/Lat°，Lon°为经度方向的分辨率，纬度方向的格点数目为360°/Lat°；具体如图1所示，其中t为月份：
S1-1：读取第t个月的海洋状态观测数据(比如海洋热含量数据、溶解氧数据、盐度数据等)：首先，对海洋深度进行分层，针对不同深度，定义时间窗口向量Window1＝[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,4,4,8,8,8,8,10,10,12,12,12,12,12,12,18]，具体大小为41，分别对应深度为第1层至第27层时间窗口为1个月，第28层至41层时间窗口分别为4、4、8、8、8、8、10、10、12、12、12、12、12、12、18个月。然后，读取各指定时间窗口内的所有观测数据，指定时间窗口为包含第t个月份观测数据的时间窗口；不同深度层的时间窗口不同，最深的第41层的观测时间窗口为18个月。
S1-2：读取第t个月的气候平均态观测误差数据：读取气候平均态观测误差数据作为观测的不确定性数据，记为
d2为气候平均态观测误差数据中深度个数，d3为纬度格点数，d4为经度格点数，Lat°×d3＝180°，Lon°×d4＝360°。
S1-3：读取第t个月的国际耦合模式比较计划的(Coupled ModelIntercomparison Project，简称CMIP)模式数据，作为独立可靠的数据源，记为
其中，d1为CMIP模式的模式个数，d2每个模式中深度个数；
S1-4：读取第t个月的海洋和陆地边界地形数据：记为
简记为L；
S1-5：读取第t个月的全球观测的网格算术平均数据：记为
简记为M；
S2：输入数据预处理(具体预处理流程参见图2所示)：
S2-1：气候平均态观测误差数据预处理：首先，更新第t个月的气候平均态观测误差数据。对于气候平均态观测误差数据中元素为Nan(Nan表示没有有效数据)的格点，以邻近深度、邻近格点的非Nan元素的中位数更新该元素为Nan的格点的数据，记为
S2-2：气候平均态观测误差数据预处理：其次，对于指定格点(x,y),若L(x,y)≥1且
则使用卷积核W1i×j对/>
做卷积，并更新/>
其中E是元素全为1的矩阵，x、y、z分别为经度、维度和深度网格索引，0≤x<d3，0≤y<d4，0≤z<d2，i＝5，j＝7代表卷积核大小。
S2-3：CMIP模式数据预处理：逐个对CMIP的各个模式、各个深度的数据进行预处理。对于某一个深度的模拟数据
若对应的地形数据L(p,q)＝＝0,则/>
若对应的地形数据L(p,q)≥1且/>
则使用卷积核W2i×j对/>
做卷积：
其中E是元素全为1的矩阵，p、q分别为网格索引，i、j分别为卷积核大小，i＝9，j＝11，count为卷积窗口内非Nan元素个数，0≤r<d2，0≤p<d3，0≤q<d4，Ct计算完成后为
S2-4：针对不同层的深度，以特定方式依据指定时间窗口的观测数据计算时刻t的观测数据(其中特定方式可以是但不限于指定时间窗口的观测数据代数平均值、加权平均值、几何平均值等)，记为
其中，d2为观测数据中深度总数，d3为纬度格点数，d4为经度格点数，Lat°×d3＝180°，Lon°×d4＝360°。
S3：按照深度逐层对数据进行格点化处理(假设深度为depth)：
S3-1：若depth≥d2，则跳至S4，结束格点同化过程；否则进入S3-2继续进行数据同化计算，具体步骤为：
S3-2：计算第t个观测月、指定深度depth(简记为d)参与格点化计算的CMIP模式集合平均数据Ct,d：获取指定深度的所有CMIP模式的集合平均作为背景平均场，记为Ct,d(简记为C)，有：
其中
表示计算第t个观测月参与格点化计算的CMIP模式集合平均数据Ct中元素绝对值小于10的元素构成的矩阵，Ct,d由/>
重新排为/>
S3-3：获取初始观测数据
(简记为O)、初始气候平均态观测误差数据/>
(简记为D)；
S3-4：计算初始背景扰动场At,d(简记为A)：
A＝C-repmat(mean(CT)T,1,m)
其中，m为CMIP模式个数(即m＝d1)；repmat(X,r1,...,rN)表示指定一个标量列表r1,...,rN，用于描述X的副本在每个维度中如何排列；mean(X)返回包含每列均值的行向量(即得到背景场的集合平均值场)。
S3-5：对应深度格点化数据准备(具体流程参见图4所示)：计算需要进行数据格点化的格点坐标矩阵Pt,d(简记为P)、观测场Qt,d(简记为Q)、分析均值场Ut,d(简记为U)以及分析扰动场Vt,d(简记为V)：
对于格点(x,y)，若|O(x,y)|<6且L(x,y)≥1，则判断该格点需要进行数据格点化计算，则进入S3-6，否则进入S3-7；
S3-6：记录需要进行计算格点的坐标矩阵：
其中Pi为矩阵P的行数，记录分析场平均数据：
其中Ui为U的行数，k＝x*d4+y，记录集合观测场数据：
其中Qi为Q的行数，此时若观测误差数据D(x,y)>0，则
