CN117113796B - 一种考虑自主运动的大型水母中期漂移集合预报方法 - Google Patents
一种考虑自主运动的大型水母中期漂移集合预报方法 Download PDFInfo
- Publication number
- CN117113796B CN117113796B CN202311377110.5A CN202311377110A CN117113796B CN 117113796 B CN117113796 B CN 117113796B CN 202311377110 A CN202311377110 A CN 202311377110A CN 117113796 B CN117113796 B CN 117113796B
- Authority
- CN
- China
- Prior art keywords
- jellyfish
- forecasting
- drift
- autonomous movement
- particles
- 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
- 241000242583 Scyphozoa Species 0.000 title claims abstract description 280
- 230000033001 locomotion Effects 0.000 title claims abstract description 100
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 83
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000005295 random walk Methods 0.000 claims description 9
- 230000032683 aging Effects 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000243251 Hydra Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- QRXWMOHMRWLFEY-UHFFFAOYSA-N isoniazide Chemical compound NNC(=O)C1=CC=NC=C1 QRXWMOHMRWLFEY-UHFFFAOYSA-N 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
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)
- Alarm Systems (AREA)
Abstract
本发明公开一种考虑自主运动的大型水母中期漂移集合预报方法，属于水母预警领域。该方法包括以下步骤：a基于大型水母监测数据获取水母监测时间，水母分布位置的经度、纬度和深度，以及水母自主运动情况；b构建大型水母中期漂移集合预报模型；c根据大型水母预报时长，获取大型水母所在海域的三维海流数据；d设计n个集合预报方案，预报每个水母粒子的n个漂移轨迹；e根据步骤d预报的每个水母粒子的n个漂移轨迹，计算并制作预报产品。本发明采用集合预报方法，考虑大型水母自主运动这个生态过程，构建考虑水母自主运动的中期漂移集合预报模型，预报大型水母漂移情况或可能影响范围等要素，可提高预报准确率及大型水母应急处置效率。
Description
技术领域
本发明涉及水母预警领域，具体地说是涉及一种考虑自主运动的大型水母中期漂移集合预报方法。
背景技术
全球变化和人类活动影响下海洋生态系统的结构与功能发生了很大的变化，大型水母灾害发生频率与成灾种类不断增加，已严重影响了近海海洋渔业、沿海工业、滨海旅游业和海洋生态系统。国内外学者主要利用海洋数值模式，将水母粒子化，不考虑水母自主运动，对水母漂移路径进行溯源和追踪。但是，现有监测结果表明，水母的自主运动虽然较弱，但自主运动量级不尽相同。其中沙海蜇和海月水母研究较多，根据伞径大小不同，沙海蜇的自主运动速度在0-5cm/s，海月水母在0-3cm/s。国内外研究指出大型水母在不同海域存在不同情况的昼夜运动。Graham等指出水螅水母纲、钵水母纲和管水母亚纲的水母普遍存在昼夜垂直迁移现象，即水母白天下沉到水体底层，夜间上浮到水体表层。Barz等报道北海南部的水母主要分布在5-25m；Honda等报道在日本海南部的沙海蜇主要分布在40m以浅的水层，且夜间所处深度往往大于白天。因此，不同水母或同一种水母在不同环境条件下的自主运动(特别是垂向运动)不尽相同。所以当水母成体自主运动明显，但自主运动速度不确定时，如何描述水母自主运动，是大型水母漂移数值模拟尚未解决的重点难题。
