CN116384284B - 一种赤潮网格化预报方法及系统 - Google Patents
一种赤潮网格化预报方法及系统 Download PDFInfo
- Publication number
- CN116384284B CN116384284B CN202310510988.5A CN202310510988A CN116384284B CN 116384284 B CN116384284 B CN 116384284B CN 202310510988 A CN202310510988 A CN 202310510988A CN 116384284 B CN116384284 B CN 116384284B
- Authority
- CN
- China
- Prior art keywords
- grid
- data
- data file
- red tide
- probability
- 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
- 238000013277 forecasting method Methods 0.000 title abstract description 11
- 238000012544 monitoring process Methods 0.000 claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 34
- 238000013139 quantization Methods 0.000 claims abstract description 10
- 229930002875 chlorophyll Natural products 0.000 claims description 22
- 235000019804 chlorophyll Nutrition 0.000 claims description 22
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 22
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 21
- 229910052760 oxygen Inorganic materials 0.000 claims description 21
- 239000001301 oxygen Substances 0.000 claims description 21
- 235000015097 nutrients Nutrition 0.000 claims description 20
- 150000003839 salts Chemical class 0.000 claims description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 239000013505 freshwater Substances 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 9
- YUWBVKYVJWNVLE-UHFFFAOYSA-N [N].[P] Chemical compound [N].[P] YUWBVKYVJWNVLE-UHFFFAOYSA-N 0.000 description 5
- 239000000203 mixture Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种赤潮网格化预报方法及系统，该方法包括，通过预设网格划分目标海域，得到网格数据文件；根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据，同时生成不同种类赤潮对应的参数配置文件；构建每一种目标状态变量的赤潮发生条件预测指标函数；根据加权量化计算，得到网格数据文件中每一格点赤潮发生的概率。进而可以对不同概率下赤潮的影响面积、持续时间和发展趋势变化等进行处理和可视化显示，该实施方式能够综合反映物理生态要素变化下的空间预报差异，可以达到提高赤潮数字化预报精度和准确度的效果。
Description
技术领域
本申请涉及物理海洋及海洋生态动力学的领域，具体而言，涉及一种赤潮网格化预报方法及系统。
背景技术
赤潮是频繁侵害我国的主要海洋灾害之一。现有业务化的赤潮预报方法大多根据定点观测统计或者气象预报分析开展，无法对赤潮发生可能的空间分布、趋势规模、持续时间等进行数字化预报，在实践中发现，该种方法存在预报时效连续性差和空间分辨率低的问题。
因此，如何开展赤潮数字化预报，提高赤潮预报的精度和准确度，是一个需要解决的技术问题。
发明内容
本申请实施例的目的在于提供一种赤潮网格化预报方法，通过本申请的实施例的技术方案能够通过综合考虑物理和生态要素变化过程来提高不同空间位置赤潮预报的准确度,并通过网格剖分数值方法,实现完整、连续的区域时空赤潮发生分布、趋势规模、持续时间等的精细化和定量化预报,达到提高赤潮预报精度的效果。
第一方面，本申请实施例提供了一种赤潮网格化预报方法，包括，通过预设网格划分目标海域，得到网格数据文件；根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据；根据环境要素监测数据，生成不同种类赤潮对应的参数配置文件；根据不同种类赤潮对应的参数配置文件和每一格点的目标状态变量数据，构建每一格点的赤潮发生条件预测指标函数；根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率。
本申请在上述实施例中，通过网格化目标海域，可以对每一格点的状态变量数据进行预测，通过不同的参数配置文件，构建每种状态变量对应的赤潮发生条件预测指标函数，通过构建的赤潮发生条件预测指标函数和每一目标状态变量数据对应的权重系数可以分别对每一格点发生赤潮的概率进行计算，网格化预测方法能够科学反映物理生态要素变化下的空间预报差异，可以定量赤潮发生概率分布，提供目标海域完整的时空预报信息，达到提高赤潮预报时效间隔和空间范围分辨率的效果，赤潮预报的结果更加准确。
在一些实施例中，根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据，包括：
根据环境要素监测数据、网格再分析与业务化预报场数据和环境要素监测数据和网格再分析与业务化预报场数据，计算目标海域网格化的预报初始场数据、边界场数据和驱动场数据，其中，预报初始场数据包括温度、盐度、流速、流向、溶解氧、营养盐及叶绿素浓度，边界场数据包括温度、盐度、溶解氧、叶绿素及营养盐负荷，驱动场数据包括气温、气压、风速、风向、降水、淡水通量、光照及驱动水位；
将预报初始场数据、边界场数据和驱动场数据输入预设的海洋生态动力学模型，得到网格数据文件中每一格点的目标状态变量数据。
本申请在上述实施例中，通过计算得到的目标海域网格化的预报初始场数据、边界场数据和驱动场数据输入预设的海洋生态动力学模型，可以得到网格数据文件中每一格点的目标状态变量数据。
在一些实施例中，根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据，包括：
将待预测网格数据文件和网格数据文件中的数据进行时间和空间上的匹配，得到待预测网格数据文件和网格数据文件中数据的数据对应关系，其中，待预测网格数据文件中的数据包括格点总数、格点编号、网格总数、网格编号、网格组成编号、网格面积和格点经纬度坐标；
