CN117421601B - 一种海面蒸发波导临近期快速预报方法 - Google Patents
一种海面蒸发波导临近期快速预报方法 Download PDFInfo
- Publication number
- CN117421601B CN117421601B CN202311743381.8A CN202311743381A CN117421601B CN 117421601 B CN117421601 B CN 117421601B CN 202311743381 A CN202311743381 A CN 202311743381A CN 117421601 B CN117421601 B CN 117421601B
- Authority
- CN
- China
- Prior art keywords
- data set
- evaporation waveguide
- model
- height
- observation
- 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
- 238000001704 evaporation Methods 0.000 title claims abstract description 102
- 230000008020 evaporation Effects 0.000 title claims abstract description 101
- 238000013277 forecasting method Methods 0.000 title claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000008878 coupling Effects 0.000 claims description 39
- 238000010168 coupling process Methods 0.000 claims description 39
- 238000005859 coupling reaction Methods 0.000 claims description 39
- 238000012937 correction Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 17
- 239000010410 layer Substances 0.000 claims description 15
- 230000007774 longterm Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000002457 bidirectional effect Effects 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000002344 surface layer Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 239000005436 troposphere Substances 0.000 claims description 4
- 238000004379 similarity theory Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 7
- 238000003062 neural network model Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 abstract description 2
- 230000015556 catabolic process Effects 0.000 abstract description 2
- 238000006731 degradation reaction Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000013535 sea water Substances 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种海面蒸发波导临近期快速预报方法,涉及海洋环境预测技术领域,包括构建大气要素观测数据集、大气要素驱动数据集、历史模拟数据集、降尺度数据集,通过上述数据集,对神经网络模型进行训练,建立经验预测模型,通过过去24小时的蒸发波导高度预测未来3小时的蒸发波导高度。本发明通过数值模式的动力降尺度模拟为经验模型训练提供足量的训练数据,能够适应区域的变化而不出现预报精度显著退化的问题,同时该方法主要针对计算能力较低、大数据传输能力欠缺的海洋观测设备设计,能够有效集成在硬件设备之中,实现在船舶移动中未来三小时临近期分钟级的蒸发波导自动预测。