集合预报方法，起源于气象方面，认为大气是一个高度非线性的混沌系统，因而数值天气预报的结果对初始条件的微小误差非常敏感。集合预报是估计数值预报不确定性的一种方法，它将单一确定性预报转变为概率预报。集合预报可以通过追踪初始不确定性的时空演变，提供依流型的概率分布，来提高可预报性。国内外学者研究表明，预报中包含不确定性估计，可帮助预报员和公众做出更好的决策。目前集合预报方法在气象预报，特别是物理过程中发挥重要作用，但集合预报方法在海洋预报方面应用较少。
发明内容
基于上述技术问题，本发明提出一种考虑自主运动的大型水母中期漂移集合预报方法。该方法可提高大型水母中期漂移预报的准确性，进而提高应急处置的效率。
本发明所采用的技术解决方案是：
一种考虑自主运动的大型水母中期漂移集合预报方法，包括以下步骤：
a基于大型水母监测数据获取水母监测时间，水母分布位置的经度、纬度和深度，以及水母自主运动情况；
b对自主运动特征明显但速度不确定的大型水母，考虑水母自主运动过程的不确定性这个生态过程，构建大型水母中期漂移集合预报模型；
将大型水母离散为一定数量的水母粒子，在不考虑水母个体生长的情况下，考虑环境驱动作用下水母粒子三维物理运动过程，并考虑其垂向自主运动，利用水母粒子的自主运动垂直方向最大速度乘以随机走动系数来描述水母自主运动的不确定性，结合水母不同时间段分布水深范围，设计集合预报方案，预报水母粒子的多个漂移轨迹；
第i个水母粒子第j个集合预报下t时刻水母粒子的运动方程如下：
式(1)中：
j为第i个水母粒子随机走动集合方案个数；j＝1,2,...,n；
为第i个水母粒子第j个集合预报方案下t时刻的位置；
为第i个水母粒子第j个集合预报方案下水母粒子所在位置/>的三维海流，单位为米/秒；
αij(t)为第i个水母粒子第j个集合预报方案下的随机走动系数，是时间t的函数，-1＜αij(t)＜1；
Wmax为大型水母自主运动垂直方向最大速度，单位为米/秒；
为Z轴方向单位向量；
c根据大型水母应急处置需求，确定大型水母中期漂移预报时长，获取大型水母所在海域中期预报的三维海流数据；
d确定水母粒子的初始位置，基于步骤b构建的大型水母中期漂移集合预报模型，采用步骤c获取的三维海流数据，以及基于历史监测数据获得的大型水母自主运动垂直方向最大速度，设置n个集合预报方案，预报每个水母粒子的n个漂移轨迹。
优选的，该方法还包括以下步骤：
e根据步骤d预报的每个水母粒子的n个漂移轨迹，计算并制作预报产品；预报产品包括第一预报产品和第二预报产品；
第一预报产品：计算n个漂移轨迹位置的平均，分析未来k天内水母粒子的漂移方向、速度，预计影响范围以及对重点关注海域或大型水母灾害敏感功能区的影响情况，k≤10；
第二预报产品：计算n个漂移轨迹下，未来k天内某时刻或时间段内包含水母粒子的最小区域，获得大型水母分布区域。
优选的，采用三维或二维方式展示预报产品；
大型水母分布区域基于不同漂移轨迹下不同时间段水母所在位置，采用格雷厄姆扫描算法，计算最小凸多边形。
优选的，步骤a中：大型水母监测数据来源于拖网、锚流网或走航目测船舶监测资料，航空或低空无人机遥感解译资料，以及水下摄像监测和声呐监测资料。
优选的，步骤a中：所述水母自主运动情况包括自主运动速度、不同时间段的垂直分布深度以及自主运动垂直方向最大速度。
优选的，步骤a中：若大型水母监测数据中缺乏自主运动监测数据，则收集同类型水母历史监测数据，以反映水母自主运动情况。
优选的，步骤b中：自主运动特征明显是指大型水母运动速度大于1cm/s。
优选的，步骤b中：αij(t)为(random(t)-0.5)×2；random(t)为每个时刻的随机数，数值在0-1之间。
优选的，步骤c中：三维海流数据为潮流、风生流、密度流的矢量和；
三维海流数据的预报时效不短于大型水母中期漂移数值预报的预报时效，时间间隔不大于1h；
预报水平空间范围大于监测的水母粒子范围和预报时效内所有水母粒子预计漂移的海域；预报垂直深度范围包括监测的水母粒子所在深度和预报时效内水母粒子预计运动的深度。
优选的，步骤d中：n≥20。
上述方法中，中期预报指预报未来10天以内水母粒子的多个漂移轨迹。
本发明的有益技术效果是：