根据数据对应关系，将待预测网格数据文件中每一格点对应的待预测监测数据插值到网格数据文件中每一格点上，得到网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据；
将网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据输入预设的生态动力学模型进行数值计算，得到网格数据文件中每一格点的目标状态变量数据。
本申请在上述实施例中，可以将待预测网格数据文件中格点数据插值到网格数据文件中格点上，进而可以将数据转换后的待预测网格数据输入生态动力学模型，可以准确的对当前目标海域划分的每一格点的状态变量数据进行预测。
在一些实施例中，根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率，包括：
通过重复以下步骤遍历每一格点，计算网格数据文件中每一格点在每一时刻赤潮发生的概率：
计算网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率，其中，目标状态变量数据包括温度、盐度、溶解氧浓度、叶绿素浓度和营养盐浓度中的至少一种；
将网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到网格数据文件中预设格点在每一时刻赤潮发生的概率。
本申请在上述实施例中，通过将预设格点每一时刻下的每一目标状态变量数据导致赤潮发生的概率加权求和，可以准确的得到预设格点在每一时刻赤潮发生的概率。
在一些实施例中，在根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率之后，还包括：
生成网格数据文件中全部格点在每一时刻的瞬时场景文件，其中，瞬时场景文件中的信息包括赤潮发生的概率、时间和时间间隔中的至少一种；
基于预设格点在每一时刻赤潮发生的概率，预报预设格点赤潮发生的概率随时间变化的趋势；
预报预设时刻时网格数据文件中赤潮发生概率区间的格点对应的网格面积；
预报预设时段时赤潮发生概率区间的平均面积；
预报每一次赤潮发生持续的时间。
本申请在上述实施例中，确定每一格点赤潮发生的概率之后，可以进一步准确预报全部格点在每一时刻的瞬时场景文件、格点发生赤潮随时间的变化、赤潮发生的面积和持续时间等信息。
第二方面，本申请实施例提供了一种赤潮网格化预报系统，包括：
数值信息形成分系统、赤潮发生概率场预报分系统、定量化预报产品制作分系统；
数值信息形成分系统，用于通过预设网格划分目标海域，得到网格数据文件，根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据；
赤潮发生概率场预报分系统，用于根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指数函数，计算网格数据文件中每一格点赤潮发生的概率。
定量化预报产品制作分系统，用于根据网格数据文件中每一格点赤潮发生的概率，定量化制作预报方案。
可选的，数值信息形成分系统，包括：
初始参数配置模块、目标海域网格生成模块、信息匹配性判定模块、数据插值模块和生态动力学模型数值计算模块；
初始参数配置模块，用于配置初始配置数据文件，其中，初始配置数据文件包括起报时间、预报时长、指定预报时效内的时间间隔和模型生态参数中的至少一种；
目标海域网格生成模块，用于通过预设网格划分目标海域，得到网格数据文件；
信息匹配性判定模块，用于将待预测网格数据文件和网格数据文件中的数据进行时间和空间上的匹配，得到待预测网格数据文件和网格数据文件中数据的数据对应关系；
数据插值模块，用于根据数据对应关系，将待预测网格数据文件中每一格点对应的待预测监测数据插值到网格数据文件中每一格点上，得到网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据；
生态动力学模型数值计算模块，用于将网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据输入预设的生态动力学模型进行数值计算，得到网格数据文件中每一格点的目标状态变量数据。
可选的，赤潮发生概率场预报分系统，包括：
监测数据捕捉模块、判据参数统计模块、条件预测指标函数建立模块、加权量化系数计算模块和多要素组合概率场计算模块；
监测数据捕捉模块，用于捕捉目标海域历史赤潮发生时或者目标海域所在的预设范围内赤潮发生时环境状态变量的监测数据；
判据参数统计模块，用于统计判断网格数据文件中每一格点是否发生赤潮的阈值和最适状态变量；
条件预测指标函数建立模块，用于建立每一种目标状态变量数据中每一格点的赤潮发生条件预测指标函数；
加权量化系数计算模块，用于计算网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率对应的权重；
多要素组合概率场计算模块，用于将网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到网格数据文件中预设格点在每一时刻赤潮发生的概率。
可选的，定量化预报产品制作分系统，包括：
概率分布预报模块、关注点位置概率预报模块、赤潮影响面积预报模块、赤潮发生规模预报模块和赤潮持续时间预报模块；
概率分布预报模块，用于生成网格数据文件中全部格点在每一时刻的瞬时场景文件；
关注点位置概率预报模块，用于基于预设格点在每一时刻赤潮发生的概率，预报预设格点赤潮发生的概率随时间变化的趋势；
赤潮影响面积预报模块，用于预报预设时刻时网格数据文件中赤潮发生概率区间格点对应的网格面积；
赤潮发生规模预报模块，用于预报预设时段时赤潮发生概率区间的平均面积；
赤潮持续时间预报模块，用于预报每一次赤潮发生持续的时间。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种赤潮网格化预报方法的流程图；
图2为本申请实施例提供的一种赤潮网格化预报系统的示意框；
图3为本申请实施例提供的一种数值信息形成分系统的示意图；
图4为本申请实施例提供的一种赤潮发生概率场预报分系统的示意图；
图5为本申请实施例提供的一种预设时刻预报目标海域内赤潮发生的概率场分布示意图；
图6为本申请实施例提供的一种预报目标海域内赤潮发生概率大于预设值时的影响面积示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请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申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和显示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
首先对本申请实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。
终端设备：可以是移动终端、固定终端或便携式终端，例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合，包括这些设备的配件和外设或者其任意组合。还可预见到的是，终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
服务器：可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