Description
技术领域
本发明涉及海洋环境预测技术领域,尤其是一种海面蒸发波导临近期快速预报方法。
背景技术
海上蒸发波导是由于海水蒸发引起贴近海面的大气在垂直方向上出现温湿度急剧变化、进而导致电磁波在传播过程中形成超折射而被陷获的现象。海上蒸发波导现象的判断通常由经验公式接收海表面温度、大气温度、气压、湿度、风速等基本环境要素的输入诊断得出。
海上蒸发波导特征参数的预报方法一般包括数值方法和经验方法两种。数值方法一般通过数值天气模式制作的数值天气预报产品诊断得出。数值天气模式通过全球预报场驱动,制作未来数天内大气变量的变化预测数据。以模式输出的海表面温度、大气温度、气压、湿度、风速等预测信息为基础,输入经验蒸发波导模型诊断得出蒸发波导高度等特征的未来变化。数值方法是目前最为广泛的蒸发波导预测方法,但在应用时仍面临两个问题。第一,数值方法依赖的数值模式计算量较大,需要匹配高性能的计算机满足高计算量的需求,并且需要定期接收大数据量的驱动场信息,因此无法在计算能力较弱、与外界数据通信能力有限的设备或传感器端实现直接应用;第二,数值预报产品的时间分辨率通常为小时级,难以适应未来三小时内的环境快速变化,另外,数值模式在未来三小时临近期的预报仍存在一定的误差。上述问题阻碍了蒸发波导的数值预测方法在设备端的集成应用。除了数值方法,经验方法一般通过神经网络等算法构建当前波导参数与未来波导变化间的关系模型。该方法快速简单,能够部署在设备端,但存在的最大问题来源于前期模型训练数据的稀缺。目前用于模型训练的数据一般采用浮标、台站的历史观测数据,但这类数据面临站位稀少,要素不全的问题,而且在某观测站训练的关系模型仅限于附近区域使用,在其他区域可能面临关系失效的情况。
发明内容
为了克服现有技术中存在的上述问题,本发明提出一种海面蒸发波导临近期快速预报方法。
本发明解决其技术问题所采用的技术方案是:一种海面蒸发波导临近期快速预报方法,包括如下步骤:
步骤1,研制历史模拟数据集;收集目标区域内的气象历史真实数据,整理出大气要素观测数据集;收集十年以上大气和海洋再分析数据构成大气要素驱动数据集;构建大气、海洋、海浪双向耦合模型,将大气要素驱动数据集进行处理后驱动双向耦合模型进行模拟,模拟所得的结果为历史模拟数据集;
步骤2,研制降尺度数据集:建立模式误差修正模型对步骤1所得的历史模拟数据集进行修正,得到降尺度数据集;
步骤3,利用蒸发波导观测系统在目标区域内开展不少于六个月的连续观测,根据蒸发波导模型计算出蒸发波导高度;
步骤4,根据步骤2制作观测期间蒸发波导观测区域内的降尺度数据集,并根据蒸发波导模型计算出模拟蒸发波导高度;
步骤5,以步骤3所得的蒸发波导高度为目标变量,步骤4所得的蒸发波导高度为输入,对神经网络进行训练,构建修正关系模型;
步骤6,通过步骤2所得的降尺度数据集经蒸发波导模型计算得到区域蒸发波导高度长期数据集,将步骤5所得的修正关系模型应用到区域蒸发波导高度长期数据集,得到面向传感器的区域蒸发波导高度长期数据集;
步骤7,将步骤6所得的数据集划分训练集和测试集,以某三小时时段内的蒸发波导高度为目标变量,以该时段前24小时的蒸发波导高度为输入,训练神经网络建立经验预测模型;
步骤8,利用船舶所携带传感器观测的过去24小时的蒸发波导高度,通过步骤7所得的经验预测模型计算未来三小时的蒸发波导高度。
上述的一种海面蒸发波导临近期快速预报方法,所述步骤1中历史模拟数据集具体构建过程包括:选取包括云微物理过程、长波辐射、短波辐射、表面层/近地层、陆面层、行星边界层、积云对流层的七个参数,构建不同参数方案的大气、海洋、海浪双向耦合模型,利用构建的耦合模型开始一个月的连续历史回报模拟,对比不同参数方案耦合模型的模拟结果与大气要素观测数据集间的误差,选取误差最小的耦合模型;将大气要素驱动数据集数据处理为每隔n天一组,第一天作为耦合模型的预热,耦合模型进行单步运行,将每次n-1天的结果作为正式模拟数据收集整理为历史模拟数据集。