本发明采用集合预报方法，考虑大型水母自主运动这个生态过程的不确定性，构建考虑水母自主运动的中期漂移集合预报模型，预报大型水母漂移轨迹、速度、方向或可能影响范围等要素。在大型水母如何自主运动及其机理尚不十分清楚的情况下，本发明的集合(多轨迹)预报结果比单轨迹的更合理、科学、可信，能够传达更多的信息，基于实测数据验证漂移预报误差低。本发明方法可提高大型水母应急处置(打捞或拦截等)工作效率，进而减少资源浪费，将在灾害防控过程中起重要作用。
附图说明
图1为本发明考虑自主运动的大型水母中期漂移集合预报方法的流程图；
图2为本发明具体应用实例中监测的大型水母位置；
图3为本发明具体应用实例中大型水母(沙海蜇)未来7天漂移集合预报结果(三维)；
图4为本发明具体应用实例中大型水母(沙海蜇)未来7天集合预报结果(二维)；
图5为本发明具体应用实例中大型水母(沙海蜇)7月12日7-9时预报位置和分布区域(二维)。
具体实施方式
本发明提出一种考虑自主运动的大型水母中期漂移集合预报方法，该方法考虑到大型水母垂直自主运动，并借鉴气象中集合预报方法，以构建大型水母中期(10天以内)漂移集合预报模型，再结合集合预报平均轨迹或计算最小凸多边形等，可实现大型水母漂移轨迹、速度、方向或可能影响范围等要素的预报。本发明采用集合预报方法，考虑大型水母自主运动这个生态过程的不确定性，构建考虑水母自主运动的中期漂移集合预报模型，预报大型水母漂移情况或可能影响范围等要素，提高预报准确率；本发明方法可提高大型水母应急处置效率。
下面进行更为具体地说明。
如图1所示，一种考虑自主运动的大型水母中期漂移集合预报方法，包括以下步骤：
a基于大型水母监测数据获取水母种类监测时间，水母分布位置的经度、纬度、深度和水母丰度或个数，以及水母自主运动情况等。大型水母监测数据主要来源于拖网、锚流网或走航目测等船舶监测资料，航空或低空无人机遥感解译资料，水下摄像监测和声呐监测资料等。
上述水母自主运动情况包括自主运动速度、不同时间段的垂直分布深度以及自主运动垂直方向最大速度等。
若未开展自主运动监测，则收集同类型水母历史监测数据，获取水母自主运动情况如不同时间段的垂直分布深度以及自主运动垂直方向最大速度等。
b对自主运动特征明显(运动速度大于1cm/s)但速度不确定的大型水母，考虑水母自主运动过程的不确定性这个生态过程，构建大型水母中期漂移集合预报模型。
采用“拉格朗日粒子追踪”方法，将大型水母离散为一定数量的水母粒子，在不考虑水母个体生长的情况下，考虑海流等环境驱动作用下水母粒子三维物理运动过程，并考虑其垂向自主运动，利用水母粒子的自主运动垂直方向最大速度乘以随机走动系数来描述水母自主运动的不确定性，结合水母不同时间段分布水深范围，设计集合预报方案，预报水母粒子的多个漂移轨迹。
第i个水母粒子第j个集合预报下t时刻水母粒子的运动方程如下：
式(1)中：
j为第i个水母粒子随机走动集合方案个数；j＝1,2,...,n；
为第i个水母粒子第j个集合预报方案下t时刻的位置；
为第i个水母粒子第j个集合预报方案下水母粒子所在位置/>的三维海流，单位为米/秒；
αij(t)为第i个水母粒子第j个集合预报方案下的随机走动系数，是时间t的函数，-1＜αij(t)＜1。
αij(t)为(random(t)-0.5)×2；random(t)为基于随机走动模型获得每个时刻的随机数，数值在(0,1)之间。主要是考虑到水母存在垂向上下方向的自主运动(一般向下方向为负，向上方向为正)。
Wmax为大型水母自主运动垂直方向最大速度，单位为米/秒。
为Z轴方向单位向量。
c根据大型水母中期漂移预报时长，获取大型水母所在海域中期预报的三维海流数据。三维海流数据为潮流、风生流、密度流等的矢量和。三维海流数据的预报时效不短于大型水母中期漂移数值预报的预报时效，时间间隔不大于1h。预报水平空间范围大于监测的水母粒子范围和预报时效内所有水母粒子预计漂移的海域。预报垂直深度范围包括监测的水母粒子所在深度和预报时效内水母粒子预计运动的深度。
d将所发现大型水母离散为一定数量的水母粒子，确定水母粒子的初始位置(经纬度和深度)，基于步骤b构建的大型水母中期漂移集合预报模型，采用步骤c获取的三维海流数据，以及基于文献或历史监测数据获得的大型水母自主运动垂直方向最大速度，设置n个集合预报方案，预报每个水母粒子的n个漂移轨迹。优选n≥20。
e根据步骤d预报的每个水母粒子的n个漂移轨迹，根据应急处置或科学研究需求，计算并制作预报产品。如基于集合预报结果获得预报漂移轨迹位置的平均或水母分布区域，分析未来水母粒子的漂移情况、影响范围以及对大型水母灾害敏感的功能区的影响情况。
上述预报产品包括第一预报产品和第二预报产品。