V(x,y)＝D(x,y),
否则，
其中Vi为分析扰动场V的行数，Mi为S1-5所读取的网格算术平均数据M的行数，x、y分别为网格索引，0≤x<d3,0≤y<d4；
S3-7：计算观测扰动优化矩阵Zt,d(简记为Z)：
Z0＝QT-mean(VT)T
Z1＝UT
Z(:,0)＝Z0
Z(:,1)＝Z1
S3-8：定义多尺度循环重构的尺度向量T：依据不同的海洋典型空间尺度、所处理的海洋观测数据类型、实际年率尺度等因素确定用于多尺度循环重构的大小为size的多尺度向量，记为T。其中尺度向量T中每个尺度都表征一个局地化半径，向量T的大小size可以依据具体情况确定。
S3-9：逐个尺度进行多尺度循环重构(具体流程参见图3所示)：假设尺度索引为jndex，若jndex超出尺度向量中最后一个尺度，则depth＝depth+1转至S3-1，否则继续S3-10进行数据格点化。
S3-10：计算第t个观测月、指定depth深度(简记为d)的缩放的集合观测异常Ht,d(简记为H)和第t个观测月、指定深度d的缩放的增益向量Nt,d(简记为N),设定局地化半径radius：
N＝R×Z0
H＝R×(O-repmat(mean(VT)T,1,m))
其中radius＝Tjndex，diag(X)中X为列向量，表示以X的元素为对角元素构建对角方阵。
S3-11：逐个格点同化计算，单一格点数据同化流程参见图5所示：假设格点索引为index，若index超出最后一个格点(即index≥(d3*d4))，则jndex＝jndex+1转至S3-9，否则继续S3-12进行数据格点化。
S3-12：计算距离矩阵Ft,d,i(简记为F):
若nx≤1，
F＝abs(P-index*I)
否则
其中nx为经度方向格点最大数量，index为格点索引，X＝index％nx*I-P(:,0)、Y＝(index/nx)*I-P(:,1)；P(:,0)、P(:,1)为分别表示矩阵P第1列和第2列所有行元素构成的矩阵；
S3-13：计算局地化半径矩阵Jt,d,i(简记为J)：
J＝exp(-0.5*F′*F′)
其中F′＝F/radius。
S3-14：查找局地观测矩阵Kt,d,i(简记为K)：
计算J中大于0元素，得到局地观测矩阵K，
K＝find(J>0)
S3-15：更新局地化半径矩阵Jt,d,i(简记为J)：
J＝J(K,:)
将K中元素的值作为行索引，取出J中所有指定的行中所有列的元素，更新局地化半径矩阵J；
S3-16：更新计算背景扰动场数据At,d,i(以下的计算公式中使用A(index,:)来表征At ,d,i)：
S＝H(K,:).*repmat(J,1,m)
G＝(I+ST×S)-1
A(index,:)＝A(index,:)×sqrt(G)
其中，若K为自然数值，则H(K,:)表示矩阵H中第K行所有列元素构成的行矩阵；若K为矩阵，则H(K,:)表示K中元素值作为行索引，取矩阵H中行索引所指定行、所有列构成的矩阵，.*表示矩阵对应元素逐个相乘；
S3-17：计算背景平均场数据Bt,d,i(以下的计算公式中使用B(index,:)来表征Bt,d,i)：
B(index,:)＝C(index,:)×(G×ST)×(N(K,:).*J)
其中，若K为自然数值，则N(K,:)表示矩阵N中第K行所有列元素构成的行矩阵；若K为矩阵，则N(K,:)表示K中元素值作为行索引，取矩阵N中行索引所指定行、所有列构成的矩阵，.*表示矩阵对应元素逐个相乘；
S3-18：更新背景平均场数据Bt,d,i(简记为B)：
B＝B+mean(OT)T
S3-19：整合指定深度的平均数据场Xt,d和扰动数据场Yt,d；为了便于书写，以下2个计算公式中使用
来表示Bt,d,i，/>
来表示At,d,i；
其中，index为格点索引，lat＝index/d4为经度网格索引，lon＝index％d4为纬度网格索引，model为CMIP的模式索引，0≤model<d1。当model分别逐次增加时，就可得到完整的Yt,d,i；随着index循环增加时，就可得到完整的Yt,d、Xt,d；
S3-20：格点index同化结束后，index＝index+1，进入S3-11。
S4：输出格点化数据
S4-1：输出经过数据格点化后的具有完整空间覆盖的集合平均数据场
(最终分析场)。
S4-2：输出经过数据格点化后的具有完整空间覆盖的集合扰动数据场
(该集合样本用于测算分析的不确定性)。
S5：格点化结束。
本发明的优点如下：
1.克服现有方法的缺陷：
1)避免用较短时期的海洋变率代表长期变率(降维重构方法的缺点)。
2)避免使用有观测区域的热含量简单代表无观测区域的热含量(简单平均方法的缺点)。
3)避免简单利用独立信息源与热含量的线性相关性计算(海平面高度异常重构的缺点)。
4)避免简单采用气候态数值作为初始猜测场和背景协方差(传统海洋客观分析方法的缺点)。