上述的一种海面蒸发波导临近期快速预报方法,所述步骤2具体包括:以大气要素观测数据集为基准,逐要素计算所有大气、海洋、海浪双向耦合模型输出变量与大气要素观测数据集的相关系数,选择所有相关系数0.4以上的耦合模型输出变量为经验学习模型的输入变量,以耦合模型模拟变量减历史观测数据的误差为目标估计,筛选出误差最小的经验学习模型作为误差修正模型;利用误差修正模型对目标区域内的站点建立误差修正关系,通过距离平方反比插值的方法对除站点外其他区域其他位置建立误差修正关系,利用误差修正关系对历史模拟数据集进行修正,制作经误差修正的降尺度数据集。
上述的一种海面蒸发波导临近期快速预报方法,所述步骤3中蒸发波导模型计算蒸发波导高度的具体过程包括:根据Monin-Obukhov相似理论,利用收集的气象要素来确定各气象要素廓线分布,基于确定的廓线分布来求得修正折射率廓线,最后根据修正折射率最小值对应的高度,确定蒸发波导的高度。
上述的一种海面蒸发波导临近期快速预报方法,所述步骤3中蒸发波导观测系统为船舶搭载的传感器,并搭载服务器接受传感器采集的数据,所述蒸发波导观测系统用于测量海水表面皮温以及至少一层高度的气压、气温、湿度、风速。
本发明的有益效果是,本发明公开了海上蒸发波导临近预报方法与流程,与现有技术相比,能够适应区域的变化而不出现预报精度显著退化的问题,同时该方法主要针对计算能力较低、大数据传输能力欠缺的海洋观测设备设计,能够有效集成在移动船舶的硬件设备之中,实现未来三小时临近期分钟级的蒸发波导自动预测。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明流程示意图;
图2为本发明历史模拟数据集研制流程图;
图3为本发明区域格点降尺度数据集研制流程图;
图4为本发明蒸发波导修正关系模型研制流程图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。
如图1所示,本实施例公开了一种海面蒸发波导临近期快速预报方法,具体包括如下步骤:
步骤1,研制历史模拟数据集,具体过程如图2所示。收集设备使用区域内的浮标、台站、船舶等定点观测的海表面温度、近海面大气温度、湿度、气压、风速等要素的历史数据组成大气要素观测数据集,用于数值模式的修正及经验预报模型的训练。同时,收集不少于十年的大气、海洋再分析资料组成大气要素驱动数据集,用于驱动数值模式开展历史回报模拟。大气驱动数据应包含多层气温、风、湿度、位势高度和单层海平面气压、2m高气温、2m高湿度、10m高风以及多层土壤温度、湿度等要素;海洋驱动数据应包含海水盐度、温度、海流、海平面高度等要素。
由于不同的大气参数化方案和大气逼近方案会对模拟结果产生不同的影响,对本方案有影响的参数化方案有云微物理过程、长波辐射、短波辐射、表面层/近地层、陆面层、行星边界层、积云对流层,针对目标区域构建11组不同参数化方案的大气、海洋、海浪双向耦合模式,利用构建的数值模式开展一个月的连续历史回报模拟,通过对比回报模拟结果和大气要素观测数据集之间的平均误差、均方根误差、相关系数等,确定模拟效果最好的耦合模式。采用单次积分为6天的方式进行耦合模型模拟,第一天的时间作为模型预热,进行总时长为十年且连续不间断的模拟,取每次模拟后五天的结果收集整理成历史模拟数据集。
具体过程包括:针对预报的目标区域,构建适合该区域的大气、海洋、海浪双向耦合模型,三个子模式通过模式耦合器工具实现海气界面动力、热力要素的实时交换。通过构建该耦合模型,模拟的海上大气要素能够充分考虑海洋下垫面浪、流的动态变化,物理过程更加完善。构建的耦合模型在正式模拟前,需针对预报目标区域进行配置优化。优化过程通过构造不同参数化方案配置和不同大气模式逼近方案的组合试验,选用的物理参数化方案和大气逼近方案包括云微物理过程(WSM3、WSM6、morrison 2-moments、lin)、长波辐射(RRTM、RRTMG)、短波辐射(Dudhia、RRTMG)、表面层/近地层(old MM5 surface layer、Revised MM5 Monin-Obukhov、Monin-Obukhov)、陆面层(Unified Noah land-surfacemodel)、行星边界层(YSU、MYJ、Boulac)、积云对流层(KF、GF、BMJ、GD),由于参数化方案和大气逼近方案前人已总结出一些搭配规则,故这几个物理参数化方案和大气逼近方案设置11个组合方案,具体组合方案见下表:
采用不同的组合方案开展连续1个月的历史回报模拟。以回报模拟结果为基础,通过判断其与大气要素观测数据集的平均误差、均方根误差、相关系数等,筛选误差最低的参数化方案配置开展后续模拟。