第一预报产品：计算n个漂移轨迹位置的平均，或者集合预报平均轨迹，分析未来k(k≤10)天内水母粒子集合平均的漂移方向、速度，可能影响范围以及对重点关注海域或大型水母灾害敏感的功能区的影响情况。
第二预报产品：计算n个集合预报方案或漂移轨迹下，未来k天、某时刻或时间段内包含水母粒子的最小区域，获得大型水母分布区域。
采用三维或二维方式展示大型水母监测和预报情况，分析漂移方向、速度，可能影响范围以及对重点关注海域或大型水母灾害敏感的功能区的影响情况。
其中，分布区域主要是基于不同集合方案或漂移轨迹下，不同时间段水母所在位置，采用格雷厄姆扫描算法，计算最小凸多边形(又称凸包)。
上述大型水母中期漂移集合预报模型或者说第i个水母粒子第j个集合预报方案下t时刻水母粒子的运动方程构建时，尽量满足以下基本要求：
(1)根据大型水母不同时间分布特征和自主运动情况，限制水母主要分布范围。在最深处，其运动速度类似水深地形底部边界处理。
(2)模型区域应包括监测水母位置和预报水母可能影响范围。预报垂直深度范围包括监测的水母粒子所在深度和预报时效内水母粒子可能运动的深度。预报模型垂向分层需能反映水母自主运动。
(3)预报模型输入数据包括水母粒子的位置、时间和大型水母自主运动垂直方向最大速度以及海流数据。
(4)大型水母中期漂移预报时长不大于240h(10天)。
本发明所预报大型水母漂移误差可通过下式来计算：
Ep为水母漂移距离相对误差，X(tb)代表tb时刻监测水母所在位置，Y(tb)为利用ta时刻监测水母所在位置基于模型所得到未来tb时刻水母预报的位置；Sp为水母监测的漂移距离，由于水母的实际运动轨迹未知，利用ta与tb时刻水母之间距离代表水母监测的漂移距离。通过计算误差来验证大型水母中期集合预报模型是否合理、准确，满足业务化需求。
下面结合附图和具体应用实例对本发明作进一步说明：
基于大型水母监测数据，开展未来7天集合漂移预报，预报大型水母未来漂移方向、速度、可能分布范围等。
(1)在某岛南部海域水母监测过程中，基于船舶目视法在海面可视范围内发现300余个沙海蜇(图2黑色圆点)。
(2)通过查阅文献和分析水母监测数据，结合水深数据，发现监测到水母附近海域平均水深约30m，沙海蜇主要分布于15m以浅海域，沙海蜇最大垂向自主运动约为5cm/s。
(3)基于ROMS三维全动力业务化预报模型，预报未来7天三维海流，为大型水母中期漂移集合预报模型提供海洋环境场。考虑大型水母所在位置，较为靠近近岸、海岛和大型水母灾害敏感的功能区的影响情况，采用模型区域为黄、渤海海区海域，水平分辨率为1/60度，垂向分层为20层。该海流模型采用WRF业务化预报风场和热通量作为气象强迫场，边界上采用M2，S2，N2，K2，K1O1，P1，Q1等8个分潮和大区(渤黄东海海域)环流、水位和三维温盐等驱动，最终获得未来7天三维海流。该海流包括潮流、风生流、密度流等。
(4)将监测大型水母(沙海蜇)离散为水母粒子，并为了便于展示，选取一个水母粒子，以该粒子的初始位置(经纬度和深度)和时间为模型的初始值(图3中黑色圆点)，结合水母自主情况和分布情况、采用已构建大型水母中期漂移集合预报模型，设置30个集合预报方案，开展大型水母未来7天的漂移预报。其中，集合预报方案个数根据应急时间需求和模型计算效率而定，一般在20个以上。
本发明所构建的大型水母中期漂移集合预报模型中，αij(t)为该水母粒子第j个集合预报方案下的随机走动系数，是时间t的函数，-1＜αij(t)＜1；考虑水母自主运动速度远大于海水的垂向速度，模型时间步长为1s。30个集合方案，采用不同随机走动系数，最终得到水母粒子未来7天30个逐时的三维漂移轨迹(图3，灰线)。
预报产品可选1：计算水母粒子的集合预报漂移轨迹平均(图3，黑色线)，从而分析集合平均的漂移方向、速度，可能影响范围或对重点关注海域和大型水母灾害敏感的功能区的影响情况。为了便于展示和满足应急处置需求，将三维漂移轨迹投影至水平方向(图4，黑色线)。
预报产品可选2：采用格雷厄姆扫描算法，计算30个集合预报方案下，未来7天最小凸多边形(又称凸包)，从而或者该时间段内水母粒子分布的最小区域，即分布区域。采用三维或二维方式展示大型水母监测和预报情况，分析漂移方向、速度、可能影响范围、对重点关注海域和大型水母灾害敏感的功能区影响情况。未来7天的分布区域如图4虚线所包围范围。
进一步的，考虑应急打捞或其他应急处置时间段内集合预报方案下大型水母(沙海蜇)的预报位置，计算其凸包，从而获得某个时间段分布区域某时刻或时间段内包含水母粒子(图4)，结合分布水深，为应急处置提供沙海蜇可能位置等信息。
(5)预报模型验证
所发现的300余个沙海蜇，同时间段的集合预报结果与监测数据开展漂移误差分析，结果显示30个集合方案下水母漂移距离相对误差在0.5％—35.1％之间，平均为15.3％；基于集合预报的平均位置，计算的漂移距离相对误差为7.2％。可见，本发明方法能够有效实现大型水母漂移轨迹集合预报，而且误差率低。本发明方法有利于提高大型水母应急处置(打捞或拦截等)效率，将在水母灾害防控过程中起重要作用。
Claims (10)
1.一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于包括以下步骤：
a基于大型水母监测数据获取水母监测时间，水母分布位置的经度、纬度和深度，以及水母自主运动情况；
b对自主运动特征明显但速度不确定的大型水母，考虑水母自主运动过程的不确定性这个生态过程，构建大型水母中期漂移集合预报模型；
将大型水母离散为一定数量的水母粒子，在不考虑水母个体生长的情况下，考虑环境驱动作用下水母粒子三维物理运动过程，并考虑其垂向自主运动，利用水母粒子的自主运动垂直方向最大速度乘以随机走动系数来描述水母自主运动的不确定性，结合水母不同时间段分布水深范围，设计集合预报方案，预报水母粒子的多个漂移轨迹；
第i个水母粒子第j个集合预报下t时刻水母粒子的运动方程如下：
式(1)中：
j为第i个水母粒子随机走动集合方案个数；j＝1,2,...,n；
为第i个水母粒子第j个集合预报方案下t时刻的位置；
为第i个水母粒子第j个集合预报方案下水母粒子所在位置/>的三维海流，单位为米/秒；
αij(t)为第i个水母粒子第j个集合预报方案下的随机走动系数，是时间t的函数，-1＜αij(t)＜1；
Wmax为大型水母自主运动垂直方向最大速度，单位为米/秒；
为Z轴方向单位向量；
c根据大型水母应急处置需求，确定大型水母中期漂移预报时长，获取大型水母所在海域中期预报的三维海流数据；
d确定水母粒子的初始位置，基于步骤b构建的大型水母中期漂移集合预报模型，采用步骤c获取的三维海流数据，以及基于历史监测数据获得的大型水母自主运动垂直方向最大速度，设置n个集合预报方案，预报每个水母粒子的n个漂移轨迹。
2.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，还包括以下步骤：
e根据步骤d预报的每个水母粒子的n个漂移轨迹，计算并制作预报产品；预报产品包括第一预报产品和第二预报产品；
第一预报产品：计算n个漂移轨迹位置的平均，分析未来k天内水母粒子的漂移方向、速度，预计影响范围以及对重点关注海域或大型水母灾害敏感功能区的影响情况，k≤10；
第二预报产品：计算n个漂移轨迹下，未来k天内某时刻或时间段内包含水母粒子的最小区域，获得大型水母分布区域。
3.根据权利要求2所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于：采用三维或二维方式展示预报产品；
大型水母分布区域基于不同漂移轨迹下不同时间段水母所在位置，采用格雷厄姆扫描算法，计算最小凸多边形。
4.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，步骤a中：大型水母监测数据来源于拖网、锚流网或走航目测船舶监测资料，航空或低空无人机遥感解译资料，以及水下摄像监测和声呐监测资料。
5.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，步骤a中：所述水母自主运动情况包括自主运动速度、不同时间段的垂直分布深度以及自主运动垂直方向最大速度。
6.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，步骤a中：若大型水母监测数据中缺乏自主运动监测数据，则收集同类型水母历史监测数据，以反映水母自主运动情况。
7.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，步骤b中：自主运动特征明显是指大型水母运动速度大于1cm/s。
8.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，步骤b中：αij(t)为(random(t)-0.5)×2；random(t)为每个时刻的随机数，数值在0-1之间。
9.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，
步骤c中：三维海流数据为潮流、风生流、密度流的矢量和；
三维海流数据的预报时效不短于大型水母中期漂移数值预报的预报时效，时间间隔不大于1h；