2.由于CMIP模式能够模拟出典型海洋变率和长期变化，为数据估计提供了一个可靠而独立的信息来源，提供具有流依赖特性的误差协方差。同时，对多个模式的集合分析可以减小单个模式存在的模式偏差的影响，进而较好的构建背景协方差，即可以较好的描述海洋不同区域之间海洋变率的相关关系。
3.将集合平方根滤波方法(EnSRF)应用于海洋观测领域，同时考虑多个状态变量和参数的估计，有助于避免单个模式中的“气候漂移”偏差。
4.使用多尺度循环重构方法将3个典型尺度的变率进行逐步重建。
附图说明
图1为格点化方法输入数据示意图；
图2为格点化方法输入数据预处理流程示意图；
图3为多尺度循环重构流程示意图；
图4为对应深度格点化数据准备流程示意图；
图5为单一格点数据同化流程示意图；
图6A为1971年1-3月平均海洋600米深度观测数据可视化展示图；
图6B为美国海洋与大气管理局(NOAA)的格点化技术对1971年1-3月平均海洋600米深度观测数据重构结果可视化展示图；
图6C为本方法对1971年1-3月平均海洋600米深度的重构可视化展示图。
具体实施方式
下面结合附图对本发明进行进一步详细描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
为使本发明的目的、内容和优点更加清楚，下面结合附图和实施例，以1971年1月，分辨率为1°×1°的海洋热含量数据为例，对本发明的具体实施方式作进一步详细描述。本方法包括但不限于以下个例。
S1：读取输入数据：
S1-1：读取网格算术平均的观测数据：首先，针对不同深度，定义时间窗口向量Window1＝
[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,4,4,8,8,8,8,10,10,12,12,12,12,12,12,18]，具体大小为41，分别对应深度为第1层至第27层时间窗口为1个月，第28层至41层时间窗口分别为4、4、8、8、8、8、10、10、12、12、12、12、12、12、18个月。然后，读取指定时间窗口的观测数据。
S1-2：读取气候平均态观测误差数据：读取气候平均态观测误差数据作为观测的不确定性数据，记为
气候平均态观测误差数据中深度个数41；
S1-3：读取国际耦合模式比较计划的(Coupled Model IntercomparisonProject，简称CMIP)模式数据：记为
简记为C40×41×180×360，其中，CMIP模式的模式个数为40，每个模式中深度个数为41；
S1-4：读取海陆边界地形场：记为
简记为L180×360；
S1-5：读取全球观测统计中位数据：记为
简记为M1×27；
S2：输入数据预处理：
S2-1：气候平均态观测误差数据预处理：首先，更新观测月份的观测误差数据。对于元素为Nan的格点，以邻近深度、邻近格点的非Nan元素的中位数更新对应格点的数据，依记为。记为
S2-2：气候平均态观测误差数据预处理：其次，对于指定格点(x,y),若L(x,y)≥1且
则使用卷积核W1i×j对/>
做卷积，并更新/>
其中x、y、z分别为精度、维度和深度网格索引，0≤x<180，0≤y<360，0≤z<41，i＝5，j＝7为卷积核大小。
S2-3：CMIP模式数据预处理：逐个对CMIP的各个模式、各个深度的Historical-Run模型数据进行预处理。对于某一个深度的模拟数据
若对应的地形数据L(p,q)＝＝0,则
若对应的地形数据L(p,q)≥1且/>
则使用卷积核Wi×j对/>
做卷积：
其中E是元素全为1的矩阵,p,q分别为网格索引,i、j分别为卷积核大小，i＝9,j＝11，0≤p<180,0≤q<360，Ct计算完成后为
S2-4：针对不同深度，采取指定时间窗口的观测数据平均值为时刻t的观测数据，记为
S3：按照深度逐层对数据进行格点同化处理(假设深度为depth，简记为d)：
S3-1：若depth≥41，则跳至S4，结束格点同化过程；否则进入S3-2继续进行数据同化计算，具体步骤为：
S3-2：计算指定深度depth参与同化计算的模式数据Ct,0：获取指定深度的所有CMIP模式的模拟数据作为初始猜测数据场，记为Ct,0(简记为C)，有：
其中Ct,0由
重新排为/>
S3-3：计算初始观测数据
(简记为O180×360)、初始不确定性数据/>
(简记为D180×360)；
S3-4：计算初始分析场
(简记为A64800×40)：A＝C-repmat(mean(CT)T,1,m)
其中，m为CMIP模式个数，在depth＝0时，m＝40；repmat(X,r1,...,rN)表示指定一个标量列表r1,...,rN，用于描述X的副本在每个维度中如何排列；mean(X)返回包含每列均值的行向量。
S3-5：计算需要进行数据同化的格点坐标矩阵Pt,0(简记为P)、观测场Qt,0(简记为Q)、分析场Ut,0(简记为U)以及扰动场Vt,0(简记为V)：