以优化后的耦合模型为基础,需进一步构造用于误差修正训练的历史模拟数据集。由于再分析数据空间分辨率一般为数十公里,不适合装备级的分辨率使用需求。本实施利用优化后的耦合模型,以大气要素驱动数据集为驱动,开展不少于十年的目标区域动力降尺度模拟,具体步骤如下:将十年的数据处理成每隔6天的一组,第一天作为模型预热,修改好耦合模型模拟的区域和时间,进行连续单步运行,总时长为10年,将每次模拟后五天的模拟结果收集起来得到历史模拟数据集,用于随后的修正模型训练。
步骤2,研制区域降尺度数据集,具体过程如图3所示。结合历史模拟数据集和大气要素观测数据集,筛选出相关系数大于0.4的训练变量,以模拟变量减观测变量的值作为目标估计,利用不同的修正模型(例如一维卷积神经网络,长短时记忆神经网络)开展逐要素误差修正试验,通过与大气要素观测数据集进行对比,确定修正效果最好的误差修正模型。利用误差修正模型对区域内的站点建立误差修正关系,通过距离平方反比插值的方法对除站点外其他区域其他位置建立误差修正关系,利用该修正关系对模式模拟的历史数据集进行修正,制作经误差修正的区域降尺度数据集。
具体包括:以大气要素观测数据集为基准,逐要素计算观测与模拟的所有近海面大气、海洋、海浪双向耦合模型输出变量之间相关系数,选择所有相关系数0.4以上的变量进行标准化处理。标准化处理之后的耦合模型输出变量与大气要素观测数据集用于之后构建误差估计模型。
在确定正式采用的误差估计模型之前,需开展不同经验学习模型的敏感性评估,即针对海表面温度、大气温度、湿度、气压、风速六个要素,逐要素构建经验模型。在建模过程中,以耦合模型模拟变量减大气要素观测数据集的误差为目标估计,以所有与大气要素观测数据集相关系数0.4以上的耦合模型输出变量为输入变量,代入至不同的经验学习模型(例如BP神经网络、卷积神经网络等)开展模型训练。训练过程包括三步,首先是数据预处理,需要把气象要素数据处理成适合神经网络模型训练的格式,并且按12:1的比例把数据划分为训练集和测试集,其次是模型训练部分,设置神经网络模型参数、损失函数和学习率等,之后就开始训练并进行数据订正工作,等模型完全收敛之后停止模型训练,最后将测试集数据丢给神经网络模型,得到订正后的数据。将订正后的数据与未参加训练的验证集对比,筛选综合误差最低的训练模型作为正式的误差修正模型。
由于正式的误差修正模型仅为单站观测与耦合模型单点间的关系估计,不能直接应用于整个模拟区域。为此,本实施例基于模拟区域内所有建立误差修正关系的格点,采用距离最近的三个站点进行距离平方反比插值(距离平方反比是指通过计算已知点和未知点之间的距离的平方得出几个未知点与已知点之间的权重,通过计算几个权重和已知点的数值乘积推导出未知点的数据),经插值后模拟区域内所有格点都建立误差修正关系,采用该误差修正关系对耦合模型模拟的海表面温度、大气温度、湿度、气压、风速六个要素的历史模拟数据集进行修正,制作经误差修正后的降尺度数据集。值得说明的是,上述大气要素观测数据集和历史模拟数据集均为10分钟平均值,耦合模型原始输出数据为10分钟输出一次。
步骤3,未来三小时蒸发波导预测,具体如图4所示。使用上述方法在研究的具体区域内制作为期半年的经误差修正的降尺度数据集,利用美国海军研究生院蒸发波导模型(NPS)对该数据集进行分析,计算出模拟的蒸发波导高度,同时,利用区域内的传感器收集观测数据搭建蒸发波导观测系统,同样使用NPS模型对蒸发波导观测系统采集的数据进行分析,计算出观测蒸发波导高度。使用神经网络模型(例如长短期记忆神经网络、一维卷积神经网络)对模拟的蒸发波导高度和观测蒸发波导高度建立关系模型,将该关系模型应用于之前整理出的十年长期降尺度数据集,得到面向传感器的区域蒸发波导高度长期数据集,之后,再使用神经网络对该数据集和未来三小时的观测蒸发波导高度建立预测模型,得到区域内蒸发波导预测关系。利用移动船舶的传感器收集的过去二十四小时的蒸发波导高度,通过区域内蒸发波导预测关系,得到未来三小时内蒸发波导预测。
具体包括:利用船舶等设备搭载传感器,并搭栽服务器接收传感器采集的数据,搭建出蒸发波导观测系统,系统最少应能测量海水表面皮温(通常为红外非接触测量)以及至少一层高度的气压、气温、湿度、风速。利用蒸发波导观测系统,在目标区域内开展不少于六个月的连续观测,并根据公开的美国海军研究生院蒸发波导模型(NPS)计算出蒸发波导高度,计算流程如下:首先,根据Monin-Obukhov相似理论,利用收集的气象要素来确定各气象要素廓线分布,然后基于确定的廓线分布来求得修正折射率廓线,最后根据修正折射率最小值对应的高度,确定蒸发波导的高度。同时,也需按照以上步骤制作观测时期蒸发波导观测系统区域内经误差修正的降尺度数据集,并根据NPS模型计算蒸发波导高度。