预报水平空间范围大于监测的水母粒子范围和预报时效内所有水母粒子预计漂移的海域；
预报垂直深度范围包括监测的水母粒子所在深度和预报时效内水母粒子预计运动的深度。
10.根据权利要求1所述的一种考虑自主运动的大型水母中期漂移集合预报方法，其特征在于，步骤d中：n≥20。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377110.5A CN117113796B (zh) | 2023-10-24 | 2023-10-24 | 一种考虑自主运动的大型水母中期漂移集合预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311377110.5A CN117113796B (zh) | 2023-10-24 | 2023-10-24 | 一种考虑自主运动的大型水母中期漂移集合预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117113796A CN117113796A (zh) | 2023-11-24 |
| CN117113796B true CN117113796B (zh) | 2024-02-27 |
Family
ID=88813291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311377110.5A Active CN117113796B (zh) | 2023-10-24 | 2023-10-24 | 一种考虑自主运动的大型水母中期漂移集合预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117113796B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070061372A (ko) * | 2005-12-09 | 2007-06-13 | 토호쿠 덴료쿠 가부시키가이샤 | 해파리의 해상 처리 시스템 |
| JP2009225664A (ja) * | 2008-03-19 | 2009-10-08 | Kiyoto Nakamura | 複数船舶曳航型クラゲ捕獲処理システム |
| KR20100025447A (ko) * | 2008-08-27 | 2010-03-09 | 칸덴 플랜트 가부시키가이샤 | 대형 해파리의 해상 처리 시스템 |
| CN107832553A (zh) * | 2017-11-27 | 2018-03-23 | 天津科技大学 | 基于海洋生态模型的水母灾害预报系统和预报方法 |
| CN111127281A (zh) * | 2020-02-24 | 2020-05-08 | 中国科学院烟台海岸带研究所 | 一种大型灾害水母在线监测系统及监测方法 |
| CN112613239A (zh) * | 2020-11-24 | 2021-04-06 | 国家海洋局北海环境监测中心(中国海监北海区检验鉴定中心） | 一种水母灾害预警模型的构建方法 |
| CN112801518A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害风险风险评估方法 |
| CN112801381A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害早期预警方法 |
| CN112949532A (zh) * | 2021-03-15 | 2021-06-11 | 燕山大学 | 一种水母实时在线监测系统及监测方法 |
| CN113033920A (zh) * | 2020-11-16 | 2021-06-25 | 福建农林大学 | 海上漂移轨迹预测方法及系统 |
| CN114519495A (zh) * | 2021-12-29 | 2022-05-20 | 中交天津港湾工程研究院有限公司 | 海洋污染物运动轨迹预测及滨海电厂取水安全预警方法 |
| KR20230001867A (ko) * | 2021-06-29 | 2023-01-05 | 군산대학교산학협력단 | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 |
| CN115587662A (zh) * | 2022-10-31 | 2023-01-10 | 广东核电合营有限公司 | 一种核电厂周边海域海洋生物分布预测方法 |
-
2023