对于格点(x,y)，若|O(x,y)|<6且L(x,y)≥1，则判断该格点需要进行数据同化计算，进入S3-6，否则进入S3-7；
S3-6：记录需要进行同化计算格点的坐标矩阵：
其中Pi为P的行数。记录分析场：
其中Ui为U的行数，k＝x*360+y为网格索引，记录集合观测场：
其中Qi为Q的列数，此时若扰动场数据D(x,y)>0，则
V(x,y)＝D(x,y),
否则，
V(x,y)＝M27,
其中Vi为V的行数，Mi为M的行数，当depth＝0时，所有网格计算完成后，为P11023×3,U11023×40,V1×11023,Q1×11023,，Mi＝27,x、y分别为网格索引，0≤x<180,0≤y<360；
S3-7：计算扰动优化矩阵Zt,0(简记为Z)：
Z(:,0)＝QT-mean(VT)T
Z(:,1)＝UT
Z(:,0)＝Z0
Z(:,1)＝Z1
其中，当depth＝0时，Z为Z11023×2；
S3-8：定义多尺度循环重构的尺度向量T：本次对海洋热含量数据进行格点化处理，多尺度循环重构向量T设定为T＝[3,8,25]。
S3-9：逐个尺度进行多尺度循环重构：假设尺度索引为jndex，若jndex超出尺度向量中最后一个尺度，则depth＝depth+1转至S3-1，否则继续S3-10进行数据格点化。
S3-10：计算Ht,0(简记为H)和Nt,0(简记为N),设定当前尺度的区地化范围radius：
N＝R×Z0
H＝R×(U-repmat(mean(VT)T,1,m))
其中radius＝Tjndex为当前格点化尺度，diag(X)中X为列向量，表示以X的元素为对角元素构建对角方阵，当depth＝0时，R为R11023×11023，N为N11023×1，H为H11023×40；
S3-11：逐个格点同化计算：假设格点索引为index，若index超出最后一个格点(即index≥(d3*d4))，则jndex＝jndex+1转至S3-9，否则继续S3-12进行数据格点化。
S3-12：计算距离矩阵Ft,0,0(简记为F):
若nx≤1，
F＝abs(P-index*I)
否则
其中分辨率为1°×1°的输入数据时，nx＝360，index为格点索引，X＝index％nx*I-P(:,0)、Y＝(index/nx)*I-P(:,1)，P(:,0)、P(:,1)为分别表示矩阵P第1列和第2列所有行元素构成的矩阵，当index＝0时F计算完成后为
S3-13：计算局地化半径矩阵Jt,0,0(简记为J)：
J＝exp(-0.5*F′.*F′)
其中F′＝F/radius，当index＝0时J计算完成后
S3-14：查找局地观测矩阵Kt,0,0(简记为K)：
计算J中大于0元素，得到局地观测矩阵K：
K＝find(J>0)
当index＝0时K计算完成后
S3-15：更新局地化半径矩阵Jt,0,0(简记为J)：
J＝J(K,:)
将K中元素的值作为行索引，取出J中所有指定的行中所有列的元素，更新局地化半径矩阵J；
S3-16：更新计算背景扰动场数据At,0,0(简记为A)：
S＝H(K,:).*repmat(J,1,m)
G＝(I+ST×S)-1
A(0,:)＝A(0,:)×sqrt(G)
S3-17：计算背景平均场数据Bt,0,0(简记为B)：
B(0,:)＝C(0,:)×(G×ST)×(N(K,:).*J)
S3-18：更新背景平均场数据Bt,0,0(简记为B)：
B＝B+mean(OT)T
S3-19：整合指定深度的平均数据场Xt,0和扰动数据场Yt,0；为了便于书写，以下2个计算公式中使用
来表示Bt,0,0，/>
来表示At,0,0；
其中，index为格点索引，lat＝index/360为经度网格索引，lon＝index％360为纬度网格索引，model为CMIP的模式索引，0≤model<40。当model分别逐次增加时，就可得到完整的Yt,0,0；随着index循环增加时，就可得到完整的Yt,0、Xt,0；
S3-20：格点index同化结束后，index＝index+1，进入S3-11；
S4：输出格点化数据结合：
S4-1：输出经过数据格点化后的具有完整空间覆盖的集合平均数据场
S4-2：输出经过数据格点化后的具有完整空间覆盖的集合扰动数据场
S5：格点化结束。
尽管为说明目的公开了本发明的具体实施例，其目的在于帮助理解本发明的内容并据以实施，本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (10)
1.一种基于气候模型的海洋观测数据格点化方法，其步骤包括：
1)读取第t个月的海洋相关数据，所述海洋相关数据包括海洋状态观测数据O、气候平均态观测误差数据D、CMIP模式数据C、海洋与陆地的边界地形数据L、全球观测的网格算术平均数据M；