以观测计算的蒸发波导高度为目标变量,耦合模型模拟的蒸发波导高度为输入,使用一维卷积神经网络方法建立两者的修正关系模型。同时,通过先前制作的超过十年的降尺度数据集经NPS模型计算得到区域蒸发波导高度长期数据集,将上述观测与模拟蒸发波导高度间的修正关系模型应用到区域蒸发波导高度长期数据集,推测得到面向传感器的区域蒸发波导高度长期数据集。
以面向传感器的区域蒸发波导高度长期数据集数据集为基础,将该数据集按12:1比例的划分为训练集和测试集,以某三小时时段内的蒸发波导高度为目标变量,以该时段前24小时的蒸发波导高度为输入,逐格点(该格点为模式的最小网格)训练一维卷积神经网络建立经验预测模型,训练过程同上述修正模型,经验预测模型能够通过前24小时的蒸发波导高度推导出后3小时的蒸发波导高度,将该经验预测模型应用于整个区域,得到目标区域内所有位置处的经验预测关系估计。
利用和蒸发波导观测试验使用的同型号传感器建立正式的蒸发波导观测设备,并将得到的每个位置上的蒸发波导高度经验预测关系估计存储至观测设备中,根据当前设备所在位置检索对应的预测关系,利用该设备过去24小时内的蒸发波导高度(由传感器观测数据和NPS模型计算得出),对未来三小时内蒸发波导高度变化做出预测估计。
以上实施例仅为本发明的示例性实施例,不用于限制本发明。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (3)
1.一种海面蒸发波导临近期快速预报方法,其特征在于,包括如下步骤:
步骤1,研制历史模拟数据集:收集目标区域内的气象历史真实数据,整理出大气要素观测数据集;收集十年以上大气和海洋再分析数据构成大气要素驱动数据集;构建大气、海洋、海浪双向耦合模型,将大气要素驱动数据集进行处理后驱动双向耦合模型进行模拟,模拟所得的结果为历史模拟数据集;
步骤2,研制降尺度数据集:建立模式误差修正模型对步骤1所得的历史模拟数据集进行修正,得到降尺度数据集;
步骤3,利用蒸发波导观测系统在目标区域内开展不少于六个月的连续观测,根据蒸发波导模型计算出蒸发波导高度;
步骤4,根据步骤2制作观测期间蒸发波导观测区域内的降尺度数据集,并根据蒸发波导模型计算出模拟蒸发波导高度;
步骤5,以步骤3所得的蒸发波导高度为目标变量,步骤4所得的模拟蒸发波导高度为输入,对神经网络进行训练,构建修正关系模型;
步骤6,通过步骤2所得的降尺度数据集经蒸发波导模型计算得到区域蒸发波导高度长期数据集,将步骤5所得的修正关系模型应用到区域蒸发波导高度长期数据集,得到面向传感器的区域蒸发波导高度长期数据集;
步骤7,将步骤6所得的数据集划分训练集和测试集,以某三小时时段内的蒸发波导高度为目标变量,以该时段前24小时的蒸发波导高度为输入,训练神经网络建立经验预测模型;
步骤8,利用船舶所携带传感器观测的过去24小时的蒸发波导高度,通过步骤7所得的经验预测模型计算未来三小时的蒸发波导高度;
所述步骤1中历史模拟数据集具体构建过程包括:选取包括云微物理过程、长波辐射、短波辐射、表面层/近地层、陆面层、行星边界层、积云对流层的七个参数,构建不同参数方案的大气、海洋、海浪双向耦合模型,利用构建的耦合模型开始一个月的连续历史回报模拟,对比不同参数方案耦合模型的模拟结果与大气要素观测数据集间的误差,选取误差最小的耦合模型;将大气要素驱动数据集数据处理为每隔n天一组,第一天作为耦合模型的预热,耦合模型进行单步运行,将每次n-1天的结果作为正式模拟数据收集整理为历史模拟数据集;
所述步骤2具体包括:以大气要素观测数据集为基准,逐要素计算所有大气、海洋、海浪双向耦合模型输出变量与大气要素观测数据集的相关系数,选择所有相关系数0.4以上的耦合模型输出变量为经验学习模型的输入变量,以耦合模型模拟变量减历史观测数据的误差为目标估计,筛选出误差最小的经验学习模型作为误差修正模型;利用误差修正模型对目标区域内的站点建立误差修正关系,通过距离平方反比插值的方法对除站点外其他区域其他位置建立误差修正关系,利用误差修正关系对历史模拟数据集进行修正,制作经误差修正的降尺度数据集。
2.根据权利要求1所述的一种海面蒸发波导临近期快速预报方法,其特征在于,所述步骤3中蒸发波导模型计算蒸发波导高度的具体过程包括:根据Monin-Obukhov相似理论,利用收集的气象要素来确定各气象要素廓线分布,基于确定的廓线分布来求得修正折射率廓线,最后根据修正折射率最小值对应的高度,确定蒸发波导的高度。