- 2023-10-24 CN CN202311377110.5A patent/CN117113796B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070061372A (ko) * | 2005-12-09 | 2007-06-13 | 토호쿠 덴료쿠 가부시키가이샤 | 해파리의 해상 처리 시스템 |
| JP2009225664A (ja) * | 2008-03-19 | 2009-10-08 | Kiyoto Nakamura | 複数船舶曳航型クラゲ捕獲処理システム |
| KR20100025447A (ko) * | 2008-08-27 | 2010-03-09 | 칸덴 플랜트 가부시키가이샤 | 대형 해파리의 해상 처리 시스템 |
| CN107832553A (zh) * | 2017-11-27 | 2018-03-23 | 天津科技大学 | 基于海洋生态模型的水母灾害预报系统和预报方法 |
| CN111127281A (zh) * | 2020-02-24 | 2020-05-08 | 中国科学院烟台海岸带研究所 | 一种大型灾害水母在线监测系统及监测方法 |
| CN113033920A (zh) * | 2020-11-16 | 2021-06-25 | 福建农林大学 | 海上漂移轨迹预测方法及系统 |
| CN112613239A (zh) * | 2020-11-24 | 2021-04-06 | 国家海洋局北海环境监测中心(中国海监北海区检验鉴定中心） | 一种水母灾害预警模型的构建方法 |
| CN112801518A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害风险风险评估方法 |
| CN112801381A (zh) * | 2021-02-02 | 2021-05-14 | 徐粱钰 | 一种水母灾害早期预警方法 |
| CN112949532A (zh) * | 2021-03-15 | 2021-06-11 | 燕山大学 | 一种水母实时在线监测系统及监测方法 |
| KR20230001867A (ko) * | 2021-06-29 | 2023-01-05 | 군산대학교산학협력단 | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 |
| CN114519495A (zh) * | 2021-12-29 | 2022-05-20 | 中交天津港湾工程研究院有限公司 | 海洋污染物运动轨迹预测及滨海电厂取水安全预警方法 |
| CN115587662A (zh) * | 2022-10-31 | 2023-01-10 | 广东核电合营有限公司 | 一种核电厂周边海域海洋生物分布预测方法 |
Non-Patent Citations (5)
| Title |
|---|
| Comprehensive analysis of the origin of giant jellyfi sh near Qinhuangdao in summer*;WU Lingjuan 等;Chinese Journal of Oceanology and Limnology;第35卷(第5期);1061-1069 * |
| 大型水母迁移规律和灾害监测预警技术研究进展;吴玲娟等;生态学报;第36卷(第10期);3103-3106 * |
| 我国水母灾害研究现状与展望;李聪;;渔业研究(02);全文 * |
| 海洋生态预报的研究进展与发展应用;高姗;刘桂梅;王辉;郑静静;;海洋预报(02);全文 * |
| 青岛外海夏季水母路径溯源研究;张海彦;赵亮;魏皓;;海洋与湖沼(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117113796A (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Weigelt et al. | Quantifying island isolation–insights from global patterns of insular plant species richness | |
| Mitarai et al. | A numerical study of stochastic larval settlement in the California Current system | |
| CN112115598B (zh) | 一种面向海上漂移轨迹预测的数据与模型耦合分析方法 | |
| de Vries et al. | Aeolian sediment transport on a beach with a varying sediment supply | |
| WO2006104087A1 (ja) | 所定水温域の深度分布予測方法、回遊性魚類の漁場予測方法及び回遊性魚類の漁場予測情報配信システム | |
| Kulkarni et al. | Real-time sediment plume modeling in the Southern California Bight | |
| KR101153706B1 (ko) | 연안정밀 폭풍해일 예측 시스템과 연안정밀 폭풍 해일 예측 방법 | |
| CN107944608A (zh) | 基于卫星遥感的海面漂移物与溢油漂移扩散预报方法 | |
| Castellari et al. | Prediction of particle trajectories in the Adriatic Sea using Lagrangian data assimilation | |
| Makarynskyy et al. | Wave prediction and data supplementation with artificial neural networks | |
| Zhang et al. | Evaluation of multi-source forcing datasets for drift trajectory prediction using Lagrangian models in the South China Sea | |
| CN116467565A (zh) | 一种浒苔绿潮斑块最优搜寻区域预报方法 | |
| CN117113796B (zh) | 一种考虑自主运动的大型水母中期漂移集合预报方法 | |
| P. A et al. | Numerical simulation of wave characteristics off Kulasekharapatnam, Southeast Coast of India | |
| CN115761520A (zh) | 基于河流漂浮物自主学习的河流径流量分析方法及系统 | |
| KR102561270B1 (ko) | 구조 구난을 위한 해상 표류물의 위치 추정 방법 및 장치 | |
| Xiong et al. | Storm-induced coastward expansion of Margalefidinium polykrikoides bloom in Chesapeake Bay | |
| CN113359726B (zh) | 一种最大浑浊带的预测方法及系统 | |
| Mihai et al. | Analyzing meteorological data using unsupervised learning techniques | |
| Osborne et al. | Measurements and modeling of gravel transport under wind waves, vessel-generated waves, and tidal currents | |
| Thomas | Modelling marine connectivity in the Great Barrier Reef and exploring its ecological implications | |
| Schoch et al. | Demonstrating the Alaska ocean observing system in Prince William Sound | |
| Reis et al. | Feedback-based informative AUV planning from Kriging errors | |
| Méndez et al. | Wave climates: deep water to shoaling zone | |
| Mantovanelli et al. | Radar-based tracking of pollutants/larvae in the Coral Sea |
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 |