2)对该第t个月的海洋相关数据进行预处理：首先，对于气候平均态观测误差数据D中元素为Nan的格点，Nan表示该格点没有有效数据，以邻近深度、邻近格点的非Nan元素的中位数更新该元素为Nan的格点；其次，若指定格点(x,y)的海洋和陆地边界地形数据L(x,y)≥1且格点(x,y)的气候平均态观测误差数据
则对/>
进行卷积更新，x、y、z分别为经度、纬度和深度网格索引，0≤x<d3，0≤y<d4，0≤z<d2，d2为海洋数据的深度层总数，d3为经度方向格点数，d4为纬度方向格点数；对于CMIP模式数据C中所有模式、深度为r、网格索引为p、q的模拟数据/>
若对应的地形数据L(p,q)＝＝0,则/>
若对应的地形数据L(p,q)≥1且/>
则对/>
进行卷积更新，p、q、r分别为经度、纬度和深度网格索引，0≤p<d3，0≤q<d4，0≤r<d2；
3)按照步骤S3-1至S3-20对观测数据按照深度逐层进行格点化处理，设深度为depth，
简记为d：
S3-1：若depth≥d2，则结束格点化；否则进入S3-2；
S3-2：计算第t个观测月、指定深度d参与格点化计算的CMIP模式集合平均数据C；
S3-3：依据深度depth获取初始海洋状态观测数据O、初始气候平均态观测误差数据D；S3-4：计算初始背景扰动场A＝C-repmat(mean(CT)T,1,m)；其中，m为CMIP模式个数；
S3-5：计算需要进行数据格点化的格点坐标矩阵P、观测场Q、分析均值场U以及分析扰动场V；对于格点(x,y)对应的海洋状态观测数据O(x,y)，若|O(x,y)|<6且L(x,y)≥1，则判断该格点(x,y)需要进行数据格点化计算，则进入S3-6，否则进入S3-7；
S3-6：记录需要进行计算格点的坐标矩阵：
其中Pi为矩阵P的行数，记录分析场平均数据
Ui为矩阵U的行数，
k＝x*d4+y，A(k,:)为取A中第k行所有列的元素；记录集合观测场数据
Qi为矩阵Q的行数，此时若观测误差数据D(x,y)>0，则V(x,y)＝D(x,y)，否则/>
Vi为分析扰动场矩阵V的行数，Mi为网格算术平均数据矩阵M的行数；
S3-7：计算观测扰动优化矩阵Z：Z0＝QT-mean(VT)T、Z1＝UT；
S3-8：定义多尺度循环重构的尺度向量T；其中尺度向量T中每个尺度表征一个局地化半径；
S3-9：逐个尺度进行多尺度循环重构：设尺度索引为jndex，若jndex超出尺度向量中最后一个尺度，则depth＝depth+1转至S3-1，否则进行S3-10；
S3-10：计算第t个观测月、指定深度d的缩放的集合观测异常H和第t个观测月、指定深度d的缩放的增益向量N，并设定局地化半径radius；
S3-11：逐个格点同化计算：设格点索引为index，若index超出最后一个格点，则jndex＝jndex+1转至S3-9，否则进行S3-12；
S3-12：计算第t个观测月、指定深度d、索引index的格点的距离矩阵F:若nx≤1，则F＝abs(P-index*I)；否则
其中nx为经度方向格点最大数量，X＝index％nx*I-P(:,0)、Y＝(index/nx)*I-P(:,1)；
P(:,0)、P(:,1)为分别表示矩阵P第1列和第2列所有行元素构成的矩阵；
S3-13：计算第t个观测月、指定深度d、索引index的格点的局地化半径矩阵J；
S3-14：计算J中大于0元素，得到局地观测矩阵K；
S3-15：更新局地化半径矩阵J＝J(K,:)；
S3-16：更新计算第t个观测月、指定深度d、索引index的格点的背景扰动场数据A：
其中A中第index行所有列的元素A(index,:)＝A(index,:)×sqrt(G)；G＝(I+ST×
S)-1，S＝H(K,:)*repmat(J,1,m)；
S3-17：计算第t个观测月、指定深度d、索引index的格点的背景平均场数据B：其中B中第index行所有列的元素B(index,:)＝C(index,:)×(G×ST)×(N(K,:)*J)；
S3-18：更新背景平均场数据B＝B+mean(OT)T；
S3-19：整合第t个观测月、指定深度d的平均数据场Xt,d和扰动数据场Yt,d；
S3-20：索引为index的格点同化结束后，index＝index+1，进入S3-11。
2.根据权利要求1所述的方法，其特征在于，读取CMIP模式数据作为海洋观测数据格点化的依据之一，作为独立可靠的数据源提供具有流依赖性的协方差场。
3.根据权利要求1所述的方法，其特征在于，缩放的集合观测异常矩阵H和缩放的增益向量N的计算方式为：N＝R×Z0、H＝R×(O-repmat(mean(VT)T,1,m))、
表示以列向量/>
的元素为对角元素构建对角方阵。