3.根据权利要求1所述的一种海面蒸发波导临近期快速预报方法,其特征在于,所述步骤3中蒸发波导观测系统为船舶搭载的传感器,并搭载服务器接受传感器采集的数据,所述蒸发波导观测系统用于测量海水表面皮温以及至少一层高度的气压、气温、湿度、风速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743381.8A CN117421601B (zh) | 2023-12-19 | 2023-12-19 | 一种海面蒸发波导临近期快速预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743381.8A CN117421601B (zh) | 2023-12-19 | 2023-12-19 | 一种海面蒸发波导临近期快速预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421601A CN117421601A (zh) | 2024-01-19 |
CN117421601B true CN117421601B (zh) | 2024-03-01 |
Family
ID=89525147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743381.8A Active CN117421601B (zh) | 2023-12-19 | 2023-12-19 | 一种海面蒸发波导临近期快速预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421601B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977479A (zh) * | 2016-10-24 | 2018-05-01 | 中国人民解放军信息工程大学 | 电磁波的空间传播场的计算方法和装置 |
CN111310889A (zh) * | 2020-01-16 | 2020-06-19 | 西北工业大学 | 一种基于深度神经网络的蒸发波导剖面估计方法 |
CN111638566A (zh) * | 2020-06-30 | 2020-09-08 | 国家海洋技术中心 | 一种基于空中系留平台的海洋蒸发波导探测系统 |
CN112711899A (zh) * | 2020-11-27 | 2021-04-27 | 山东省科学院海洋仪器仪表研究所 | 一种蒸发波导高度的融合预测方法 |
CN113011600A (zh) * | 2021-03-25 | 2021-06-22 | 天津大学 | 一种基于机器学习修正蒸发波导预测模型的方法 |
AU2021106032A4 (en) * | 2021-08-19 | 2021-10-28 | PLA Naval Engineering University | Method for constructing meteorological element universal function |
CN113609639A (zh) * | 2021-06-25 | 2021-11-05 | 中国人民解放军92493部队试验训练总体研究所 | 一种适用于稳定条件的蒸发波导修正模型 |
CN113670378A (zh) * | 2021-08-09 | 2021-11-19 | 西北工业大学 | 长期实时蒸发波导剖面测量与信道监测系统及监测方法 |
CN114611415A (zh) * | 2022-05-11 | 2022-06-10 | 中国海洋大学 | 一种基于SL-TrellisNets网络的超视距传播损耗预测方法 |
CN114912077A (zh) * | 2022-05-27 | 2022-08-16 | 中国海洋大学 | 一种融合随机搜索与混合分解误差订正的海浪预报算法 |
CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
CN116559977A (zh) * | 2023-05-15 | 2023-08-08 | 华东师范大学 | 一种基于bp神经网络的nps-gryanik20蒸发波导高度预测方法 |
CN116579225A (zh) * | 2023-01-09 | 2023-08-11 | 中国人民解放军国防科技大学 | 基于卷积神经网络的蒸发波导高度区域预测方法 |
CN116593989A (zh) * | 2023-06-15 | 2023-08-15 | 宁波麦思捷科技有限公司武汉分公司 | 一种基于雷达海杂波的对流层波导反演方法及系统 |