本申请应用于赤潮预报的场景，具体场景为将目标海域网格化划分，对每一格点的目标状态变量数据进行预测，并进一步完成赤潮预测。
目前，业务化的赤潮预报方法大多依赖于定点环境要素观测或者根据天气分析进行短期预报，例如，其往往只依赖于实时生态环境要素并且多只考虑海域气象因子(如气温、气压、风速、风向和降水等信息)进行赤潮预报。上述赤潮预报方法存在很大的局限性，信息获取效率低，并且只能通过定点检测站进行定点环境要素或者天气进行分析，导致最终赤潮预报的不够准确。
为此本申请通过预设网格划分目标海域，得到网格数据文件；根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据；根据环境要素监测数据，生成不同种类赤潮对应的参数配置文件；根据不同种类赤潮对应的参数配置文件和每一格点的目标状态变量数据，构建每一格点的赤潮发生条件预测指标函数；根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率。通过网格化目标海域，可以对每一格点的状态变量数据进行预测，通过不同的参数配置文件，构建每一种状态变量的赤潮发生条件预测指标函数，通过构建的赤潮发生条件预测指标函数和每一目标状态变量数据对应的权重系数，计算每个格点赤潮发生的概率。
本申请实施例中，执行主体可以为文本匹配系统中的文本匹配设备，实际应用中，文本匹配设备可以为终端设备和服务器等电子设备，在此不做限制。
下面结合图1对本申请实施例的赤潮网格化预报方法进行详细描述。
请参看图1，图1为本申请实施例提供的一种赤潮网格化预报方法的流程图，如图1所示的赤潮网格化预报方法包括：
步骤110：通过预设网格划分目标海域，得到网格数据文件。
其中，预设网格可以根据需求设定，其中包括网格的大小和数量等。目标海域可以是赤潮预报需要监测的海域。网格数据文件用于存储划分目标海域的网格相关信息。
在本申请的一些实施例中，网格数据文件中的数据包括格点总数、格点编号、网格总数、网格编号、网格组成编号、网格面积和格点经纬度坐标。
其中，网格数据文件还可以包括网格的长度和宽度等信息。
步骤120：根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据。
其中，待预测监测数据包括环境要素监测数据和网格再分析与业务化预报场数据，环境要素监测数据包括目标海域的水温、盐度、溶解氧浓度、叶绿素浓度、营养盐浓度、气温、气压、风速、风向、降水、光照强度、流速、流向和水位中的至少一种；网格再分析与业务化预报场数据包括格点总数、格点编号、网格总数、网格编号、网格组成编号、网格面积、格点经纬度坐标以及每一格点的水温、盐度、溶解氧浓度、叶绿素浓度和营养盐浓度、气温、气压、风速、风向、降水、光照强度、流速、流向和水位。
其中，待预测监测数据也可以包括海面一些环境因素等信息，本申请不限于此。
一种实施例中，根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据，包括，检查划定目标海域范围内是否存在赤潮发生时环境状态变量的监测数据，如果存在，则获取监测站点的经纬度位置，以及历史赤潮发生时环境状态变量的监测数据(包括水温、盐度、溶解氧、氮磷比、叶绿素等要素监测数据)，如果不存在则使用可获取目标海域所在的预设范围内赤潮发生时环境状态变量的监测数据。统计得到目标海域范围内赤潮发生的最适状态变量和阈值区间，存储至参数配置文件。条件预测指标函数建立模块，从水温、盐度、溶解氧、氮磷比、叶绿素浓度等关键要素因子，建立每个要素的赤潮发生条件预测指标函数，用于计算网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率。
在一些实施例中，根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据，包括：根据环境要素监测数据、网格再分析与业务化预报场数据和环境要素监测数据和网格再分析与业务化预报场数据，计算目标海域网格化的预报初始场数据、边界场数据和驱动场数据，其中，预报初始场数据包括温度、盐度、流速、流向、溶解氧、营养盐及叶绿素浓度，边界场数据包括温度、盐度、溶解氧、叶绿素及营养盐负荷，驱动场数据包括气温、气压、风速、风向、降水、淡水通量、光照及驱动水位；将预报初始场数据、边界场数据和驱动场数据输入预设的海洋生态动力学模型，得到网格数据文件中每一格点的目标状态变量数据。
本申请在上述实施例中，通过计算得到的目标海域网格化的预报初始场数据、边界场数据和驱动场数据输入预设的海洋生态动力学模型，可以得到网格数据文件中每一格点的目标状态变量数据。
一种实施例中，可以根据环境要素监测数据、网格再分析和业务化预报场数据，利用统计判断、查找匹配、时空插值等算法，生成网格化的预报初始场、边界场和驱动场数据文件。
在本申请的一些实施例中，根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据，包括：将待预测网格数据文件和网格数据文件中的数据进行时间和空间上的匹配，得到待预测网格数据文件和网格数据文件中数据的数据对应关系，其中，待预测网格数据文件中的数据包括格点总数、格点编号、网格总数、网格编号、网格组成编号、网格面积和格点经纬度坐标；根据数据对应关系，将待预测网格数据文件中每一格点对应的待预测监测数据插值到网格数据文件中每一格点上，得到网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据；将网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据输入预设的生态动力学模型进行数值计算，得到网格数据文件中每一格点的目标状态变量数据。
本申请在上述过程中，可以将待预测网格数据文件中格点数据插值到网格数据文件中格点上，进而可以将数据转换后的待预测网格数据输入生态动力学模型，可以对当前目标海域划分的每一格点的状态变量数据进行预测。
其中，数据对应关系可以是格点的对应关系、格点位置的对应关系以及格点对应监测数据的对应关系等。生态动力学模型可以是现有的预测赤潮的预测模型。目标状态变量数据包括温度、盐度、溶解氧浓度、叶绿素浓度和营养盐浓度中的至少一种，也可以包括氮磷比、海浪和海面风速等数据信息。
在一种实施例中，将待预测网格数据文件和网格数据文件中的数据进行时间和空间上的匹配，得到待预测网格数据文件和网格数据文件中数据的数据对应关系，根据数据对应关系，将待预测网格数据文件中每一格点对应的待预测监测数据插值到网格数据文件中每一格点上，得到网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据，包括：将待预测网格数据文件中格点的编号和经纬度与对应的网格数据文件中的编号和经纬度进行对应匹配，根据经纬度和编号找到位置对应关系，进而根据位置对应关系确定数据对应关系，将待预测网格数据文件中每一格点对应的温度、盐度、溶解氧浓度、叶绿素浓度和营养盐浓度根据数据对应关系插值到网格数据文件中每一格点上，得到网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据。
其中，插值的过程包括将经过匹配前的待预测监测数据对应的格点位置进行坐标和投影的转换，把数据匹配到对应网格数据文件中对应格点上，然后进行数据格式的转换得到每一格点的待预测监测数据，每一格点的待预测监测数据包括初始场、驱动场和网格数据文件。
步骤130：根据环境要素监测数据，生成不同种类赤潮对应的参数配置文件。
其中，参数配置文件包括一些赤潮发生的条件信息，包括一些影响赤潮发生时环境因素的条件信息等。所述参数配置文件可以根据待预测网格数据文件中的数据和环境要素监测数据，通过统计分析、临近外推、分类判断等方法，得到预报目标海域范围内的不同种类赤潮发生的参数配置文件。
步骤140：根据不同种类赤潮对应的参数配置文件和每一格点的目标状态变量数据，构建每一格点的赤潮发生条件预测指标函数。
其中，不同种类的赤潮表示通过不同的目标状态变量数据导致生成的不同赤潮。可以根据水温、盐度、溶解氧、氮磷比、叶绿素等关键要素因子，分别建立每个要素的赤潮发生条件预测指标函数。
步骤150：根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率。
一种是实施例中，在建立赤潮发生条件预测指标函数之后，可以根据熵权法、加权量化算法，计算赤潮发生概率场数据；根据网格数据文件中每一格点的赤潮发生概率数据后处理，进行各项数据的可视化。
在本申请的一些实施例中，根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率，包括：通过重复以下步骤遍历每一格点，计算网格数据文件中每一格点在每一时刻赤潮发生的概率：计算网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率，其中，目标状态变量数据包括温度、盐度、溶解氧浓度、叶绿素浓度和营养盐浓度中的至少一种；将网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到网格数据文件中预设格点在每一时刻赤潮发生的概率。
本申请在上述过程中，通过将预设格点每一时刻下的每一目标状态变量数据导致赤潮发生的概率加权求和，可以得到预设格点在每一时刻赤潮发生的概率。
其中，预设格点可以根据需求设定，例如，可以从第一个网格开始，也可以随机选择预设格点。
在一种实施例中，计算网格数据文件中预设格点的目标状态变量数据中叶绿素浓度在每一时刻导致赤潮发生的概率是通过如下公式得到的：
其中a1、a2分别为确定赤潮发生时状态变量叶绿素浓度的最大和最小阈值，i表示第i时刻，fi1表示目标状态变量数据中叶绿素浓度在i时刻导致赤潮发生的概率，Ai表示生态动力学数值模型计算的i时刻状态变量叶绿素浓度，当水体中的Ai大于a2时表示i时刻赤潮发生的概率fi1为1，小于a1时赤潮发生的概率fi1为0。即赤潮发生海域状态变量高于最大阈值时，便可确定为赤潮即将发生或已经发生，小于最小阈值时，则赤潮发生概率为零。
在一种实施例中，计算网格数据文件中预设格点的目标状态变量数据中溶解氧浓度在每一时刻导致赤潮发生的概率是通过如下公式得到的：
其中，其中y1、y2分别为确定赤潮发生时状态变量溶解氧浓度的最大和最小阈值，i表示第i时刻，fi2表示目标状态变量数据中溶解氧浓度在i时刻导致赤潮发生的概率，Yi表示生态动力学数值模型计算的i时刻状态变量溶解氧浓度，当水体中的Yi大于y2时表示i时刻赤潮发生的概率fi2为1，小于y1时赤潮发生的概率fi2为0。即赤潮发生海域状态变量高于最大阈值时，便可确定为赤潮即将发生或已经发生，小于最小阈值时，则赤潮发生概率为零。
在一种实施例中，计算网格数据文件中预设格点的目标状态变量数据中温度在每一时刻导致赤潮发生的概率是通过如下公式得到的：
其中，其中t1、t2分别为确定赤潮发生时状态变量温度的最大和最小阈值，t0表示赤潮发生的最适水温，i表示第i时刻，fi3表示目标状态变量数据中温度在i时刻导致赤潮发生的概率，Ti表示生态动力学数值模型计算的i时刻状态变量温度，当水体中的Ti大于t2时表示i时刻赤潮发生的概率fi3为1，小于t1时赤潮发生的概率fi3为1。即赤潮发生海域状态变量高于最大阈值或者小于最小阈值时，便可确定为赤潮即将发生或已经发生。
在一种实施例中，计算网格数据文件中预设格点的目标状态变量数据中营养盐浓度比值在每一时刻导致赤潮发生的概率是通过如下公式得到的：
其中，其中s1、s2分别为确定赤潮发生时状态变量营养盐浓度比值的最大和最小阈值，s0表示赤潮发生的最佳营养盐浓度比值，i表示第i时刻，fi4表示目标状态变量数据中营养盐浓度比值在i时刻导致赤潮发生的概率，Si表示生态动力学数值模型计算的i时刻状态变量营养盐浓度比值，当水体中的Si大于s2时表示i时刻赤潮发生的概率fi4为1，小于s1时赤潮发生的概率fi4为1。即赤潮发生海域状态变量高于最大阈值或者小于最小阈值时，便可确定为赤潮即将发生或已经发生。
在一种实施例中，将网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到网格数据文件中预设格点在每一时刻赤潮发生的概率，是通过如下公式得到的：
dj＝1-ej；
其中fij表示第j标监测数据下第i个概率值，pij表示第j目标状态变量数据下第i个概率值占该目标状态变量数据的比重，n为预报时效内总的预报时刻，ej表示第j项指标的熵值，m为目标状态变量数据要素个数。第j项目标状态变量数据的熵值dj表示第j项目标状态变量数据的差异系数，wj表示第j项目标状态变量数据的权重系数，fwi表示预设格点在每一时刻赤潮发生的总概率。
在本申请的一些实施例中，在根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率之后，图1所示的方法还包括：生成网格数据文件中全部格点在每一时刻的瞬时场景文件，其中，瞬时场景文件中的信息包括赤潮发生的概率、时间和时间间隔中的至少一种；基于预设格点在每一时刻赤潮发生的概率，预报预设格点赤潮发生的概率随时间变化的趋势；预报预设时刻时网格数据文件中赤潮发生的格点对应的网格面积；预报每一刻赤潮发生的平均面积；预报每一次赤潮发生持续的时间。
本申请在上述过程中，确定每一格点赤潮发生的概率之后，可以进一步预报全部格点在每一时刻的瞬时场景文件、格点发生赤潮随时间的变化、赤潮发生的面积和持续时间等信息。
其中，瞬时场景文件标识每一刻对应的一个赤潮预报相关的信息，包括每一格点赤潮发生的概率、整个目标海域发生赤潮的概率和面积等信息。
在上述图1所示的过程中，本申请通过预设网格划分目标海域，得到网格数据文件；根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据；根据环境要素监测数据，生成不同种类赤潮对应的参数配置文件；根据不同种类赤潮对应的参数配置文件和每一格点的目标状态变量数据，构建每一格点的赤潮发生条件预测指标函数；根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率。通过网格化目标海域，可以对每一格点的状态变量数据进行预测，通过不同的参数配置文件，构建一格点的赤潮发生条件预测指标函数，通过构建的赤潮发生条件预测指标函数和每一目标状态变量数据对应的权重系数，计算每一格点赤潮发生的概率。
前文通过图1描述了赤潮网格化预报方法，下面结合图2对本申请实施例的赤潮网格化预报系统进行详细描述。
请参看图2，图2为本申请实施例提供的一种赤潮网格化预报系统的示意框，如图2所示的赤潮网格化预报系统包括：数值信息形成分系统、赤潮发生概率场预报分系统、定量化预报产品制作分系统；数值信息形成分系统，用于通过预设网格划分目标海域，得到网格数据文件，根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据；赤潮发生概率场预报分系统，用于根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率。定量化预报产品制作分系统，用于根据网格数据文件中每一格点赤潮发生的概率，定量化制作预报方案。
可选的，数值信息形成分系统，包括：初始参数配置模块、目标海域网格生成模块、信息匹配性判定模块、数据插值模块和生态动力学模型数值计算模块；初始参数配置模块，用于配置初始配置数据文件，其中，初始配置数据文件包括起报时间、预报时长、指定预报时效内的时间间隔和模型生态参数中的至少一种；目标海域网格生成模块，用于通过预设网格划分目标海域，得到网格数据文件；信息匹配性判定模块，用于将待预测网格数据文件和网格数据文件中的数据进行时间和空间上的匹配，得到待预测网格数据文件和网格数据文件中数据的数据对应关系；数据插值模块，用于根据数据对应关系，将待预测网格数据文件中每一格点对应的待预测监测数据插值到网格数据文件中每一格点上，得到网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据；生态动力学模型数值计算模块，用于将网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据输入预设的生态动力学模型进行数值计算，得到网格数据文件中每一格点的目标状态变量数据。
下面请参看图3，图3为本申请提供的一种数值信息形成分系统的示意图。
如图3所示的数值信息形成分系统包括：初始参数配置模块、目标海域网格生成模块、信息匹配性判定模块、数据插值模块和生态动力学模型数值计算模块。
其中，环境要素观测数据和网络再分化与业务化预报场数据(即待预测网格数据文件和网格数据文件中的数据)可以根据初始参数配置模块配置初始配置数据文件以及目标海域网格生成模块通过预设网格划分目标海域得到网格数据文件，利用信息匹配性判定模块进行时间和空间上的匹配得到待预测网格数据文件和网格数据文件中数据的数据对应关系。通过数据插值模块根据数据对应关系，将待预测网格数据文件中每一格点对应的待预测监测数据插值到网格数据文件中每一格点上，得到网格数据文件中每一格点的待预测监测数据(包括：初始场的度、盐度、营养盐及叶绿素浓度；驱动场的海面风场、热通量、淡水通量和驱动水位；边界条件的温度、盐度和营养盐负荷输入)；最后通过生态动力学模型数值计算模块利用生态动力学模型对网格数据文件中每一格点的待预测监测数据进行数据处理，得到网格数据文件中每一格点的目标状态变量数据。
此外，图3所示系统的具体执行方法步骤和功能可以参看图1所示的方法，此处不在过多赘述。
可选的，赤潮发生概率场预报分系统，包括：监测数据捕捉模块、判据参数统计模块、条件预测指标函数建立模块、加权量化系数计算模块和多要素组合概率场计算模块；监测数据捕捉模块，用于捕捉目标海域历史赤潮发生时或者目标海域所在的预设范围内赤潮发生时环境状态变量的监测数据；判据参数统计模块，用于统计判断网格数据文件中每一格点是否发生赤潮的概率阈值；条件预测指标函数建立模块，用于建立每一种目标状态变量数据中每一格点的赤潮发生条件预测指标函数；加权量化系数计算模块，用于计算网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率对应的权重；多要素组合概率场计算模块，用于将网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到网格数据文件中预设格点在每一时刻赤潮发生的概率。
下面请参看图4，图4为本申请提供的一种赤潮发生概率场预报分系统的示意图。
如图4所示的赤潮发生概率场预报分系统，包括：监测数据获取模块、判据参数统计模块、条件预测指标函数建立模块、加权量化系数计算模块和多要素组合概率场计算模块。
其中，监测数据获取模块，用于监测目标海域历史赤潮发生时或者目标海域所在的预设范围内赤潮发生时环境状态变量的监测数据，检测数据例如，1、检查数据，2、位置判断，3、信息链接；判据参数统计模块，用于统计判断网格数据文件中每一格点是否发生赤潮的概率阈值，例如，1、确定赤潮发生的最适状态变量，2、统计各要素阈值区间；条件预测指标函数建立模块，用于根据各要素场预报数据(待预测监测数据)建立目标状态变量数据中每一数据导致赤潮发生概率的指标函数，例如，1、分别建立水温、盐度、溶解氧、氮磷比、叶绿素要素预报的条件预测指标函数，2、计算每种要素的指标函数值；加权量化系数计算模块，用于计算网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率对应的权重，具体的，1、将每种条件预测指标在预报时效内组成矩阵，2、熵权法计算每种要素指标的权重系数；多要素组合概率场计算模块，用于将网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到网格数据文件中预设格点在每一时刻赤潮发生的概率，具体的，1、计算得到的各种指标函数与权重系数的乘积和，2、相同的方法遍历所有格点，得到每一格点在每一时刻赤潮发生的概率。
此外，图4所示系统的具体执行方法步骤和功能可以参看图1所示的方法，此处不在过多赘述。
可选的，定量化预报产品制作分系统，包括：概率分布预报模块、关注点位置概率预报模块、赤潮影响面积预报模块、赤潮发生规模预报模块和赤潮持续时间预报模块；概率分布预报模块，用于生成网格数据文件中全部格点在每一时刻的瞬时场景文件；关注点位置概率预报模块，用于基于预设格点在每一时刻赤潮发生的概率，预报预设格点赤潮发生的概率随时间变化的趋势；赤潮影响面积预报模块，用于预报预设时刻时网格数据文件中赤潮发生的格点对应的网格面积；赤潮发生规模预报模块，用于预报每一刻赤潮发生的平均面积；赤潮持续时间预报模块，用于预报每一次赤潮发生持续的时间。
其中，概率分布预报模块可以提取赤潮发生概率预报分系统中各个时刻的待预测监测数据，按照初始参数配置模块形成的初始产出配置数据文件，输出预报时间分辨率的瞬时场数据文件，可以生成目标预报海域赤潮发生概率空间分布预测产品。关注点位置概率预报模块可以获取关注点经纬度所在的格点信息，提取该点每个时刻的概率预报数据，形成时间序列文件，生成关注点位置赤潮发生概率随时间变化趋势以及指定时间点所处空间趋势变化分析产品。赤潮影响面积预报模块可以根据某个时刻待预测监测数据，设置赤潮发生概率影响的阈值，将赤潮发生概率预报分系统中计算的概率场数据与阈值进行比较，判断每个格点上的概率值是否大于影响阈值，生成逻辑判断的空间场数据，统计大于影响阈值所在的网格面积，并输出统计的格点数量和编号，进行求和计算，生成赤潮发生影响面积分析产品。赤潮发生规模预报模块可以统计预报时间段内包含的时刻数，将赤潮发生概率预报分系统中计算的预报结果每个时刻影响面积相加，除以该时间段内包含的时刻数量，计算得到该时间段内赤潮发生平均分布面积预报产品。赤潮持续时间预报模块可以获取每个网格点的时间序列变化数据，统计预报时效内每个时间间隔的预报结果，将预报概率连续大于阈值的时刻数求和，生成赤潮可能发生持续时间的预报产品。
下面请参看图5，图5为本申请提供的一种预设时刻预报目标海域内赤潮发生的概率场分布示意图。
如图5所示的预设时刻预报目标海域内赤潮发生的概率场分布，包括：
灰色阴影部分表示陆地，白色部分表示海洋水体覆盖区域；横坐标为经度(单位：°E)，纵坐标表示纬度(单位：°N)等值线及等值线上的数字(0、0.2、0.4、0.6、0.8)表示赤潮发生的概率对应的数值，数值越大表示预报赤潮发生的可能性越大，反之则越小。
下面请参看图6，图6为本申请提供的一种预报目标海域内赤潮发生概率大于预设值时的影响面积示意图。
如图6所示的预报目标海域内赤潮发生概率大于预设值时的影响面积示意图，包括：
横坐标为预报时间，即从预报时刻起算的小时数(单位：小时)，纵坐标为预报赤潮发生概率大于预设值(可以设置为80％)所在网格面积的求和(单位：平方千米)。
综上所述，本申请实施例提供一种赤潮网格化预报方法及系统，该方法包括，通过预设网格划分目标海域，得到网格数据文件；根据待预测监测数据和待预测网格数据文件，预测网格数据文件中每一格点的目标状态变量数据；根据网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过每一格点的赤潮发生条件预测指标函数，计算网格数据文件中每一格点赤潮发生的概率。通过该方法可以达到提高赤潮预报准确度和精度的效果。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法，也可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例、方法。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，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所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种赤潮网格化预报方法，其特征在于，包括：
通过预设网格划分目标海域，得到网格数据文件；
根据待预测监测数据和待预测网格数据文件，预测所述网格数据文件中每一格点的目标状态变量数据，其中，所述待预测监测数据包括环境要素监测数据和网格再分析与业务化预报场数据；
根据所述环境要素监测数据，生成不同种类赤潮对应的参数配置文件；
根据所述不同种类赤潮对应的参数配置文件和所述每一格点的目标状态变量数据，构建每一格点的赤潮发生条件预测指标函数；
根据所述网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过所述每一格点的赤潮发生条件预测指标函数，计算所述网格数据文件中每一格点赤潮发生的概率；
所述根据待预测监测数据和待预测网格数据文件，预测所述网格数据文件中每一格点的目标状态变量数据，包括：将所述待预测网格数据文件和所述网格数据文件中的数据进行时间和空间上的匹配，得到所述待预测网格数据文件和所述网格数据文件中数据的数据对应关系；根据所述数据对应关系，将所述待预测网格数据文件中每一格点对应的待预测监测数据插值到所述网格数据文件中每一格点上，得到所述网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据；将所述网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据输入预设的生态动力学模型进行数值计算，得到所述网格数据文件中每一格点的目标状态变量数据。
2.根据权利要求1所述的方法，其特征在于，所述根据待预测监测数据和待预测网格数据文件，预测所述网格数据文件中每一格点的目标状态变量数据，包括：
根据所述环境要素监测数据、所述网格再分析与业务化预报场数据，计算所述目标海域网格化的预报初始场数据、边界场数据和驱动场数据，其中，所述预报初始场数据包括温度、盐度、流速、流向、溶解氧、营养盐及叶绿素浓度，所述边界场数据包括温度、盐度、溶解氧、叶绿素及营养盐负荷，所述驱动场数据包括气温、气压、风速、风向、降水、淡水通量、光照及驱动水位；
将所述预报初始场数据、所述边界场数据和所述驱动场数据输入预设的海洋生态动力学模型，得到所述网格数据文件中每一格点的目标状态变量数据。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过所述每一格点的赤潮发生条件预测指标函数，计算所述网格数据文件中每一格点赤潮发生的概率，包括：
通过重复以下步骤遍历每一格点，计算所述网格数据文件中每一格点在每一时刻赤潮发生的概率：
计算所述网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率，其中，所述目标状态变量数据包括温度、盐度、溶解氧浓度、叶绿素浓度和营养盐浓度中的至少一种；
将所述网格数据文件中所述预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到所述网格数据文件中所述预设格点在每一时刻赤潮发生的概率。
4.根据权利要求1或2所述的方法，其特征在于，在所述根据所述网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过所述每一格点的赤潮发生条件预测指标函数，计算所述网格数据文件中每一格点赤潮发生的概率之后，所述方法还包括：
生成所述网格数据文件中全部格点在每一时刻的瞬时场景文件，其中，所述瞬时场景文件中的信息包括赤潮发生的概率、时间和时间间隔中的至少一种；
基于预设格点在每一时刻赤潮发生的概率，预报所述预设格点赤潮发生的概率随时间变化的趋势；
预报预设时刻时所述网格数据文件中赤潮发生概率区间格点对应的网格面积；
预报预设时段时赤潮发生概率区间的平均面积；
预报每一次赤潮发生持续的时间。
5.一种赤潮网格化预报系统，其特征在于，包括：
数值信息形成分系统、赤潮发生概率场预报分系统、定量化预报产品制作分系统；
所述数值信息形成分系统，用于通过预设网格划分目标海域，得到网格数据文件，根据待预测监测数据和待预测网格数据文件，预测所述网格数据文件中每一格点的目标状态变量数据；
所述赤潮发生概率场预报分系统，用于根据所述网格数据文件中每一格点的目标状态变量数据和每一目标状态变量数据对应的权重系数，通过所述每一格点的赤潮发生条件预测指数函数，计算所述网格数据文件中每一格点赤潮发生的概率；
所述定量化预报产品制作分系统，用于根据所述网格数据文件中每一格点赤潮发生的概率，定量化制作预报方案；
所述根数值信息形成分系统具体用于：将所述待预测网格数据文件和所述网格数据文件中的数据进行时间和空间上的匹配，得到所述待预测网格数据文件和所述网格数据文件中数据的数据对应关系；根据所述数据对应关系，将所述待预测网格数据文件中每一格点对应的待预测监测数据插值到所述网格数据文件中每一格点上，得到所述网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据；将所述网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据输入预设的生态动力学模型进行数值计算，得到所述网格数据文件中每一格点的目标状态变量数据。
6.根据权利要求5所述的系统，其特征在于，所述数值信息形成分系统，包括：
初始参数配置模块、目标海域网格生成模块、信息匹配性判定模块、数据插值模块和生态动力学模型数值计算模块；
所述初始参数配置模块，用于配置初始配置数据文件，其中，所述初始配置数据文件包括起报时间、预报时长、指定预报时效内的时间间隔和模型生态参数中的至少一种；
所述目标海域网格生成模块，用于通过所述预设网格划分所述目标海域，得到所述网格数据文件；
所述信息匹配性判定模块，用于将所述待预测网格数据文件和所述网格数据文件中的数据进行时间和空间上的匹配，得到所述待预测网格数据文件和所述网格数据文件中数据的数据对应关系；
所述数据插值模块，用于根据所述数据对应关系，将所述待预测网格数据文件中每一格点对应的待预测监测数据插值到所述网格数据文件中每一格点上，得到所述网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据；
所述生态动力学模型数值计算模块，用于将所述网格数据文件中每一格点的预报初始场数据、边界场数据和驱动场数据输入预设的生态动力学模型进行数值计算，得到所述网格数据文件中每一格点的目标状态变量数据。
7.根据权利要求5或6所述的系统，其特征在于，所述赤潮发生概率场预报分系统，包括：
监测数据捕捉模块、判据参数统计模块、条件预测指标函数建立模块、加权量化系数计算模块和多要素组合概率场计算模块；
所述监测数据捕捉模块，用于捕捉所述目标海域历史赤潮发生时或者所述目标海域所在的预设范围内赤潮发生时环境状态变量的监测数据；
所述判据参数统计模块，用于统计所述网格数据文件中每一格点赤潮发生的判别条件；
所述条件预测指标函数建立模块，用于建立每一种目标状态变量数据中每一格点的赤潮发生条件预测指标函数；
所述加权量化系数计算模块，用于计算所述网格数据文件中预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率对应的权重；
所述多要素组合概率场计算模块，用于将所述网格数据文件中所述预设格点的目标状态变量数据中每一数据在每一时刻导致赤潮发生的概率加权求和，得到所述网格数据文件中所述预设格点在每一时刻赤潮发生的概率。
8.根据权利要求5或6所述的系统，其特征在于，所述定量化预报产品制作分系统，包括：
概率分布预报模块、关注点位置概率预报模块、赤潮影响面积预报模块、赤潮发生规模预报模块和赤潮持续时间预报模块；
所述概率分布预报模块，用于生成所述网格数据文件中全部格点在每一时刻的瞬时场景文件；
所述关注点位置概率预报模块，用于基于预设格点在每一时刻赤潮发生的概率，预报所述预设格点赤潮发生的概率随时间变化的趋势；
所述赤潮影响面积预报模块，用于预报预设时刻时所述网格数据文件中赤潮发生概率区间格点对应的网格面积；
所述赤潮发生规模预报模块，用于预报预设时段时赤潮发生概率区间的平均面积；
所述赤潮持续时间预报模块，用于预报每一次赤潮发生持续的时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310510988.5A CN116384284B (zh) | 2023-05-08 | 2023-05-08 | 一种赤潮网格化预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310510988.5A CN116384284B (zh) | 2023-05-08 | 2023-05-08 | 一种赤潮网格化预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116384284A CN116384284A (zh) | 2023-07-04 |
| CN116384284B true CN116384284B (zh) | 2024-05-14 |
Family
ID=86969531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310510988.5A Active CN116384284B (zh) | 2023-05-08 | 2023-05-08 | 一种赤潮网格化预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384284B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105320828A (zh) * | 2014-07-04 | 2016-02-10 | 中国环境科学研究院 | 大规模平面网格条件下污染物总量控制方法 |
| KR20160072432A (ko) * | 2014-12-15 | 2016-06-23 | (주)라이온플러스 | 해양환경 관측자료 제공시스템 |
| KR101828224B1 (ko) * | 2017-02-17 | 2018-02-12 | 성균관대학교산학협력단 | 위성정보 및 해류정보를 이용한 적조 모니터링 방법 |
| CN208818848U (zh) * | 2018-09-19 | 2019-05-03 | 蓝海天智（舟山）海洋科技有限公司 | 一种基于动态监测的海上赤潮生消过程预测系统 |
| CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
| CN114510875A (zh) * | 2022-01-26 | 2022-05-17 | 国家海洋环境预报中心 | 一种基于多源气象数据的环流形势赤潮预报系统及方法 |
| CN115273439A (zh) * | 2022-07-27 | 2022-11-01 | 杭州领见数字农业科技有限公司 | 海域赤潮灾害预警方法、计算机设备及存储介质 |
| CN115346600A (zh) * | 2022-08-23 | 2022-11-15 | 大连理工大学盘锦产业技术研究院 | 一种三角角藻赤潮预警方法 |
| CN115586591A (zh) * | 2022-10-28 | 2023-01-10 | 北京玖天气象科技有限公司 | 风暴潮的自动预报方法以及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8768663B2 (en) * | 2010-10-08 | 2014-07-01 | The United States Of America, As Represented By The Secretary Of The Navy | Automated method and system for predicting high resolution tidal heights and currents in coastal zones |
-
2023
- 2023-05-08 CN CN202310510988.5A patent/CN116384284B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105320828A (zh) * | 2014-07-04 | 2016-02-10 | 中国环境科学研究院 | 大规模平面网格条件下污染物总量控制方法 |
| KR20160072432A (ko) * | 2014-12-15 | 2016-06-23 | (주)라이온플러스 | 해양환경 관측자료 제공시스템 |
| KR101828224B1 (ko) * | 2017-02-17 | 2018-02-12 | 성균관대학교산학협력단 | 위성정보 및 해류정보를 이용한 적조 모니터링 방법 |
| CN208818848U (zh) * | 2018-09-19 | 2019-05-03 | 蓝海天智（舟山）海洋科技有限公司 | 一种基于动态监测的海上赤潮生消过程预测系统 |
| CN111913236A (zh) * | 2020-07-13 | 2020-11-10 | 上海眼控科技股份有限公司 | 气象数据处理方法、装置、计算机设备和存储介质 |
| CN114510875A (zh) * | 2022-01-26 | 2022-05-17 | 国家海洋环境预报中心 | 一种基于多源气象数据的环流形势赤潮预报系统及方法 |
| CN115273439A (zh) * | 2022-07-27 | 2022-11-01 | 杭州领见数字农业科技有限公司 | 海域赤潮灾害预警方法、计算机设备及存储介质 |
| CN115346600A (zh) * | 2022-08-23 | 2022-11-15 | 大连理工大学盘锦产业技术研究院 | 一种三角角藻赤潮预警方法 |
| CN115586591A (zh) * | 2022-10-28 | 2023-01-10 | 北京玖天气象科技有限公司 | 风暴潮的自动预报方法以及装置 |
Non-Patent Citations (5)
| Title |
|---|
| 2001—2020年福建沿海赤潮灾害分级和时空分布特征研究;何恩业等;《海洋通报》;20210531;第40卷(第5期);全文 * |
| Kim等.Migration Characteristic Analysis on Red Tide Using GIS.《 JOURNAL OF THE KOREAN SOCIETY OF SURVEY,GEODESY,PHOTOGRAMMETRY, AND CARTOGRAPHY》.2007,第25卷(第3期),全文. * |
| 基于FVCOM的福建连江海域潮汐潮流数值模拟;于寒等;《海洋预报》;20220630;第39卷(第6期);全文 * |
| 天津市海洋环境风险综合评价研究;刘书明等;《环境科学与管理》;20161130;第41卷(第11期);全文 * |
| 秦皇岛近海赤潮发生的气象条件分析;张晓玲;燕成玉;;安徽农业科学;20171231(第35期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116384284A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kang et al. | Air quality prediction: Big data and machine learning approaches | |
| CN109658695B (zh) | 一种多因素的短时交通流预测方法 | |
| Wang et al. | Developing an early-warning system for air quality prediction and assessment of cities in China | |
| Sideratos et al. | Probabilistic wind power forecasting using radial basis function neural networks | |
| Zhang et al. | Mining photo-sharing websites to study ecological phenomena | |
| Pourhabib et al. | Short-term wind speed forecast using measurements from multiple turbines in a wind farm | |
| Richardson et al. | Improving sub-seasonal forecast skill of meteorological drought: a weather pattern approach | |
| Alimohammadi et al. | Multi-stage algorithm for uncertainty analysis of solar power forecasting | |
| Peng et al. | CNGAT: A graph neural network model for radar quantitative precipitation estimation | |
| CN114936332A (zh) | 一种风电场水域船舶交通流分析的方法、装置和存储介质 | |
| Ramon et al. | A perfect prognosis downscaling methodology for seasonal prediction of local-scale wind speeds | |
| Essa et al. | Deep learning prediction of thunderstorm severity using remote sensing weather data | |
| Lee et al. | Artificial neural network-based data recovery system for the time series of tide stations | |
| Hjelmervik et al. | Estimating temperature and salinity profiles using empirical orthogonal functions and clustering on historical measurements | |
| Li et al. | Spatio-temporal forecasting of weather-driven damage in a distribution system | |
| Ouyang et al. | Wave forecast in the Atlantic Ocean using a double-stage ConvLSTM network | |
| KR20190119082A (ko) | 기상 데이터의 통계 분석을 사용하여 경제 동향들을 예측하기 위한 시스템 및 방법 | |
| CN116384284B (zh) | 一种赤潮网格化预报方法及系统 | |
| Chun et al. | Comparison of drought projections using two UK weather generators | |
| CN114510875B (zh) | 一种基于多源气象数据的环流形势赤潮预报系统及方法 | |
| CN113808015A (zh) | 输电线路区域气象参数的空间插值方法、装置及设备 | |
| Mihai et al. | Analyzing meteorological data using unsupervised learning techniques | |
| CN112541620A (zh) | 一种预测精度及效率高的台风风暴增水预测方法及系统 | |
| Zhou et al. | Intelligent spatial interpolation-based frost prediction methodology using artificial neural networks with limited local data | |
| Wahle et al. | Detecting anomalous sea-level states in North Sea tide gauge data using an autoassociative neural network |
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 |