CN116595290A - 一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 - Google Patents
一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 Download PDFInfo
- Publication number
- CN116595290A CN116595290A CN202310870571.XA CN202310870571A CN116595290A CN 116595290 A CN116595290 A CN 116595290A CN 202310870571 A CN202310870571 A CN 202310870571A CN 116595290 A CN116595290 A CN 116595290A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- coherence
- chlorophyll
- marine physical
- physical element
- 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
- 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 title claims abstract description 70
- 230000008859 change Effects 0.000 title claims abstract description 30
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 29
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 229930002868 chlorophyll a Natural products 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims description 15
- 238000001228 spectrum Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005086 pumping Methods 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 101100373011 Drosophila melanogaster wapl gene Proteins 0.000 description 8
- 208000012396 long COVID-19 Diseases 0.000 description 8
- 210000004483 pasc Anatomy 0.000 description 8
- 239000002028 Biomass Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241001477352 Bengalia Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 1
- ATNHDLDRLWWWCB-WNRKZQPVSA-M chlorophyll a Chemical compound [Mg+2].[N-]1C2=C(C=3C(C(C)C(=CC=4C(=C(C=C)C(=C5)N=4)C)N=3)CCC(=O)OC\C=C(/C)CCCC(C)CCCC(C)CCCC(C)C)C(C(=O)OC)C([O-])=C2C(C)=C1C=C1C(CC)=C(C)C5=N1 ATNHDLDRLWWWCB-WNRKZQPVSA-M 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N2021/635—Photosynthetic material analysis, e.g. chrorophyll
-
- 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)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Algebra (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种鉴别海洋物理要素影响叶绿素变化关键因子的方法,属于海洋科学技术领域,为了能够较为准确的得到引起叶绿素变化的最佳驱动因子,包括:对初始的海洋物理要素数据进行预处理,得到预处理后的海洋物理要素数据;对所述预处理后的海洋物理要素数据进行二元小波相干分析,得到叶绿素a的质量浓度与其他相关数据中各单因子的双变量平均小波相干性;根据所有双变量平均小波相干性,筛选出多个符合预设条件的单因子;利用多元小波相干公式,计算叶绿素a的质量浓度和组合因子的平均小波相干性以及显著相干区域百分比;根据所述平均小波相干性和显著相干区域百分比,确定鉴别海洋物理要素影响叶绿素变化的关键因子。
Description
技术领域
本发明涉及海洋科学技术领域,具体涉及一种鉴别海洋物理要素影响叶绿素变化关键因子的方法。
背景技术
浮游植物占地球初级生产力的近50%,也是氧气生产的关键贡献者。浮游植物生物量的季节变化和空间分布受各种因素影响,包括光、温度、混合层等环境因素影响。一般来说,浮游植物生物量的变化是由多种环境因素之间的相互作用引起的,这些因素中有一个或多个可能在特定的生态环境中起主导作用。叶绿素a(chlorophyll-a,Chl-a)是浮游植物的主要色素,因此,其浓度被认为是模拟海洋浮游植物生物量的关键生物参数。
在以往,探究影响叶绿素质量浓度变化的常规方法有:线性分析和一元小波分析,但其精确度较低,并且由于传统的多变量方法忽略了尺度或时间相关的信息,在以往的研究中确定的解释Chl-a变化的变量可能是冗余的,这是环境因素在多个尺度时间域交叉相关的情况。为了克服小波相干和现有多变量方法的缺点,Hu和Si发展了多变量小波相干,用小波相干和以前的多元方法来解决这个问题。随着小波分析法的不断发展,产生了双变量小波相干(Bivariate Wavelet Coherency)和多变量小波相干(Multiple WaveletCoherency)。双变量小波相干是时域和频域之间的相关系数,它测量了这些域中两个非平滑序列之间在时间和频率域中的线性连接强度。在本研究中,使用红噪声背景来评估置信水平。每个尺度的显著性阈值仅基于影响锥以外的值计算,并使用蒙特卡罗方法估计小波相干性的统计显著性。但由于双变量小波相干的应用仅限于两个变量,当涉及多个变量时不能应用。改进后的多变量小波相干在检测尺度依赖关系和局部多变量关系方面优于现有的多变量方法;与双变量小波相干相比,多变量小波相干可以解释更多的变异。平均小波相干性(Mean of Wavelet Coherence,MWC)指的是所有时间尺度上的子波相干性的平均值,PASC指的是显著相干性区域相对于整个小波时间尺度域的百分比。基于双变量和多变量小波相干的显著相干区域百分比(Percent Area of Significant Coherence,PASC),评估了Chl-a随时间变化的有效性。利用MWC和PASC来评价不同因子(或因子组合)对叶绿素a在不同时间尺度上变化的解释能力。PASC的增加在统计学上表明,变异的显著增加可以在95%的显著性水平上得到解释。当一个额外因素导致PASC增加≥5%时,被认为是显著的。PASC越大,一致性就越高,这意味着环境变量解释的方差越多。
发明内容
本发明的目的在于提供一种鉴别海洋物理要素影响叶绿素变化关键因子的方法,以能够较为准确的得到引起叶绿素变化的最佳驱动因子,进而更好地了解不同区域的浮游植物变化量。
本发明解决上述技术问题的技术方案如下:
本发明提供一种鉴别海洋物理要素影响叶绿素变化关键因子的方法,包括:
S1:获取初始的海洋物理要素数据,其中,所述海洋物理要素数据包括叶绿素a和其他相关数据;
S2:对所述初始的海洋物理要素数据进行预处理,得到预处理后的海洋物理要素数据;
S3:对所述预处理后的海洋物理要素数据进行二元小波相干分析,得到叶绿素a的质量浓度与其他相关数据中各单因子的双变量平均小波相干性;
S4:根据所有双变量平均小波相干性,筛选出多个符合预设条件的单因子;
S5:利用多元小波相干公式,计算叶绿素a的质量浓度和组合因子的平均小波相干性以及显著相干区域百分比;其中,所述组合因子由多个符合预设条件的单因子组合而成;
S6:根据所述平均小波相干性和显著相干区域百分比,确定鉴别海洋物理要素影响叶绿素变化的关键因子。
可选择地,所述S1中,所述其他相关数据包括:
风速WSP、海表温度SST、海表高度异常SLA、混合层深度MLD、埃克曼抽吸速率EPV、光合有效辐射PAR、厄尔尼诺指数Niño 3.4和印度洋偶极子模式指数DMI。
可选择地,所述S2包括:
利用数据插值经验正交函数对所述初始的海洋物理要素数据进行数据补全,得到预处理后的海洋物理要素数据。
可选择地,所述S3中,利用二元小波相干分析公式进行二元小波相干分析,所述二元小波相干分析公式为:
其中,S是由所使用的小波类型定义的平滑算子,取值在0到1之间,0表示两个时间序列之间没有相关性,1表示两个时间序列之间完全相关;/>、/>表示定义的响应变量X和预测变量Y的小波变换,s表示小波尺度,/>表示/> X的小波变化与/> Y小波变化共轭物的乘积,X表示响应变量,Y表示预测变量。
可选择地,所述S5中,所述多元小波相干公式为:
所述多元小波相干公式为:
其中,假设一个响应变量X和多个预测变量Y,表示预测变量Y和响应变量X之间的平滑交叉小波功率谱矩阵,/>表示多个响应变量X之间的自小波和交叉小波功率谱矩阵,/>表示/>的复数共轭物,/>表示预测变量Y的平滑小波功率谱。
本发明还提供一种基于上述的鉴别海洋物理要素影响叶绿素变化关键因子的方法的系统,所述系统包括:
数据获取模块,所述数据获取模块用于获取初始的海洋物理要素数据,其中,所述海洋物理要素数据包括叶绿素a和其他相关数据;
预处理模块,所述预处理模块用于对所述初始的海洋物理要素数据进行预处理,得到预处理后的海洋物理要素数据;
二元小波相干分析模块,所述二元小波相干分析模块用于对所述预处理后的海洋物理要素数据进行二元小波相干分析,得到叶绿素a的质量浓度与其他相关数据中各单因子的双变量平均小波相干性;
单因子筛选模块,所述单因子筛选模块用于根据所有双变量平均小波相干性,筛选出多个符合预设条件的单因子;
多元小波相干计算模块,所述多元小波相干计算模块用于利用多元小波相干公式,计算叶绿素a的质量浓度和组合因子的平均小波相干性以及显著相干区域百分比,其中,所述组合因子由多个符合预设条件的单因子组合而成;
关键因子鉴别模块,所述关键因子鉴别模块用于根据所述平均小波相干性和显著相干区域百分比,鉴别海洋物理要素影响叶绿素变化的关键因子。
本发明具有以下有益效果:
本发明利用二元小波相干分析以及多元小波相干分析海洋物理要素影响叶绿素变化关键因子进行了深入研究,能够较为准确的得到引起叶绿素变化的最佳驱动因子,进而更好地了解不同区域的浮游植物变化量。
附图说明
图1为本发明鉴别海洋物理要素影响叶绿素变化关键因子的方法的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
本发明提供一种鉴别海洋物理要素影响叶绿素变化关键因子的方法,参考图1所示,包括:
S1:获取初始的海洋物理要素数据,其中,所述海洋物理要素数据包括叶绿素a和其他相关数据;
本发明所提供的其他相关数据包括:
风速 (Wind Speed,WSP)、海表温度SST(Sea Surface Temperature,SST)、海表高度异常(Sea Level Anomaly,SLA)、混合层深度(Mixed Layer Depth,MLD)、埃克曼抽吸速率(Ekman Pumping Velocity,EPV)、光合有效辐射(Photosynthetically ActiveRadiation,PAR)、厄尔尼诺指数Niño 3.4和印度洋偶极子模式指数(Dipole Mode Index,DMI)。
S2:对所述初始的海洋物理要素数据进行预处理,得到预处理后的海洋物理要素数据;
由于部分数据可能存在缺失,所以本发明通过数据插值经验正交函数(DataInterpolating Empirical Orthogonal Functions,DINEOF),将部分数据补全。由于数据插值经验正交函数为现有技术,因此本发明不做具体说明。
S3:对所述预处理后的海洋物理要素数据进行二元小波相干分析,得到叶绿素a的质量浓度与其他相关数据中各单因子的双变量平均小波相干性;
本发明利用二元小波相干分析公式进行二元小波相干分析,所述二元小波相干分析公式为:
其中,S是由所使用的小波类型定义的平滑算子,取值在0到1之间,0表示两个时间序列之间没有相关性,1表示两个时间序列之间完全相关;/>、/>表示定义的响应变量X和预测变量Y的小波变换,s表示小波尺度,/>表示/> X的小波变化与/> Y小波变化共轭物的乘积,X表示响应变量,Y表示预测变量。
这样,能够得到叶绿素a质量浓度与WSP、SST、SLA、MLD、EPV、PAR、Niño 3.4(厄尔尼诺指数)和DMI(印度洋偶极子模式指数,Dipole Mode Index)的双变量小波相干和平均小波相干性与显著相干区域百分比(如表1)。通过各要素对叶绿素a的不同影响周期和时间,来分析其对叶绿素a的作用原理和相干强度。
表1 叶绿素a与其他相关数据中各单因子的平均小波相干性
S4:根据所有双变量平均小波相干性,筛选出多个符合预设条件的单因子;
由于影响浮游植物生长的因素比较复杂,不同地区的主导因素随时间而变化,因此本发明通过设置预设条件,以筛选相干性较高的单因子,从而进行多元小波相干分析。
S5:利用多元小波相干公式,计算叶绿素a的质量浓度和组合因子的平均小波相干性以及显著相干区域百分比;其中,所述组合因子由多个符合预设条件的单因子组合而成;
所述多元小波相干公式为:
其中,假设一个响应变量X和多个预测变量Y,表示预测变量Y和响应变量X之间的平滑交叉小波功率谱矩阵,/>表示多个响应变量X之间的自小波和交叉小波功率谱矩阵,/>表示/>的复数共轭物,/>表示预测变量Y的平滑小波功率谱。
叶绿素a质量浓度和组合因子的双因素平均小波相干性与显著相干区域百分比(如表2)。
表2 叶绿素a变化与各因子之间的最佳组合因素
S6:根据所述平均小波相干性和显著相干区域百分比,确定鉴别海洋物理要素影响叶绿素变化的关键因子。
本发明还提供一种基于上述的鉴别海洋物理要素影响叶绿素变化关键因子的方法的系统,所述系统包括:
数据获取模块,所述数据获取模块用于获取初始的海洋物理要素数据,其中,所述海洋物理要素数据包括叶绿素a和其他相关数据;
预处理模块,所述预处理模块用于对所述初始的海洋物理要素数据进行预处理,得到预处理后的海洋物理要素数据;
二元小波相干分析模块,所述二元小波相干分析模块用于对所述预处理后的海洋物理要素数据进行二元小波相干分析,得到叶绿素a的质量浓度与其他相关数据中各单因子的双变量平均小波相干性;
单因子筛选模块,所述单因子筛选模块用于根据所有双变量平均小波相干性,筛选出多个符合预设条件的单因子;
多元小波相干计算模块,所述多元小波相干计算模块用于利用多元小波相干公式,计算叶绿素a的质量浓度和组合因子的平均小波相干性以及显著相干区域百分比,其中,所述组合因子由多个符合预设条件的单因子组合而成;
关键因子鉴别模块,所述关键因子鉴别模块用于根据所述平均小波相干性和显著相干区域百分比,鉴别海洋物理要素影响叶绿素变化的关键因子。
实施例2
本发明获取2003-2018年孟加拉湾卫星遥感观测的海洋物理要素数据。
由于部分叶绿素数据缺失且所选区域需要一个完整的数据,因此本发明通过数据插值经验正交函数将叶绿素数据补全。
对海洋物理要素进行平均小波相干性分析,利用二元小波相干计算公式,得到叶绿素a质量浓度与每个海洋物理要素的平均小波相干性和显著相干区域百分比(表1)。在单个因子与叶绿素a之间的小波相干结果中,风速的相干性和显著相干区域百分比最高达到了0.63和46.8%,是解释孟加拉湾西南部在95%显著性水平下叶绿素a变化的最佳单因素。其次是海表温度为0.61和41.6%。许多研究表明,浮游植物生物量与海洋物理过程及环境变化有关。2015年和2016年的厄尔尼诺指数(El Niño-Southern Oscillation,ENSO)最高,在这两年中,印度洋偶极子模式指数(Dipole Mode Index,DMI)也相对较高。因此本发明研究了Niño 3.4和DMI对叶绿素a的影响,结果表明叶绿素a质量浓度与ENSO和DMI之间有一个长期的时间尺度(32-64个月)的显著相关性,这表明ENSO和DMI可能影响叶绿素a变化以3-5年的周期。
由于影响浮游植物生长的因素比较复杂,不同地区的主导因素随时间而变化。通过筛选出相干性较高的单因子(WSP、SST、DMI和Niño 3.4)进行多元小波相干分析,利用多元小波相干计算公式,计算叶绿素a质量浓度和所需单因素之间的组合因子的平均小波相干性与显著相干区域百分比(表2)。根据表2,与单因素相比,所有双因素组合的PASC增加均超过5%,这被认为是显著的,表明其它因素导致了叶绿素a变异量增加。然而,当附加因素为3或4个组合时,PASC的增加小于5%,因此本研究没有考虑3或4个组合。对于风速-厄尔尼诺指数和风速-印度洋偶极子模式指数组合,平均小波相干性和显著一致性主要在长时间尺度(32-64个月)上增加,表明这两因素组合可以在长时间尺度上影响叶绿素a的变化。在所有的双因子组合中,风速-埃克曼抽吸速率、风速-厄尔尼诺指数和风速-海表温度可以更好地解释孟加拉湾西南部叶绿素a的变化。它们的显著相干区域百分比和平均小波相干性分别为55.89%和0.82、60.65%和0.83、61.93%和0.84(如表2)。
本发明中,孟加拉湾区域叶绿素a是浮游植物变化量的一个关键生物环境参数,利用小波分析法对叶绿素a的研究,探讨浮游植物生物量的变化趋势。影响孟加拉湾区域叶绿素a变化的最佳驱动因子组合是WSP和SST。
在海洋科学领域中,小波分析方法可以用于解释更多不同的海洋要素对海洋的影响,对将来海洋水文的研究起到了较好的促进作用。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种鉴别海洋物理要素影响叶绿素变化关键因子的方法,其特征在于,包括:
S1:获取初始的海洋物理要素数据,其中,所述海洋物理要素数据包括叶绿素a和其他相关数据;
S2:对所述初始的海洋物理要素数据进行预处理,得到预处理后的海洋物理要素数据;
S3:对所述预处理后的海洋物理要素数据进行二元小波相干分析,得到叶绿素a的质量浓度与其他相关数据中各单因子的双变量平均小波相干性;
S4:根据所有双变量平均小波相干性,筛选出多个符合预设条件的单因子;
S5:利用多元小波相干公式,计算叶绿素a的质量浓度和组合因子的平均小波相干性以及显著相干区域百分比;其中,所述组合因子由多个符合预设条件的单因子组合而成;
S6:根据所述平均小波相干性和显著相干区域百分比,确定鉴别海洋物理要素影响叶绿素变化的关键因子。
2.根据权利要求1所述的鉴别海洋物理要素影响叶绿素变化关键因子的方法,其特征在于,所述S1中,所述其他相关数据包括:
风速WSP、海表温度SST、海表高度异常SLA、混合层深度MLD、埃克曼抽吸速率EPV、光合有效辐射PAR、厄尔尼诺指数Niño 3.4和印度洋偶极子模式指数DMI。
3.根据权利要求1所述的鉴别海洋物理要素影响叶绿素变化关键因子的方法,其特征在于,所述S2包括:
利用数据插值经验正交函数对所述初始的海洋物理要素数据进行数据补全,得到预处理后的海洋物理要素数据。
4.根据权利要求1所述的鉴别海洋物理要素影响叶绿素变化关键因子的方法,其特征在于,所述S3中,利用二元小波相干分析公式进行二元小波相干分析,所述二元小波相干分析公式为:
其中,S是由所使用的小波类型定义的平滑算子, 取值在0到1之间,0表示两个时间序列之间没有相关性,1表示两个时间序列之间完全相关;/>、/>表示定义的响应变量X和预测变量Y的小波变换,s表示小波尺度,/>表示/> X的小波变化与 Y小波变化共轭物的乘积,X表示响应变量,Y表示预测变量。
5.根据权利要求1所述的鉴别海洋物理要素影响叶绿素变化关键因子的方法,其特征在于,所述S5中,所述多元小波相干公式为:
其中,假设一个响应变量X和多个预测变量Y,表示预测变量Y和响应变量X之间的平滑交叉小波功率谱矩阵,/>表示多个响应变量X之间的自小波和交叉小波功率谱矩阵,/>表示/>的复数共轭物,/>表示预测变量Y的平滑小波功率谱。
6.一种基于权利要求1-5中任意一项所述的鉴别海洋物理要素影响叶绿素变化关键因子的方法的系统,其特征在于,所述系统包括:
数据获取模块,所述数据获取模块用于获取初始的海洋物理要素数据,其中,所述海洋物理要素数据包括叶绿素a和其他相关数据;
预处理模块,所述预处理模块用于对所述初始的海洋物理要素数据进行预处理,得到预处理后的海洋物理要素数据;
二元小波相干分析模块,所述二元小波相干分析模块用于对所述预处理后的海洋物理要素数据进行二元小波相干分析,得到叶绿素a的质量浓度与其他相关数据中各单因子的双变量平均小波相干性;
单因子筛选模块,所述单因子筛选模块用于根据所有双变量平均小波相干性,筛选出多个符合预设条件的单因子;
多元小波相干计算模块,所述多元小波相干计算模块用于利用多元小波相干公式,计算叶绿素a的质量浓度和组合因子的平均小波相干性以及显著相干区域百分比,其中,所述组合因子由多个符合预设条件的单因子组合而成;
关键因子鉴别模块,所述关键因子鉴别模块用于根据所述平均小波相干性和显著相干区域百分比,鉴别海洋物理要素影响叶绿素变化的关键因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310870571.XA CN116595290A (zh) | 2023-07-17 | 2023-07-17 | 一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310870571.XA CN116595290A (zh) | 2023-07-17 | 2023-07-17 | 一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116595290A true CN116595290A (zh) | 2023-08-15 |
Family
ID=87611994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310870571.XA Pending CN116595290A (zh) | 2023-07-17 | 2023-07-17 | 一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595290A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435867A (zh) * | 2023-12-21 | 2024-01-23 | 中关村睿宸卫星创新应用研究院 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522520A (zh) * | 2018-11-09 | 2019-03-26 | 河海大学 | 地下水水位波动与多元因素的多重小波相干性分析方法 |
CN109567799A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于平滑小波相干性的肌电信号特征提取方法 |
-
2023
- 2023-07-17 CN CN202310870571.XA patent/CN116595290A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109522520A (zh) * | 2018-11-09 | 2019-03-26 | 河海大学 | 地下水水位波动与多元因素的多重小波相干性分析方法 |
CN109567799A (zh) * | 2018-12-26 | 2019-04-05 | 杭州电子科技大学 | 基于平滑小波相干性的肌电信号特征提取方法 |
Non-Patent Citations (3)
Title |
---|
《第一次海洋与气候变化科学评估报告》编制委员会: "第一次海洋与气候变化科学评估报告(一) 海洋与气候变化的历史和未来趋势"", 海洋出版社, pages: 414 - 421 * |
JIALING ZENG ET AL.: "Comparative study of the variability and trends of phytoplankton biomass between spring and winter upwelling systems in the South China Sea", JOURNAL OF MARINE SYSTEMS, vol. 231, pages 1 - 11 * |
杨武超: "寒旱区河川径流变化特征、归因与预测——以玛纳斯河源区为例", 中国优秀硕士学位论文全文数据库(基础科学辑), no. 1, pages 012 - 32 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117435867A (zh) * | 2023-12-21 | 2024-01-23 | 中关村睿宸卫星创新应用研究院 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
CN117435867B (zh) * | 2023-12-21 | 2024-03-08 | 中关村睿宸卫星创新应用研究院 | 确定叶绿素浓度变化时间规律的方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ni et al. | Streamflow forecasting using extreme gradient boosting model coupled with Gaussian mixture model | |
Ben-Ari et al. | Causes and implications of the unforeseen 2016 extreme yield loss in the breadbasket of France | |
Dillon | Do differences in the scale of irrigation projects generate different impacts on poverty and production? | |
Pennino et al. | Modeling sensitive elasmobranch habitats | |
CN107885951B (zh) | 一种基于组合模型的水文时间序列预测方法 | |
Astel et al. | Multivariate classification and modeling in surface water pollution estimation | |
CN116595290A (zh) | 一种鉴别海洋物理要素影响叶绿素变化关键因子的方法 | |
Mengistu et al. | Determination of potential aquifer recharge zones using geospatial techniques for proxy data of Gilgel Gibe Catchment, Ethiopia | |
Moreau et al. | First geochemical ‘fingerprinting’of Balkan and Prut flint from Palaeolithic Romania: potentials, limitations and future directions | |
Skripnikov et al. | Joint estimation of multiple network Granger causal models | |
Longobardi et al. | Photoperiod-driven rhythms reveal multi-decadal stability of phytoplankton communities in a highly fluctuating coastal environment | |
Medeiros et al. | Detecting the influence of secondary environmental gradients on chironomid-inferred paleotemperature reconstructions in northern North America | |
Zhang et al. | A physics-informed statistical learning framework for forecasting local suspended sediment concentrations in marine environment | |
Pham et al. | Head-cut gully erosion susceptibility modelling based on ensemble Random Forest with oblique decision trees in Fareghan watershed, Iran | |
Sweeney et al. | Statistical challenges in estimating past climate changes | |
Snelder et al. | Can bottom-up procedures improve the performance of stream classifications? | |
Yang et al. | Association and driving factors of meteorological drought and agricultural drought in Ningxia, Northwest China | |
Li et al. | Daily streamflow forecasting based on flow pattern recognition | |
Liu et al. | Spatiotemporal heterogeneity of ecosystem service interactions and their drivers at different spatial scales in the Yellow River Basin | |
Wei et al. | Data mining methods for hydroclimatic forecasting | |
Xiao et al. | Inversion study of cadmium content in soil based on reflection spectroscopy and MSC-ELM model | |
Wang et al. | Digital mapping of topsoil pH by random forest with residual kriging (RFRK) in a hilly region | |
Guo et al. | Nonstationary regional flood frequency analysis based on the Bayesian method | |
Booker et al. | Inside or outside: Quantifying extrapolation across river networks | |
Beck et al. | Adaptation of a weighted regression approach to evaluate water quality trends in an estuary |
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 |