CN116644608A (zh) * | 2023-06-14 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 |
CN116794621A (zh) * | 2023-06-29 | 2023-09-22 | 山东省科学院海洋仪器仪表研究所 | 一种电磁波传播损耗的融合诊断方法 |
CN116822567A (zh) * | 2023-08-28 | 2023-09-29 | 山东省科学院海洋仪器仪表研究所 | 一种蒸发波导预测模型参数的优化方法 |
CN117172149A (zh) * | 2023-08-29 | 2023-12-05 | 西北工业大学 | 一种基于数据特征分类和神经网络模型的蒸发波导预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
MY194626A (en) * | 2016-10-26 | 2022-12-07 | Petroliam Nasional Berhad Petronas | Trans-horizon wireless communication system using the tropospheric evaporation duct |
-
2023
- 2023-12-19 CN CN202311743381.8A patent/CN117421601B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977479A (zh) * | 2016-10-24 | 2018-05-01 | 中国人民解放军信息工程大学 | 电磁波的空间传播场的计算方法和装置 |
CN111310889A (zh) * | 2020-01-16 | 2020-06-19 | 西北工业大学 | 一种基于深度神经网络的蒸发波导剖面估计方法 |
CN111638566A (zh) * | 2020-06-30 | 2020-09-08 | 国家海洋技术中心 | 一种基于空中系留平台的海洋蒸发波导探测系统 |
CN112711899A (zh) * | 2020-11-27 | 2021-04-27 | 山东省科学院海洋仪器仪表研究所 | 一种蒸发波导高度的融合预测方法 |
CN113011600A (zh) * | 2021-03-25 | 2021-06-22 | 天津大学 | 一种基于机器学习修正蒸发波导预测模型的方法 |
CN113609639A (zh) * | 2021-06-25 | 2021-11-05 | 中国人民解放军92493部队试验训练总体研究所 | 一种适用于稳定条件的蒸发波导修正模型 |
CN113670378A (zh) * | 2021-08-09 | 2021-11-19 | 西北工业大学 | 长期实时蒸发波导剖面测量与信道监测系统及监测方法 |
AU2021106032A4 (en) * | 2021-08-19 | 2021-10-28 | PLA Naval Engineering University | Method for constructing meteorological element universal function |
CN114611415A (zh) * | 2022-05-11 | 2022-06-10 | 中国海洋大学 | 一种基于SL-TrellisNets网络的超视距传播损耗预测方法 |
CN114912077A (zh) * | 2022-05-27 | 2022-08-16 | 中国海洋大学 | 一种融合随机搜索与混合分解误差订正的海浪预报算法 |
CN116579225A (zh) * | 2023-01-09 | 2023-08-11 | 中国人民解放军国防科技大学 | 基于卷积神经网络的蒸发波导高度区域预测方法 |
CN116559977A (zh) * | 2023-05-15 | 2023-08-08 | 华东师范大学 | 一种基于bp神经网络的nps-gryanik20蒸发波导高度预测方法 |
CN116644608A (zh) * | 2023-06-14 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种基于海洋环境数据的实海域船舶运动预报方法及系统 |
CN116593989A (zh) * | 2023-06-15 | 2023-08-15 | 宁波麦思捷科技有限公司武汉分公司 | 一种基于雷达海杂波的对流层波导反演方法及系统 |