4.根据权利要求1所述的方法，其特征在于，多尺度循环重构的实现方式为：首先依据不同的海洋典型空间尺度、所处理的海洋观测数据类型、实际年率尺度确定用于多尺度循环重构的大小为size的多尺度向量T，其中尺度向量T中每个尺度表征一个局地化半径，海洋热含量数据进行格点化处理时，构建3个尺度的循环重构向量T＝[3,8,25]；其次设尺度索引为jndex，若jndex<size则设定局地化半径radius＝Tjndex，J＝exp(-0.5*F′*F′)，其中F′＝F/radius，完成尺度Tjndex的数据格点化计算后，jndex＝jndex+1，继续进行下一个尺度的数据格点化重构计算。
5.根据权利要求1所述的方法，其特征在于，对于符合指定条件L(x,y)≥1且
的格点(x,y)，使用卷积核W1i×j对/>
做卷积，并更新/>
其中E是元素全为1的矩阵，x、y、z分别为经度、维度和深度网格索引，0≤x<d3，0≤y<d4，0≤z<d2，i＝5，j＝7分别为卷积核大小；使用卷积核W2m×n对/>
做卷积，
6.根据权利要求1所述的方法，其特征在于，读取第t个月的海洋状态观测数据的方法为：首先对海洋深度进行分层，针对不同深度设定不同时间窗口，得到一时间窗口向量；然后读取各指定时间窗口内的所有观测数据；以特定方式依据指定时间窗口的观测数据计算时刻t的观测数据，其中特定方式包括但不限于指定时间窗口的观测数据代数平均值、加权平均值、几何平均值；所述指定时间窗口为包含第t个月份观测数据的时间窗口。
7.根据权利要求6所述的方法，其特征在于，将海洋深度划分为41层；时间窗口向量Window1＝
[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,4,4,8,8,8,8,10,10,12,12,12,12,12,12,18]，第1层至第27层时间窗口为1个月，第28层至41层时间窗口分别为4、4、8、8、8、8、10、10、12、12、12、12、12、12、18个月。
8.一种基于气候模型的海洋观测数据格点化系统，其特征在于，包括数据读取模块、数据预处理模块和数据格点化模块；
数据读取模块，用于读取第t个月的海洋相关数据，所述海洋相关数据包括网格算术平均的海洋状态观测数据O、气候平均态观测误差数据D、CMIP模式数据C、海洋与陆地的边界地形数据L、全球观测的网格算术平均数据M；
数据预处理模块，首先，对于气候平均态观测误差数据D中元素为Nan的格点，Nan表示该格点没有有效数据，以邻近深度、邻近格点的非Nan元素的中位数更新该元素为Nan的格点；其次，若指定格点(x,y)的海洋和陆地边界地形数据L(x,y)≥1且格点(x,y)的气候平均态观测误差数据
则对/>
进行卷积更新，x、y、z分别为经度、纬度和深度网格索引，0≤x<d3，0≤y<d4，0≤z<d2，d2为海洋数据的深度层总数，d3为经度方向格点数，d4为纬度方向格点数；对于CMIP模式数据C中所有模式、深度为r、网格索引为p、q的模拟数据/>
若对应的地形数据L(p,q)＝＝0,则/>
若对应的地形数据L(p,q)≥1且/>
则对
进行卷积更新，p、q、r分别为经度、纬度和深度网格索引，0≤p<d3，0≤q<d4，0≤r<d2；
数据格点化模块，对观测数据按照深度逐层进行格点化处理，设深度为depth，简记为d：
S3-1：若depth≥d2，则结束格点化；否则进入S3-2；
S3-2：计算第t个观测月、指定深度d参与格点化计算的CMIP模式集合平均数据C；
S3-3：依据深度depth获取初始海洋状态观测数据O、初始气候平均态观测误差数据D；S3-4：计算初始背景扰动场A＝C-repmat(mean(CT)T,1,m)；其中，m为CMIP模式个数；
S3-5：计算需要进行数据格点化的格点坐标矩阵P、观测场Q、分析均值场U以及分析扰动场V；对于格点(x,y)对应的海洋状态观测数据O(x,y)，若|O(x,y)|<6且L(x,y)≥1，则判断该格点(x,y)需要进行数据格点化计算，则进入S3-6，否则进入S3-7；
S3-6：记录需要进行计算格点的坐标矩阵：
其中Pi为矩阵P的行数，记录分析场平均数据
Ui为U的行数，k＝x*d4+y，A(k,:)为取A中第k行所有列的元素；记录集合观测场数据/>
Qi为Q的行数，此时若观测误差数据D(x,y)>0，则V(x,y)＝D(x,y)，
否则
Vi为分析扰动场V的行数，Mi为网格算术平均数据M的行数；
S3-7：计算观测扰动优化矩阵Z：Z0＝QT-mean(VT)T、Z1＝UT；
S3-8：定义多尺度循环重构的尺度向量T；其中尺度向量T中每个尺度表征一个局地化半径；
S3-9：逐个尺度进行多尺度循环重构：设尺度索引为jndex，若jndex超出尺度向量中最后一个尺度，则depth＝depth+1转至S3-1，否则进行S3-10；
S3-10：计算第t个观测月、指定深度d的缩放的集合观测异常H和第t个观测月、指定深度d的缩放的增益向量N；并设定局地化半径radius；
S3-11：逐个格点同化计算：设格点索引为index，若index超出最后一个格点，则jndex＝jndex+1转至S3-9，否则进行S3-12；
S3-12：计算第t个观测月、指定深度d、索引index的格点的距离矩阵F:若nx≤1，则F＝abs(P-index*I)；否则
其中nx为经度方向格点最大数量，X＝index％nx*I-P(:,0)、Y＝(index/nx)*I-P(:,1)；
P(:,0)、P(:,1)为分别表示矩阵P第1列和第2列所有行元素构成的矩阵；
S3-13：计算第t个观测月、指定深度d、索引index的格点的局地化半径矩阵J；
S3-14：计算J中大于0元素，得到局地观测矩阵K；
S3-15：更新局地化半径矩阵J＝J(K,:)；
S3-16：更新计算第t个观测月、指定深度d、索引index的格点的背景扰动场数据A：
其中A中第index行所有列的元素A(index,:)＝A(index,:)×sqrt(G)；G＝(I+ST×S)-1，S＝H(K,:)*repmat(J,1,m)；
S3-17：计算第t个观测月、指定深度d、索引index的格点的背景平均场数据B：其中B中第index行所有列的元素B(index,:)＝C(index,:)×(G×ST)×(N(K,:)*J)；
S3-18：更新背景平均场数据B＝B+mean(OT)T；
S3-19：整合第t个观测月、指定深度d的平均数据场Xt,d和扰动数据场Yt,d；
S3-20：索引为index的格点同化结束后，index＝index+1，进入S3-11。
9.一种服务器，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1至7任一所述方法中各步骤的指令。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211633453.9A CN116305752A (zh) | 2022-12-19 | 2022-12-19 | 一种基于气候模型的海洋观测数据格点化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211633453.9A CN116305752A (zh) | 2022-12-19 | 2022-12-19 | 一种基于气候模型的海洋观测数据格点化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116305752A true CN116305752A (zh) | 2023-06-23 |
Family
ID=86836573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211633453.9A Pending CN116305752A (zh) | 2022-12-19 | 2022-12-19 | 一种基于气候模型的海洋观测数据格点化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116305752A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756691A (zh) * | 2023-06-25 | 2023-09-15 | 国家海洋环境预报中心 | 一种海洋数据同化方法、系统、电子设备及介质 |
-
2022
- 2022-12-19 CN CN202211633453.9A patent/CN116305752A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756691A (zh) * | 2023-06-25 | 2023-09-15 | 国家海洋环境预报中心 | 一种海洋数据同化方法、系统、电子设备及介质 |
| CN116756691B (zh) * | 2023-06-25 | 2024-01-30 | 国家海洋环境预报中心 | 一种海洋数据同化方法、系统、电子设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guiot et al. | Chapter thirteen transfer functions: methods for quantitative paleoceanography based on microfossils | |
| McKenney et al. | The development of 1901–2000 historical monthly climate models for Canada and the United States | |
| Jongman et al. | Data analysis in community and landscape ecology | |
| Bishop et al. | Geospatial technologies and digital geomorphological mapping: Concepts, issues and research | |
| Chang et al. | Calibrating an ice sheet model using high-dimensional binary spatial data | |
| Chauvier et al. | Resolution in species distribution models shapes spatial patterns of plant multifaceted diversity | |
| Florinsky | Computation of the third‐order partial derivatives from a digital elevation model | |
| CN116305752A (zh) | 一种基于气候模型的海洋观测数据格点化方法及系统 | |
| Bryan et al. | Three‐dimensional neurointerpolation of annual mean precipitation and temperature surfaces for China | |
| Sweeney et al. | Statistical challenges in estimating past climate changes | |
| Igaz et al. | The evaluation of the accuracy of interpolation methods in crafting maps of physical and hydro-physical soil properties | |
| Chen et al. | Surface modeling of DEMs based on a sequential adjustment method | |
| Wang et al. | Estimation of nitrate concentration and its distribution in the northwestern Pacific Ocean by a deep neural network model | |
| Greco et al. | P-spline smoothing for spatial data collected worldwide | |
| Teegavarapu | Mean areal precipitation estimation: methods and issues | |
| Xue et al. | Bias estimation and correction for triangle-based surface area calculations | |
| Vargas | Beyond a deterministic representation of the temperature dependence of soil respiration | |
| Corniello | Photogrammetric 3d information systems for the management of models of cultural heritage | |
| CN107957982A (zh) | 震后次生地质灾害易发性快速评估方法和系统 | |
| Enting et al. | The use of observations in calibrating and validating carbon cycle models | |
| CN116183868A (zh) | 一种复杂生态系统土壤有机碳遥感估算方法及系统 | |
| Xue et al. | Runoff estimation in the upper reaches of the Heihe River using an LSTM model with remote sensing data | |
| Zaron | Introduction to ocean data assimilation | |
| Erdal et al. | The value of simplified models for spin up of complex models with an application to subsurface hydrology | |
| Begou | Hydrological Modeling of the Bani Basin in West Africa–Uncertainties and Parameters Regionalization |
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 |