CN116451879A (zh) * | 2023-06-16 | 2023-07-18 | 武汉大学 | 一种干旱风险预测方法、系统及电子设备 |
CN116794621A (zh) * | 2023-06-29 | 2023-09-22 | 山东省科学院海洋仪器仪表研究所 | 一种电磁波传播损耗的融合诊断方法 |
CN116822567A (zh) * | 2023-08-28 | 2023-09-29 | 山东省科学院海洋仪器仪表研究所 | 一种蒸发波导预测模型参数的优化方法 |
CN117172149A (zh) * | 2023-08-29 | 2023-12-05 | 西北工业大学 | 一种基于数据特征分类和神经网络模型的蒸发波导预测方法 |
Non-Patent Citations (4)
Title |
---|
A New Short-Term Prediction Method for Estimation of the Evaporation Duct Height;YANBO MAI 等;《Digital Object Identifier》;20200805;第8卷;136036-136045 * |
Evaporation Duct Height Nowcasting in China’s Yellow Sea Based on Deep Learning;Jie Han 等;《remote sensing》;20210419;第13卷(第1577期);1-15 * |
区域海面蒸发波导预报与监测试验对比分析;《电波科学学报》;20170430;第32卷(第2期);215-220 * |
基于动态模型平均的蒸发波导高度短期预测方法;张诚 等;《第十八届全国电波传播年会论文集》;20230924;530-533 * |
Also Published As
Publication number | Publication date |
---|---|
CN117421601A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310889B (zh) | 一种基于深度神经网络的蒸发波导剖面估计方法 | |
Zhang et al. | Short-term rainfall forecasting using multi-layer perceptron | |
CN110363327B (zh) | 基于ConvLSTM和3D-CNN的短临降水预测方法 | |
CN111815038B (zh) | 一种光伏超短期预测方法及系统 | |
CN114254561B (zh) | 一种内涝预测方法、系统及存储介质 | |
CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
CN110619432A (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN113255972B (zh) | 基于Attention机制的短临降水预测方法 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN115238947A (zh) | 气候变化下旱涝急转事件的社会经济暴露度预估方法 | |
CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN114742206A (zh) | 综合多时空尺度多普勒雷达数据的降雨强度估计方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN111488974B (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
CN111597692B (zh) | 一种地表净辐射估算方法、系统、电子设备和存储介质 | |
CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
CN117421601B (zh) | 一种海面蒸发波导临近期快速预报方法 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
CN110866363B (zh) | 一种利用人工神经网络反演北极融池分布的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |