WO2022194045A1 - 一种面向海上平台保障的三维温盐场分析预报方法 - Google Patents
一种面向海上平台保障的三维温盐场分析预报方法 Download PDFInfo
- Publication number
- WO2022194045A1 WO2022194045A1 PCT/CN2022/080360 CN2022080360W WO2022194045A1 WO 2022194045 A1 WO2022194045 A1 WO 2022194045A1 CN 2022080360 W CN2022080360 W CN 2022080360W WO 2022194045 A1 WO2022194045 A1 WO 2022194045A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- temperature
- time
- space
- salinity
- analysis
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 116
- 238000013277 forecasting method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 79
- 230000002123 temporal effect Effects 0.000 claims abstract description 30
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 74
- 150000003839 salts Chemical class 0.000 claims description 51
- 230000007613 environmental effect Effects 0.000 claims description 48
- 239000013598 vector Substances 0.000 claims description 20
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000003068 static effect Effects 0.000 claims description 18
- 239000013535 sea water Substances 0.000 claims description 15
- 238000012950 reanalysis Methods 0.000 claims description 13
- 230000007774 longterm Effects 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000003908 quality control method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000000611 regression analysis Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005314 correlation function Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 11
- 230000007547 defect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 26
- 238000007619 statistical method Methods 0.000 description 14
- 239000000306 component Substances 0.000 description 9
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007123 defense Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004800 variational method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000003891 environmental analysis Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000005180 public health Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
- G01N33/1886—Water using probes, e.g. submersible probes, buoys
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P1/00—Details of instruments
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Definitions
- the invention relates to the marine environment guarantee technology of the offshore platform, and particularly designs an offshore platform guarantee based on the Spatiotemporal Empirical Orthogonal Function (STEOF) and the Three-Dimensional Variational Assimilation (3D-VAR). Three-dimensional temperature and salt field analysis and prediction method.
- the method of the invention is mainly applied to medium and long-term analysis and prediction of marine dynamic environment elements of marine platforms such as ships, underwater/surface unmanned submersibles, and offshore engineering during sailing, so as to solve the problem of large-scale and long-term problems after the numerical prediction products of offshore platforms fail.
- the problem of autonomous protection of the cyclical marine environment is mainly applied to medium and long-term analysis and prediction of marine dynamic environment elements of marine platforms such as ships, underwater/surface unmanned submersibles, and offshore engineering during sailing, so as to solve the problem of large-scale and long-term problems after the numerical prediction products of offshore platforms fail.
- the problem of autonomous protection of the cyclical marine environment is mainly applied to medium and long-term
- the analysis and forecast of the ocean field mainly includes two models: numerical forecast and statistical forecast.
- numerical forecasting is the main means of marine environmental analysis and forecasting at this stage, it has shortcomings such as large computational load, imprecise initial conditions, and timeliness constraints. Therefore, there is an urgent need for a forecasting method that requires less computation and is not limited by timeliness than numerical forecasting to achieve rapid and accurate forecasting of marine dynamic environmental elements.
- the purpose of the present invention is to propose a small, fast and effective three-dimensional temperature and salt field analysis and prediction oriented to the guarantee of offshore platforms in order to meet the marine environment guarantee requirements of offshore platforms such as ships, underwater/surface unmanned submersibles, and offshore engineering. method.
- This method can effectively make up for the short forecast period of marine dynamic environmental elements caused by the limitation of meteorological-driven period of time in traditional numerical forecasting methods, and the forecasting process does not require a high-performance computing platform and occupies less computing resources.
- the three-dimensional temperature and salt field analysis and forecasting method of the present invention it is possible to make a three-month statistical analysis and forecast on the marine dynamic environment elements, so as to solve the problem of large-scale and long-period marine environment autonomous guarantee after the marine numerical forecast product fails.
- This technical problem provides technical support and has strong scientific significance and application value.
- Step 1 Statistical analysis of marine dynamic environmental elements based on multi-source marine environmental data, mainly including the analysis of the temporal and spatial distribution characteristics of marine dynamic environmental elements and the research on the characteristics of the temperature-salt relationship of marine dynamic environmental elements;
- Empirical Orthogonal Function is used to analyze the main spatiotemporal distribution types of a selected element.
- the basic idea of EOF is to decompose a space-time variation field into relatively independent spatial functions that do not change with time and time functions that only depend on time.
- the result of EOF shows that the elements to be analyzed are determined by several main spatial distribution types, and each distribution type has its own corresponding temporal changes, resulting in different intensities of each spatial type at different times.
- ⁇ is the diagonal square matrix corresponding to the eigenvalue, namely:
- g j is the amplitude of the largest quadrature function, which is calculated by:
- Step 4 The effect of salinity change on density is non-negligible, and making statistical predictions for temperature and salinity separately causes the thermodynamic structure of the ocean state field, which leads to the dynamic instability of the ocean. In order to maintain the consistency of seawater temperature and salinity structure, it is necessary to perform salinity correction after temperature and salinity prediction.
- Fig. 4a is the observation result of the present invention's sea temperature forecast time period of 90 days;
- the research on the relationship between temperature and salinity is mainly based on the statistical analysis of the spatial and temporal distribution characteristics of the above-mentioned marine elements.
- the reanalysis data products and the historical observation profile data of temperature and salinity are used to statistically analyze the correlation relationship between temperature and salinity at different time scales in each sea area. Determine the characteristic curves of temperature and salinity on different time scales in each sea area to provide a data basis for salinity correction.
- Step 2 On the basis of the analysis of space-time characteristics and the study of the relationship between temperature and salt, a statistical forecasting model of marine environmental dynamic elements is constructed by using the space-time empirical orthogonal function method. Based on the high-resolution marine reanalysis product of the sea area to be analyzed and predicted, a time-space sample matrix of the marine dynamic environment elements of the space to be analyzed over the years is constructed.
- the construction method of the space-time sample matrix is as follows: For a certain marine dynamic environment element, its corresponding The space-time sample matrix X of the daily marine dynamic environment elements in the space to be analyzed in the past years:
- any space-time sample matrix X its matrix dimension is M ⁇ (N ⁇ T), perform singular value decomposition on the space-time sample matrix X, and obtain the eigenvalue of the matrix and the eigenvector corresponding to each eigenvalue, and calculate each feature in turn
- the total proportion of values and the eigenvalues and eigenvectors are arranged in order.
- the eigenvector at this time is the time series of the spatial mode, which contains both spatial information and temporal information, and this eigenvector is called the space-time basis.
- N is the number of spatial grid points
- l is the number of observations
- p is the number of prediction time steps
- M is the number of space-time bases.
- m represents the mth mode.
- Each space-time basis can be regarded as a description of the changing law of a space-time sequence. Therefore, when the regularity of the spatiotemporal sequence in the fitting stage can be described by the spatiotemporal basis, the changes in the spatiotemporal sequence in the prediction stage will also conform to the same rule. From this, future values of the spatiotemporal series are predicted by reconstructing the fitting coefficients and predicting the spatiotemporal basis. Therefore, the spatiotemporal sequence is predicted using the spatiotemporal empirical orthogonal function prediction model that combines the spatiotemporal empirical orthogonal decomposition method with the least squares method.
- the prediction model is as follows:
- the coarse grid corresponds to the long-wave mode
- the fine grid corresponds to the short-wave mode. Since the wavelength or correlation scale is expressed by the thickness of the grid, the background field error covariance matrix degenerates into a simple identity matrix.
- the final analysis result can be expressed as:
- Step 4 The effect of salinity change on density is non-negligible, and making statistical predictions for temperature and salinity separately causes the thermodynamic structure of the ocean state field, which leads to the dynamic instability of the ocean. In order to maintain the consistency of seawater temperature and salinity structure, it is necessary to perform salinity correction after temperature and salinity prediction.
- the present invention uses the aforementioned statistical results to analyze the climatic seasonal characteristics of the temperature-salt relationship in each sea area, and simultaneously analyzes the impact of high-frequency fluctuations of temperature and salt on the temperature-salt relationship, thereby determining the temperature-salt relationship curves and their characteristics in different sea areas and different seasons envelope.
- the nudging method is used to correct the salinity data whose prediction results deviate from the temperature-salt curve.
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Hydrology & Water Resources (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供面向海上平台保障的三维温盐场分析预报方法，基于多源海洋环境资料进行海洋动力环境要素时空分布特征分析和温盐关系特征研究；在时空特征分析和温盐关系特性研究的基础上，利用时空经验正交函数方法构建海洋环境动力要素的统计预报模型；利用海洋环境场动态分析技术，基于海上平台自身观测得到的海温、盐度观测数据对海上平台周边海洋环境预报场进行订正；在温度和盐度预报后利用温盐关系曲线对盐度进行调整，以便于尽量保持温盐关系不偏离其气候态特征。本发明弥补传统的数值预报方法由于气象驱动时效限制而导致的海洋动力环境要素预报时效较短的缺陷，且预报过程不需要高性能计算平台，对计算资源的占用较少。
Description
本发明涉及海上平台的海洋环境保障技术，特别设计一种基于时空经验正交函数(Spatiotemporal Empirical Orthogonal Function,STEOF)和三维变分(Three-Dimensional Variational Assimilation,3D-VAR)的面向海上平台保障的三维温盐场分析预报方法。本发明方法主要应用于舰船、水下/水面无人潜器、海上工程等海上平台在航行时期的海洋动力环境要素中长期分析预报工作，以解决海上平台数值预报产品失效后的大范围长周期海洋环境自主保障的难题。
海洋环境是海上大气环境、边界层海气环境、水下水文环境和海底环境等环境状况的总称。海洋环境保障则是指综合运用海洋科学及其相关科学技术，通过掌握海洋环境背景特征、实时状态和演变特点，诊断预测海洋环境变化规律及未来发展趋势，评估海洋环境影响效应，提出规避或利用海洋环境现象的措施建议，从而确保海洋活动安全、顺利、有效实施的一系列专业活动的统称。
海洋环境保障不仅是一项保障国家海防安全，维护公共社会秩序稳定，为政府提供关于保护、开发及利用海洋环境方面决策的参考信息，提高与海洋相关部门的海洋作业工作效率以及人身和财产安全保障的业务，同时对于国家的海防发展、经济建设、社会稳定、公众健康、海洋环境保护以及海洋资源的开发和利用也具有重要作用。
在海洋环境保障技术体系中，信息获取、分析预报、保障应用技术是最为重要的组成部分。从海洋环境保障技术属性与功能作用角度讲，信息获取是基础、分析预报是核心、保障应用是纽带。分析预报作为海洋环境保障技术体系中的核心组成部分，其预报结果的准确性和实时性对于海洋环境保障具体重要作用。
海洋领域的分析预报主要包含数值预报和统计预报两种模式。尽管数值预报是现阶段海洋环境分析预报的主要手段，但存在诸如运算量大、初始条件不精确及受时效性限制等缺点。因此，迫切需要一种相比于数值预报计算量更少、不受到时效性限制的预报方法来实现海洋动力环境要素的快速准确预报。
统计预报方法作为海洋领域分析预报中的重要手段之一，当样本数据足够大的时候，其能够不考虑研究对象的物理规律而建立数据驱动的预报模型。因此，统计预报方法不存在类似数值预报方法的物理极限限制等问题。目前，全球各大机构在数值预报方面的研究已经趋于成熟，但是对于延伸期以及中长期的预报无法利用传统的数值预报方法来完成，而需要考虑采用统计预报方法来实现。因此，对于海洋统计分析预报方法的研究是十分必要的，对我国海洋环境的精准预报和海洋信息的及时掌握也有着极为重要的作用。
本发明旨在面向舰船、水下/水面无人潜器、海上工程等海上平台的海洋环境保障需求，研制一种基于时空经验正交函数和三维变分的面向海上平台保障的三维温盐场分析预报方法，提高海洋动力环境要素分析预报能力，以解决海上平台数值预报产品失效后的大范围长周期海洋环境自主保障的难题。
发明内容
本发明的目的是为了针对舰船、水下/水面无人潜器、海上工程等海上平台的海洋环境保障需求，提出了一种小型、快速且有效的面向海上平台保障的三维温盐场分析预报方法。该方法可以有效弥补传统的数值预报方法由于气象驱动时效限制而导致的海洋动力环境要素预报时效较短的缺陷，且预报过程不需要高性能计算平台，对计算资源的占用较少。利用本发明的三维温盐场分析预报方法，可以实现对海洋动力环境要素做出时效性为三个月的统计分析预报，为解决海洋数值预报产品失效后的大范围、长周期海洋环境自主保障的难题这一技术难题提供技术支撑，并具有较强的科学意义和应用价值。
本发明的目的是这样实现的：
公开了一种基于时空经验正交函数和三维变分的面向海上平台保障的三维温盐场分析预报方法。
(1)基于多源海洋环境资料进行海洋动力环境要素时空分布特征分析和温盐关系特征研究；
(2)在时空特征分析和温盐关系特性研究的基础上，利用时空经验正交函数方法构建海洋环境动力要素的统计预报模型；
(3)利用海洋环境场动态分析技术，基于海上平台自身观测得到的海温、盐度观测数据对海上平台周边海洋环境预报场进行订正，以提高海上平台周边海洋环境的预报预测精度；
(4)为了保持预报结果中海水温、盐结构的一致性，需要在温度和盐度预报后利用温盐关系曲线对盐度进行调整，以便于尽量保持温盐关系不偏离其气候态特征。
本发明基于卫星遥感、历史统计、再分析等多源海洋环境数据资料，采用统计分析的手段，建立面向海上平台的海水三维温盐场中长期预报模型，并以海上平台数据库存储的历史统计数据、实测环境数据、预报数据等信息为输入，实现目标海域三维温盐场中长期预报的订正。本发明克服了传统海洋数值模式预报方法的受时效性限制的问题，大幅度提高了海洋动力环境要素的中长期预测能力，为解决在海洋数值预报产品失效后，海上平台的大范围、长周期海洋环境自主保障这一技术难题提供技术支撑。
一种面向海上平台保障的三维温盐场分析预报方法，包括以下步骤：
步骤1：基于多源海洋环境资料进行海洋动力环境要素的统计分析，主要包括海洋动力环境要素的时空分布特征分析和海洋动力环境要素的温盐关系特征研究；
采用诸如全球高分辨率海洋再分析产品、海洋环境数值预报产品以及卫星遥感等多源海洋环境资料，对海洋平台保障所需的特定时间空间条件下的各类数据资料进行统计分析。
1)海洋动力环境要素时空分布特征分析
海洋动力环境要素时空分布特征分析主要是对前期观测和再分析资料的预处理分析将要运用到多种时空分析方法包括数据分布检验，方差分析等。对选取的某一要素运用经验正交函数分析方法(Empirical Orthogonal Function,EOF)分析其主要时空分布类型。EOF的基本思想就是把一个时空变化场分解成相对独立的不随时间变化的空间函数和只依赖时间变化的时间函数。EOF的结果是可以得出待分析要素是由几个主要的空间分布型决定的，每个分布型都有各自相应的时间变化，形成不同时间各空间型的不同强度。
对于极端事件分析，运用极值统计方法和广义极值统计方法计算某要素达到一定强度时在各个海域的回归周期以及某一回归周期下的要素值。这一步研究分析的目的是提供海洋基本背景资料并对季节以上的航海规划提供参考。
2)温盐关系特征研究
温盐关系特征研究主要是基于上述海洋要素时空分布特征的统计分析，利用再分析数据产品和温、盐历史观测剖面数据对各个海区不同时间尺度的温度、盐度相关关系统计进行分析。确定各海区不同时间尺度上的温盐特征曲线，为盐度矫正提供数据基础。
步骤2：在时空特征分析和温盐关系特性研究的基础上，利用时空经验正交函数方法构建海洋环境动力要素的统计预报模型。基于待分析预测海域的高分辨率海洋再分析产品，构建待分析空间的历年日海洋动力环境要素时空样本矩阵，所述时空样本矩阵的构建方法如下：针对某种海洋动力环境要素，其对应的待分析空间历年逐日海洋动力环境要素时空样本矩阵X：
式中，X表示历年逐日海洋动力环境要素时空样本矩阵，n表示空间网格点的数量，t表示时间序列的数量，m表示年样本的数量。
对任一时空样本矩阵X，其矩阵维度为M×(N×T)，对时空样本矩阵X进行奇异值分解，并得到该矩阵的特征值和各特征值对应的特征向量，依次计算各个特征值总占比并按顺序对特征值及特征向量进行排列。此时的特征向量为空间模态的时间序列，其中既包含空间信息又包含时间信息，将这种特征向量称之为时空基底。
由于求解时空样本矩阵X的协方差矩阵的特征值和特征向量通常采用Jacobi迭代方法，当矩阵的秩较大时，Jacobi迭代方法的计算量很大。时空网格点的个数N×T远大于周期数M，因此需要进行时空变换以降低计算量。显然，C＝X·X
T和C
*＝X
T·X具有相同的非零特征值，但它们的特征向量不同。因此，通过矩阵变换得到C
*矩阵的特征向量后，可以计算出C矩阵的特征向量，令X
i与其转置阵的乘积如下式所示：
特征向量V
M×M得：
C
*×V
*＝V
*×Λ (3)
式中，Λ为特征值对应的对角方阵，即：
其中，λ
1＞…＞λ
m＞…＞λ
M，且λ≥0。
任一特征向量V
m如下式所示：
式中，每一列特征向量值都有一个非0的特征值与其一一对应，这个操作称作时空经验正交分解。时空经验正交分解得到的特征向量是空间模态的时间序列，既包含空间信息又包含时间信息，我们称之为时空基。每个时空基表示空间模式随时间的变化过程。因此，时空经验正交分解方法基于历史数据提取空间模式时间变化的主要特征。
将时空模态投影到矩阵X
i上可以得到其对应的主成分，即：
PC
M×(N×T)＝V
T
M×(N×T)×X
iM×(N×T) (6)
主成分是每个时空特征向量所对应的时空系数。时空系数中所有行向量都与特征向量的主成分相对应，第一行PC(1,:)就是第一个时空模态的主成分，依次类推。
利用所提出的时空经验正交函数分解方法，可以将待分析区域的海洋动力环境要素预报问题由时间外推问题转变为一个从历史时间序列变化中找寻相似过程的问题。利用多个时空序列的分解结果建立了一组时空基，并利用时空观测和时空基础来预测时空序列。
定义时空观测值O
i如下式所示：
O
i＝[o
1,t-l…o
N,t-l…o
1,t-l+i…o
N,t-l+i…o
1,t…o
N,t]
T (7)
式中，O
i表示时空观测，t表示预测开始时间，n表示空间网格点的数目，l是观测次数。
时空基H
i被分为两部分：一部分是与时空观测具有相同周期的拟合时空基H
i,f，另一部分是预测时空基H
i,p。
对历史长期时间分解出的时空基底，空间时序阵可以分为两部分：与观测数据时间相同的拟合空间时序阵H
i,f和与预报时间相同的预报空间时序阵H
i,p。
式中，其中，t表示预测开始时间，N表示空间网格点的数目，l表示观测次数，p是预测时间步数，以及M是时空基的个数。
时空矩阵的特征向量彼此正交，即时空基是线性独立的。对于线性无关的基函数，最小二乘估计(LSE)是最优的拟合方法。使用最小二乘估计方法求解时空观测值的拟合系数和拟合时空基。拟合系数是时空观测在每个时空基上的投影，描述了一组观测与时空基之间的相似性：
O
i＝H
i,f S
i (11)
式中，S表示拟合系数，如下所示：
S
i＝[S
i,1…S
i,m…S
i,M] (12)
式中，m表示第m个模态。
每个时空基都可视为一个时空序列的变化规律的描述。因此，当拟合阶段时空序列的规 律可由时空基描述时，会导致预测阶段时空序列的变化也符合相同规律。据此，通过重构拟合系数和预测时空基来预测时空序列的未来值。因此，使用将时空经验正交分解方法与最小二乘法相结合时空经验正交函数预测模型的来预测时空序列，预测模型如下式所示：
式中，Y表示时空预测结果，N表示空间网格点的数量，t表示个预测开始时间，p表示预测时间步数。
步骤3：利用海洋环境场动态分析技术，基于海上平台自身观测得到的海温、盐度观测数据对海上平台周边海洋环境预报场进行订正，以提高海上平台周边海洋环境的预报预测精度。
海上平台周边海洋环境场动态分析技术，目的是建立安装在海上平台上的模块化数据同化系统。相比于岸基模块化数据同化系统来说，海上平台海洋环境动态分析系统更为小型化、数据处理和实现途径更加灵活，且具有水面以下海洋环境场的分析预报功能。同时由于海上平台航行过程中，获取观测资料的手段有限，实时观测数据较少，因此海上平台海洋环境动态分析技术有其特殊性。实现海上平台的海洋环境动态分析需要解决如下技术难题：海洋环境背景场构造、三维温盐场反演技术、海上平台观测资料同化等。
1)海洋环境背景场的构造
海洋环境背景场的构造，结合海上平台上特点，根据可获得的数据情况，拟采用如下三种方式获取海洋环境背景场：
a)当能够获得岸基保障部门传输的岸基海洋数值预报产品时，在出航前将其装载到海上平台海洋环境数据库中，并以其作为背景场，使用多尺度海洋数据同化方法，同化海上平台实时/准实时多源海洋观测资料，形成海上平台周边高精度的海洋环境实况分析场。
b)当无法获取岸基数值预报产品时，可直接下载网上公开的实时/准实时卫星遥感海表温度和卫星高度计数据，并在出航前将其装载到海上平台海洋环境数据平台上，随后基于海上平台实况分析系统进行水下温、盐数据反演。反演得到的三维温、盐场可作为初始场进行惯性预报，在出航前较短时间内为海洋环境动态分析提供背景场，完成水下运载器周边海洋环境场实况分析产品的制作。
c)当海上平台出航时间已经较长(15天以上)，基于岸基装载预报产品失效时，以再分析或的统计预测产品为基础，基于海上平台实况分析系统进行水下温、盐数据反演，完成水下运载器周边海洋环境场实况分析产品的制作。
2)三维温盐场反演技术
三维温盐场反演是在无法获得岸基预报产品和实时再分析数据产品时，利用卫星遥感数 据反演三维温、盐场是获得海洋环境场的主要手段。出航前，利用下载的卫星海面温度和海面高度异常数据反演得到三维温、盐场，并以此为基础进行温度和盐度的统计预测或惯性预测构造动态分析背景场。其主要技术流程包括：静态温、盐气候场的构造、动态背景场的构造、三维温、盐场反演等。
a)构造温度静态气候场
以温度的气候态分析产品(如WOA01)作为初猜场，采用最优插值数据同化技术，同化处理和质量控制后的历史温度剖面观测资料，形成不同水深层次、各水平网格点上温度静态气候场产品。
在位置j处的温度观测数据
通过最优插值法形成每个格点位置i，深度上第k层的气候学温度数据
其中，
为气候态背景场(例如WOA01等)。
上式中权重系数w
i,j通过下面的方程求解：
C
iW
i＝F
i (15)
其中，w
i,j(j＝1,…,N)为矩阵W
i的元素，c
m,n为矩阵C
i的元素，等于初始猜测温度的误差协方差
与不同观测位置观测误差r
m和r
n的协方差
之和。
b)构造盐度静态气候场
利用经严格质量控制和精细处理后的温度和盐度剖面历史观测资料，针对不同区域、网格和不同时段，采用回归分析方法，建立由温度反演盐度的经验回归模型。
其中，
式中，b
i,j为局域相关函数：
b
i,j＝exp{-[(x
i-x
j)/L
x]
2-[(y
i-y
j)/L
y]
2-[(t
i-t
j)/L
t]
2} (20)
其中，x和y分别为经向、纬向的位置；t为时间；L
x、L
y和L
t分别为长度和时间相关尺度。
将温度静态气候场代入上述建立的温盐相关关系模型，生成不同水深层次、各水平网格点上盐度静态气候场产品。
c)由SST反演温度剖面
在对历史温度观测资料进行大量严格分析的基础上，建立由SST反演温度剖面的经验回归模型：
其中，T
i,k(SST)为由海面温度反演的格点i、深度k处的温度值，
为温度的平均值，SST为海面温度，
为回归系数。
d)由SSH反演温度剖面
在对历史温度和盐度观测资料进行大量严格分析的基础上，建立由SSH反演温度剖面的经验回归模型：
其中，T
i,k(h)为由海面高度反演的格点i、深度k处的温度值，
为回归系数，h、
分别为动力高度异常(偏差)及其平均值。
动力高度异常(偏差)由下式计算：
其中，v为海水比容，v(0,35,p)为海水温度为0℃、盐度为35psu时的海水比容，H为水深。
为了尽可能地利用更多的温盐剖面资料进行回归分析，需要利用经严格质量控制的温度和盐度剖面历史观测资料，对未达到海底深度的温度和盐度观测资料，通过反复试验，建立基于经验正交函数分析(EOF)方法的温度剖面延拓模型；利用该模型对未达到所要求深度的温度观测资料进行外延，延伸至海底，以便获得整个温度盐度剖面。对于盐度缺测的剖面，利用上述建立的温盐关系模型，由温度剖面获得盐度剖面。
完整的温度剖面通过将合成的温度剖面
叠加到观测未到海底的观测剖面上：
其中，L
z为垂向相关尺度，z
k＞z
kmax。
合成的温度剖面
是由观测未到海底的温度剖面观测拟合到温度平均值并叠加最大特征值所对应的经验正交函数E
k计算得到的：
其中，g
j为最大的正交函数的振幅，由下式计算：
式中，权重w定义为w
k＝(z
k-z
k-1)
1/4,k＝2,…,M
j,w
1＝w
2。
e)由SST和SSH联合反演温度剖面
在对历史温度和盐度观测资料进行大量严格分析的基础上，建立由SST和SSH反演温度剖面的经验回归模型：
其中，T
i,k(sst,h)为由海面温度和海面高度异常(偏差)反演的格点i、深度k处的温度值，
和
为回归系数。
3)海上平台观测资料同化
为了尽量提高动态分析的精度，利用海上平台温、盐实时观测资料对海洋环境动态背景场进行进一步订正。本发明拟采用多重网格三维变分同化技术对背景场进行订正。该方法能够从长波到短波依次快速提取观测系统中的多尺度信息，并且占用内存小、运算速度快，很适合应用于海上平台上搭载的计算机。在多重网格三维变分数据同化中，可以使用粗网格的目标泛函对长波信息进行分析，而使用细网格的目标泛函对短波信息进行分析。因此，多重网格三维变分数据同化方法中目标泛函应采用如下式所示：
其中，
式中，n表示第n重网格，n＝1,2,3,…,N,X
b是模式背景场(预报场)矢量，X
a是分析场矢量，Y
obs是观测场矢量；O是观测场误差协方差矩阵；H是从模式网格到观测点的双线性插值算符；X为控制变量，它代表相对模式背景场矢量的修正矢量，Y是观测场与模式背景场的差值，而
式中，粗网格对应长波模态，细网格对应短波模态。由于波长或相关尺度由网格的粗细来表达，因此背景场误差协方差矩阵就退化为简单的单位矩阵。最终分析结果就可以表示为：
在由粗到细的网格上，依次对观测场相对于背景场的增量进行三维变分分析，在每次分析的过程中，将上次较粗网格上分析得到的分析场，作为新的背景场代入到下次较细网格的分析中，而每次分析的增量，也是指相对于上次较粗网格分析得到的新背景场而言的增量，最后将各重网格的分析结果相叠加，得到最终的分析结果。在上述多重网格三维变方法中，拟将海洋环境要素的垂向梯度作为约束条件引入目标泛函，从而改善对跃层的分析能力。
步骤4：盐度变化对密度的影响是不可忽略的，而分别对温度和盐度进行统计预报会引起海洋状态场的热力学结构，从而导致海洋的动力不稳定。为了保持海水温盐结构的一致性，需要在温度和盐度预报后进行盐度订正。
目前国际上存在许多盐度调整方案，欧洲中期天气预报中心(ECMWF)通过改变温盐廓线来调整盐度；美国NCEP利用三维变分方法，通过海面高度和温度观测资料来调整温盐。本发明借鉴ECMWF的盐度调整方案，在温度、盐度统计预报后，利用温盐关系曲线对盐度进行调整，尽量保持温盐关系不偏离其气候态特征。
本发明采用前述统计结果，分析各海区温盐关系的气候态季节特征，同时分析温、盐高频波动对其温盐关系的影响，从而确定不同海区、不同季节内温盐关系曲线及其特征包络线。对预报结果偏离温盐曲线的盐度数据利用nudging方法进行矫正。
与现有技术相比，本发明的有益效果是：
本发明基于卫星遥感、历史统计、再分析等多源海洋环境数据资料，采用统计分析的手段，建立面向海上平台的海水三维温盐场中长期预报模型，并以海上平台数据库存储的历史统计数据、实测环境数据、预报数据等信息为输入，实现目标海域三维温盐场中长期预报的订正。本发明克服了传统海洋数值模式预报方法的受时效性限制的问题，大幅度提高了海洋动力环境要素的中长期预测能力，为解决在海洋数值预报产品失效后，海上平台的大范围、长周期海洋环境自主保障这一技术难题提供技术支撑。
图1：本发明方法流程图；
图2：本发明方法的海洋环境背景场选择方式图；
图3：本发明方法的三维温盐场反演流程图；
图4：本发明时效为90天的海温分析预报结果对比图；
图4a为本发明海温预报时效为90天的观测结果；
图4b为本发明海温预报时效为90天的分析预报结果。
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明所采用的技术方案是：一种面向海上平台保障的三维温盐场分析预报方法，包括以下步骤：
步骤1：基于多源海洋环境资料进行海洋动力环境要素的统计分析，主要包括海洋动力环境要素的时空分布特征分析和海洋动力环境要素的温盐关系特征研究；
采用诸如全球高分辨率海洋再分析产品、海洋环境数值预报产品以及卫星遥感等多源海洋环境资料，对海洋平台保障所需的特定时间空间条件下的各类数据资料进行统计分析，主要包括海洋动力环境要素的时空分布特征分析和海洋动力环境要素的温盐关系特征研究；
1)海洋动力环境要素时空分布特征分析
海洋动力环境要素时空分布特征分析主要是对前期观测和再分析资料的预处理分析将要运用到多种时空分析方法包括数据分布检验，方差分析等。对选取的某一要素运用经验正交函数分析方法(Empirical Orthogonal Function,EOF)分析其主要时空分布类型。EOF的基本思想就是把一个时空变化场分解成相对独立的不随时间变化的空间函数和只依赖时间变化的时间函数。EOF的结果是可以得出待分析要素是由几个主要的空间分布型决定的，每个分布型都有各自相应的时间变化，形成不同时间各空间型的不同强度。
对于极端事件分析，运用极值统计方法和广义极值统计方法计算某要素达到一定强度时在各个海域的回归周期以及某一回归周期下的要素值。这一步研究分析的目的是提供海洋基本背景资料并对季节以上的航海规划提供参考。
2)温盐关系特征研究
温盐关系特征研究主要是基于上述海洋要素时空分布特征的统计分析，利用再分析数据产品和温、盐历史观测剖面数据对各个海区不同时间尺度的温度、盐度相关关系统计进行分析。确定各海区不同时间尺度上的温盐特征曲线，为盐度矫正提供数据基础。
步骤2：在时空特征分析和温盐关系特性研究的基础上，利用时空经验正交函数方法构建海洋环境动力要素的统计预报模型。基于待分析预测海域的高分辨率海洋再分析产品，构建待分析空间的历年日海洋动力环境要素时空样本矩阵，所述时空样本矩阵的构建方法如下：针对某种海洋动力环境要素，其对应的待分析空间历年逐日海洋动力环境要素时空样本矩阵X：
式中，X表示历年逐日海洋动力环境要素时空样本矩阵，n表示空间网格点的数量，t表示时间序列的数量，m表示年样本的数量。
对任一时空样本矩阵X，其矩阵维度为M×(N×T)，对时空样本矩阵X进行奇异值分解，并得到该矩阵的特征值和各特征值对应的特征向量，依次计算各个特征值总占比并按顺序对特征值及特征向量进行排列。此时的特征向量为空间模态的时间序列，其中既包含空间信息又包含时间信息，将这种特征向量称之为时空基底。
由于求解时空样本矩阵X的协方差矩阵的特征值和特征向量通常采用Jacobi迭代方法，当矩阵的秩较大时，Jacobi迭代方法的计算量很大。时空网格点的个数N×T远大于周期数M，因此需要进行时空变换以降低计算量。显然，C＝X·X
T和C
*＝X
T·X具有相同的非零特征值，但它们的特征向量不同。因此，通过矩阵变换得到C
*矩阵的特征向量后，可以计算出C矩阵的特征向量，令X
i与其转置阵的乘积如下式所示：
特征向量V
M×M得：
C
*×V
*＝V
*×Λ (3)
式中，Λ为特征值对应的对角方阵，即：
其中，λ
1＞…＞λ
m＞…＞λ
M，且λ≥0。
任一特征向量V
m如下式所示：
式中，每一列特征向量值都有一个非0的特征值与其一一对应，这个操作称作时空经验正交分解。时空经验正交分解得到的特征向量是空间模态的时间序列，既包含空间信息又包含时间信息，我们称之为时空基。每个时空基表示空间模式随时间的变化过程。因此，时空经验正交分解方法基于历史数据提取空间模式时间变化的主要特征。
将时空模态投影到矩阵X
i上可以得到其对应的主成分，即：
PC
M×(N×T)＝V
T
M×(N×T)×X
iM×(N×T) (6)
主成分是每个时空特征向量所对应的时空系数。时空系数中所有行向量都与特征向量的主成分相对应，第一行PC(1,:)就是第一个时空模态的主成分，依次类推。
利用所提出的时空经验正交函数分解方法，可以将待分析区域的海洋动力环境要素预报问题由时间外推问题转变为一个从历史时间序列变化中找寻相似过程的问题。利用多个时空序列的分解结果建立了一组时空基，并利用时空观测和时空基础来预测时空序列。
定义时空观测值O
i如下式所示：
O
i＝[o
1,t-l…o
N,t-l…o
1,t-l+i…o
N,t-l+i…o
1,t…o
N,t]
T (7)
式中，O
i表示时空观测，t表示预测开始时间，n表示空间网格点的数目，l是观测次数。
时空基H
i被分为两部分：一部分是与时空观测具有相同周期的拟合时空基H
i,f，另一部分是预测时空基H
i,p。
对历史长期时间分解出的时空基底，空间时序阵可以分为两部分：与观测数据时间相同的拟合空间时序阵H
i,f和与预报时间相同的预报空间时序阵H
i,p。
式中，其中，t表示预测开始时间，N表示空间网格点的数目，l表示观测次数，p是预测时 间步数，以及M是时空基的个数。
时空矩阵的特征向量彼此正交，即时空基是线性独立的。对于线性无关的基函数，最小二乘估计(LSE)是最优的拟合方法。使用最小二乘估计方法求解时空观测值的拟合系数和拟合时空基。拟合系数是时空观测在每个时空基上的投影，描述了一组观测与时空基之间的相似性：
O
i＝H
i,f S
i (11)
式中，S表示拟合系数，如下所示：
S
i＝[S
i,1…S
i,m…S
i,M] (12)
式中，m表示第m个模态。
每个时空基都可视为一个时空序列的变化规律的描述。因此，当拟合阶段时空序列的规律可由时空基描述时，会导致预测阶段时空序列的变化也符合相同规律。据此，通过重构拟合系数和预测时空基来预测时空序列的未来值。因此，使用将时空经验正交分解方法与最小二乘法相结合时空经验正交函数预测模型的来预测时空序列，预测模型如下式所示：
式中，Y表示时空预测结果，N表示空间网格点的数量，t表示个预测开始时间，p表示预测时间步数。
步骤3：利用海洋环境场动态分析技术，基于海上平台自身观测得到的海温、盐度观测数据对海上平台周边海洋环境预报场进行订正，以提高海上平台周边海洋环境的预报预测精度。
海上平台周边海洋环境场动态分析技术，目的是建立安装在海上平台上的模块化数据同化系统。相比于岸基模块化数据同化系统来说，海上平台海洋环境动态分析系统更为小型化、数据处理和实现途径更加灵活，且具有水面以下海洋环境场的分析预报功能。同时由于海上平台航行过程中，获取观测资料的手段有限，实时观测数据较少，因此海上平台海洋环境动态分析技术有其特殊性。实现海上平台的海洋环境动态分析需要解决如下技术难题：海洋环境背景场构造、三维温盐场反演技术、海上平台观测资料同化等。
1)海洋环境背景场的构造
海洋环境背景场的构造，结合海上平台上特点，根据可获得的数据情况，拟采用如下三种方式获取海洋环境背景场，不同背景场的选择方式如图2所示。
a)当能够获得岸基保障部门传输的岸基海洋数值预报产品时，在出航前将其装载到海上平台海洋环境数据库中，并以其作为背景场，使用多尺度海洋数据同化方法，同化海上平台实时/准实时多源海洋观测资料，形成海上平台周边高精度的海洋环境实况分析场。
b)当无法获取岸基数值预报产品时，可直接下载网上公开的实时/准实时卫星遥感海表温度和卫星高度计数据，并在出航前将其装载到海上平台海洋环境数据平台上，随后基于海上平台实况分析系统进行水下温、盐数据反演。反演得到的三维温、盐场可作为初始场进行惯性预报，在出航前较短时间内为海洋环境动态分析提供背景场，完成水下运载器周边海洋环境场实况分析产品的制作。
c)当海上平台出航时间已经较长(15天以上)，基于岸基装载预报产品失效时，以再分析或的统计预测产品为基础，基于海上平台实况分析系统进行水下温、盐数据反演，完成水下运载器周边海洋环境场实况分析产品的制作。
2)三维温盐场反演技术
三维温盐场反演是在无法获得岸基预报产品和实时再分析数据产品时，利用卫星遥感数据反演三维温、盐场是获得海洋环境场的主要手段。出航前，利用下载的卫星海面温度和海面高度异常数据反演得到三维温、盐场，并以此为基础进行温度和盐度的统计预测或惯性预测构造动态分析背景场。其主要技术流程包括：静态温、盐气候场的构造、动态背景场的构造、三维温、盐场反演等。三维温盐场反演流程如图3所示。
a)构造温度静态气候场
以温度的气候态分析产品(如WOA01)作为初猜场，采用最优插值数据同化技术，同化处理和质量控制后的历史温度剖面观测资料，形成不同水深层次、各水平网格点上温度静态气候场产品。
在位置j处的温度观测数据
通过最优插值法形成每个格点位置i，深度上第k层的气候学温度数据
其中，
为气候态背景场(例如WOA01等)。
上式中权重系数w
i,j通过下面的方程求解：
C
iW
i＝F
i (15)
其中，w
i,j(j＝1,…,N)为矩阵W
i的元素，c
m,n为矩阵C
i的元素，等于初始猜测温度的误差协方差
与不同观测位置观测误差r
m和r
n的协方差
之和。
b)构造盐度静态气候场
利用经严格质量控制和精细处理后的温度和盐度剖面历史观测资料，针对不同区域、网格和不同时段，采用回归分析方法，建立由温度反演盐度的经验回归模型。
其中，
式中，b
i,j为局域相关函数：
b
i,j＝exp{-[(x
i-x
j)/L
x]
2-[(y
i-y
j)/L
y]
2-[(t
i-t
j)/L
t]
2} (20)
其中，x和y分别为经向和纬向的位置；t为时间；L
x、L
y和L
t分别为长度和时间相关尺度。
将温度静态气候场代入上述建立的温盐相关关系模型，生成不同水深层次、各水平网格点上盐度静态气候场产品。
c)由SST反演温度剖面
在对历史温度观测资料进行大量严格分析的基础上，建立由SST反演温度剖面的经验回归模型：
其中，T
i,k(SST)为由海面温度反演的格点i、深度k处的温度值，
为温度的平均值，SST为海面温度，
为回归系数。
d)由SSH反演温度剖面
在对历史温度和盐度观测资料进行大量严格分析的基础上，建立由SSH反演温度剖面的经验回归模型：
其中，T
i,k(h)为由海面高度反演的格点i、深度k处的温度值，
为回归系数，h、
分别为动力高度异常(偏差)及其平均值。
动力高度异常(偏差)由下式计算：
其中，v为海水比容，v(0,35,p)为海水温度为0℃、盐度为35psu时的海水比容，H为水深。
为了尽可能地利用更多的温盐剖面资料进行回归分析，需要利用经严格质量控制的温度和盐度剖面历史观测资料，对未达到海底深度的温度和盐度观测资料，通过反复试验，建立基于经验正交函数分析(EOF)方法的温度剖面延拓模型；利用该模型对未达到所要求深度的温度观测资料进行外延，延伸至海底，以便获得整个温度盐度剖面。对于盐度缺测的剖面，利用上述建立的温盐关系模型，由温度剖面获得盐度剖面。
完整的温度剖面通过将合成的温度剖面
叠加到观测未到海底的观测剖面上：
其中，L
z为垂向相关尺度，z
k＞z
kmax。
合成的温度剖面
是由观测未到海底的温度剖面观测拟合到温度平均值并叠加最大特征值所对应的经验正交函数E
k计算得到的：
其中，g
j为最大的正交函数的振幅，由下式计算：
式中，权重w定义为w
k＝(z
k-z
k-1)
1/4,k＝2,…,M
j,w
1＝w
2。
e)由SST和SSH联合反演温度剖面
在对历史温度和盐度观测资料进行大量严格分析的基础上，建立由SST和SSH反演温度剖面的经验回归模型：
其中，T
i,k(sst,h)为由海面温度和海面高度异常(偏差)反演的格点i、深度k处的温度值，
和
为回归系数。
3)海上平台观测资料同化
为了尽量提高动态分析的精度，利用海上平台温、盐实时观测资料对海洋环境动态背景场进行进一步订正。本发明拟采用多重网格三维变分同化技术对背景场进行订正。该方法能够从长波到短波依次快速提取观测系统中的多尺度信息，并且占用内存小、运算速度快，很适合应用于海上平台上搭载的计算机。在多重网格三维变分数据同化中，可以使用粗网格的目标泛函对长波信息进行分析，而使用细网格的目标泛函对短波信息进行分析。因此，多重网格三维变分数据同化方法中目标泛函应采用如下式所示：
其中，
式中，n表示第n重网格，n＝1,2,3,…,N,X
b是模式背景场(预报场)矢量，X
a是分析场矢量，Y
obs是观测场矢量；O是观测场误差协方差矩阵；H是从模式网格到观测点的双线性插值算符；X为控制变量，它代表相对模式背景场矢量的修正矢量，Y是观测场与模式背景场的差值，而
式中，粗网格对应长波模态，细网格对应短波模态。由于波长或相关尺度由网格的粗细来表达，因此背景场误差协方差矩阵就退化为简单的单位矩阵。最终分析结果就可以表示为：
在由粗到细的网格上，依次对观测场相对于背景场的增量进行三维变分分析，在每次分析的过程中，将上次较粗网格上分析得到的分析场，作为新的背景场代入到下次较细网格的分析中，而每次分析的增量，也是指相对于上次较粗网格分析得到的新背景场而言的增量，最后将各重网格的分析结果相叠加，得到最终的分析结果。在上述多重网格三维变方法中，拟将海洋环境要素的垂向梯度作为约束条件引入目标泛函，从而改善对跃层的分析能力。
步骤4：盐度变化对密度的影响是不可忽略的，而分别对温度和盐度进行统计预报会引起海洋状态场的热力学结构，从而导致海洋的动力不稳定。为了保持海水温盐结构的一致性，需要在温度和盐度预报后进行盐度订正。
目前国际上存在许多盐度调整方案，欧洲中期天气预报中心(ECMWF)通过改变温盐廓线来调整盐度；美国NCEP利用三维变分方法，通过海面高度和温度观测资料来调整温盐。本发明借鉴ECMWF的盐度调整方案，在温度、盐度统计预报后，利用温盐关系曲线对盐度进行调整，尽量保持温盐关系不偏离其气候态特征。
本发明采用前述统计结果，分析各海区温盐关系的气候态季节特征，同时分析温、盐高频波动对其温盐关系的影响，从而确定不同海区、不同季节内温盐关系曲线及其特征包络线。对预报结果偏离温盐曲线的盐度数据利用nudging方法进行矫正。
Claims (3)
- 一种面向海上平台保障的三维温盐场分析预报方法，其特征是，包括如下步骤：(1)基于多源海洋环境资料进行海洋动力环境要素时空分布特征分析和温盐关系特征研究；(2)在时空特征分析和温盐关系特性研究的基础上，利用时空经验正交函数方法构建海洋环境动力要素的统计预报模型；(3)利用海洋环境场动态分析技术，基于海上平台自身观测得到的海温、盐度观测数据对海上平台周边海洋环境预报场进行订正，以提高海上平台周边海洋环境的预报预测精度；(4)为了保持预报结果中海水温、盐结构的一致性，需要在温度和盐度预报后利用温盐关系曲线对盐度进行调整，以便于尽量保持温盐关系不偏离其气候态特征.
- 根据权利要求1所述的一种面向海上平台保障的三维温盐场分析预报方法，其特征是，所述步骤(2)包括：所述时空样本矩阵的构建方法如下：针对某种海洋动力环境要素，其对应的待分析空间历年逐日海洋动力环境要素时空样本矩阵X：
式中，X表示历年逐日海洋动力环境要素时空样本矩阵，n表示空间网格点的数量，t表示时间序列的数量，m表示年样本的数量；对任一时空样本矩阵X，其矩阵维度为M×(N×T)，对时空样本矩阵X进行奇异值分解，并得到该矩阵的特征值和各特征值对应的特征向量，依次计算各个特征值总占比并按顺序对特征值及特征向量进行排列，此时的特征向量为空间模态的时间序列，其中既包含空间信息又包含时间信息，将这种特征向量称之为时空基底；通过矩阵变换得到C *矩阵的特征向量后，可以计算出C矩阵的特征向量，令X i与其转置阵的乘积如下式所示：
特征向量V M×M得：C *×V *＝V *×Λ (3)式中，Λ为特征值对应的对角方阵，即：
其中，λ 1＞…＞λ m＞…＞λ M，且λ≥0；任一特征向量V m如下式所示：
式中，每一列特征向量值都有一个非0的特征值与其一一对应，这个操作称作时空经验正交分解；时空经验正交分解得到的特征向量是空间模态的时间序列，既包含空间信息又包含时间信息，我们称之为时空基；每个时空基表示空间模式随时间的变化过程；因此，时空经验正交分解方法基于历史数据提取空间模式时间变化的主要特征；将时空模态投影到矩阵X i上可以得到其对应的主成分，即：PC M×(N×T)＝V T M×(N×T)×X iM×(N×T) (6)主成分是每个时空特征向量所对应的时空系数；时空系数中所有行向量都与特征向量的主成分相对应，第一行PC(1,:)就是第一个时空模态的主成分，依次类推；利用多个时空序列的分解结果建立了一组时空基，并利用时空观测和时空基础来预测时空序列；定义时空观测值O i如下式所示：O i＝[o 1,t-l…o N,t-l…o 1,t-l+i…o N,t-l+i…o 1,t…o N,t] T (7)式中，O i表示时空观测，t表示预测开始时间，n表示空间网格点的数目，l是观测次数；时空基H i被分为两部分：一部分是与时空观测具有相同周期的拟合时空基H i,f，另一部分是预测时空基H i,p；
对历史长期时间分解出的时空基底，空间时序阵可以分为两部分：与观测数据时间相同的拟合空间时序阵H i,f和与预报时间相同的预报空间时序阵H i,p；
式中，其中，t表示预测开始时间，N表示空间网格点的数目，l表示观测次数，p是预测时间步数，以及M是时空基的个数；时空矩阵的特征向量彼此正交，即时空基是线性独立的，使用最小二乘估计方法求解时空观测值的拟合系数和拟合时空基，拟合系数是时空观测在每个时空基上的投影，描述了一组观测与时空基之间的相似性：O i＝H i,fS i (11)式中，S表示拟合系数，如下所示：S i＝[S i,1…S i,m…S i,M] (12)式中，m表示第m个模态；使用将时空经验正交分解方法与最小二乘法相结合时空经验正交函数预测模型的来预测时空序列，预测模型如下式所示：
式中，Y表示时空预测结果，N表示空间网格点的数量，t表示个预测开始时间，p表示预测时间步数。 - 根据权利要求1所述的一种面向海上平台保障的三维温盐场分析预报方法，其特征是，所述步骤(3)包括：1)海洋环境背景场的构造海洋环境背景场的构造，结合海上平台上特点，根据可获得的数据情况，拟采用如下三种方式获取海洋环境背景场：a)当能够获得岸基保障部门传输的岸基海洋数值预报产品时，在出航前将其装载到海上平台海洋环境数据库中，并以其作为背景场，使用多尺度海洋数据同化方法，同化海上平台 实时/准实时多源海洋观测资料，形成海上平台周边高精度的海洋环境实况分析场；b)当无法获取岸基数值预报产品时，可直接下载网上公开的实时/准实时卫星遥感海表温度和卫星高度计数据，并在出航前将其装载到海上平台海洋环境数据平台上，随后基于海上平台实况分析系统进行水下温、盐数据反演；反演得到的三维温、盐场可作为初始场进行惯性预报，在出航前较短时间内为海洋环境动态分析提供背景场，完成水下运载器周边海洋环境场实况分析产品的制作；c)当海上平台出航时间已经较长，15天以上，基于岸基装载预报产品失效时，以再分析或的统计预测产品为基础，基于海上平台实况分析系统进行水下温、盐数据反演，完成水下运载器周边海洋环境场实况分析产品的制作；2)三维温盐场反演技术三维温盐场反演是在无法获得岸基预报产品和实时再分析数据产品时，利用卫星遥感数据反演三维温、盐场是获得海洋环境场的主要手段；出航前，利用下载的卫星海面温度和海面高度异常数据反演得到三维温、盐场，并以此为基础进行温度和盐度的统计预测或惯性预测构造动态分析背景场；其主要技术流程包括：静态温、盐气候场的构造、动态背景场的构造、三维温、盐场反演等；a)构造温度静态气候场以温度的气候态分析产品(如WOA01)作为初猜场，采用最优插值数据同化技术，同化处理和质量控制后的历史温度剖面观测资料，形成不同水深层次、各水平网格点上温度静态气候场产品；在位置j处的温度观测数据通过最优插值法形成每个格点位置i，深度上第k层的气候学温度数据
其中，为气候态背景场(例如WOA01等)；
上式中权重系数w i,j通过下面的方程求解：C iW i＝F i (15)其中，w i,j(j＝1,…,N)为矩阵W i的元素，c m,n为矩阵C i的元素，等于初始猜测温度的误差协方差与不同观测位置观测误差r m和r n的协方差
之和；
b)构造盐度静态气候场利用经严格质量控制和精细处理后的温度和盐度剖面历史观测资料，针对不同区域、网格和不同时段，采用回归分析方法，建立由温度反演盐度的经验回归模型；其中，
式中，b i,j为局域相关函数：b i,j＝exp{-[(x i-x j)/L x] 2-[(y i-y j)/L y] 2-[(t i-t j)/L t] 2} (20)其中，x和y分别为经向、纬向的位置；t为时间；L x、L y和L t分别为长度和时间相关尺度；将温度静态气候场代入上述建立的温盐相关关系模型，生成不同水深层次、各水平网格点上盐度静态气候场产品；c)由SST反演温度剖面在对历史温度观测资料进行大量严格分析的基础上，建立由SST反演温度剖面的经验回归模型：
其中，T i,k(SST)为由海面温度反演的格点i、深度k处的温度值，为温度的平均值，SST为海面温度，
为回归系数；
d)由SSH反演温度剖面在对历史温度和盐度观测资料进行大量严格分析的基础上，建立由SSH反演温度剖面的经验回归模型：
其中，T i,k(h)为由海面高度反演的格点i、深度k处的温度值，为回归系数，h、
分别为动力高度异常(偏差)及其平均值；
动力高度异常(偏差)由下式计算：
其中，v为海水比容，v(0,35,p)为海水温度为0℃、盐度为35psu时的海水比容，H为水深；建立基于经验正交函数分析方法的温度剖面延拓模型；对于盐度缺测的剖面，利用上述建立的温盐关系模型，由温度剖面获得盐度剖面；完整的温度剖面通过将合成的温度剖面叠加到观测未到海底的观测剖面上：
其中，L z为垂向相关尺度，z k＞z kmax；合成的温度剖面是由观测未到海底的温度剖面观测拟合到温度平均值并叠加最大特征值所对应的经验正交函数E k计算得到的：
其中，g j为最大的正交函数的振幅，由下式计算：
式中，权重w定义为w k＝(z k-z k-1) 1/4,k＝2,…,M j,w 1＝w 2；e)由SST和SSH联合反演温度剖面在对历史温度和盐度观测资料进行大量严格分析的基础上，建立由SST和SSH反演温度剖面的经验回归模型：
其中，T i,k(sst,h)为由海面温度和海面高度异常(偏差)反演的格点i、深度k处的温度值，
和
为回归系数；
3)海上平台观测资料同化采用多重网格三维变分同化技术对背景场进行订正目标泛函应采用如下式所示：
其中，
式中，n表示第n重网格，n＝1,2,3,…,N,X b是模式背景场(预报场)矢量，X a是分析场矢量，Y obs是观测场矢量；O是观测场误差协方差矩阵；H是从模式网格到观测点的双线性插值算符；X为控制变量，它代表相对模式背景场矢量的修正矢量，Y是观测场与模式背景场的差值，而
式中，粗网格对应长波模态，细网格对应短波模态；由于波长或相关尺度由网格的粗细来表达，因此背景场误差协方差矩阵就退化为简单的单位矩阵：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/847,496 US20220326211A1 (en) | 2021-03-15 | 2022-06-23 | Marine Transportation Platform Guarantee-Oriented Analysis and Prediction Method for Three-Dimensional Temperature and Salinity Field |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110277125.9 | 2021-03-15 | ||
| CN202110277125.9A CN113051795B (zh) | 2021-03-15 | 2021-03-15 | 一种面向海上平台保障的三维温盐场分析预报方法 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| US17/847,496 Continuation US20220326211A1 (en) | 2021-03-15 | 2022-06-23 | Marine Transportation Platform Guarantee-Oriented Analysis and Prediction Method for Three-Dimensional Temperature and Salinity Field |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2022194045A1 true WO2022194045A1 (zh) | 2022-09-22 |
Family
ID=76512581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/CN2022/080360 WO2022194045A1 (zh) | 2021-03-15 | 2022-03-11 | 一种面向海上平台保障的三维温盐场分析预报方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220326211A1 (zh) |
| CN (1) | CN113051795B (zh) |
| WO (1) | WO2022194045A1 (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115292249A (zh) * | 2022-10-08 | 2022-11-04 | 太极计算机股份有限公司 | 一种大气海洋四维数据集的构建方法及系统 |
| CN115630566A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
| CN115630538A (zh) * | 2022-12-22 | 2023-01-20 | 中交天津港湾工程研究院有限公司 | 一种基于数据同化的近岸水质数据再分析方法 |
| CN115688588A (zh) * | 2022-11-04 | 2023-02-03 | 自然资源部第一海洋研究所 | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 |
| CN115980773A (zh) * | 2023-03-20 | 2023-04-18 | 中国海洋大学 | 一种海洋中尺度涡旋内部碳循环的估算及演化分析方法 |
| CN116226608A (zh) * | 2023-05-10 | 2023-06-06 | 长江三峡集团实业发展(北京)有限公司 | 海洋数值模式中海洋参数订正方法、装置及电子设备 |
| CN116739151A (zh) * | 2023-05-23 | 2023-09-12 | 中国电器科学研究院股份有限公司 | 一种近海区域盐雾预测修正及准确度评估方法 |
| CN116776539A (zh) * | 2023-05-09 | 2023-09-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于交叉小波分析的咸潮预报方法和系统 |
| CN116822381A (zh) * | 2023-08-30 | 2023-09-29 | 中国海洋大学 | 一种基于人工智能的海洋温盐结构反演方法 |
| CN117217027A (zh) * | 2023-11-02 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
| CN117313436A (zh) * | 2023-11-29 | 2023-12-29 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
| CN117405175A (zh) * | 2023-12-13 | 2024-01-16 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 海洋环境智能监测系统 |
| CN116739151B (zh) * | 2023-05-23 | 2024-05-31 | 中国电器科学研究院股份有限公司 | 一种近海区域盐雾预测修正及准确度评估方法 |
Families Citing this family (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051795B (zh) * | 2021-03-15 | 2023-04-28 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
| CN113311294B (zh) * | 2021-07-29 | 2021-10-29 | 清华大学 | 基于时域反演的分支线路短路故障定位方法 |
| CN113935533B (zh) * | 2021-10-20 | 2022-09-02 | 山东省气象科学研究所(山东省海洋气象科学研究所、山东省气象局培训中心) | 一种黄渤海海区大风推算方法 |
| CN114528768B (zh) * | 2022-02-22 | 2022-11-01 | 国家海洋环境预报中心 | 近海单点海温智能预报方法、装置及计算机可读存储介质 |
| CN115096274B (zh) * | 2022-06-16 | 2023-08-18 | 中国人民解放军61540部队 | 海洋观测系统和mapping方案评价方法及系统 |
| CN115859092B (zh) * | 2022-12-01 | 2023-11-17 | 南京天洑软件有限公司 | 一种基于主成分分解的发电机绕组温度预警方法及装置 |
| CN116244935B (zh) * | 2023-02-17 | 2023-09-19 | 国家海洋环境预报中心 | 一种海底压力场构建、应用方法和系统 |
| CN116467555B (zh) * | 2023-03-13 | 2023-11-03 | 中国科学院大气物理研究所 | 一种海洋剖面观测数据质量控制方法及系统 |
| CN115993488A (zh) * | 2023-03-24 | 2023-04-21 | 天津安力信通讯科技有限公司 | 一种电磁环境的智能监测方法及系统 |
| CN116758224B (zh) * | 2023-03-29 | 2024-01-19 | 国家海洋环境预报中心 | 一种多源海洋观测资料的融合同化方法和装置 |
| CN116151136B (zh) * | 2023-04-24 | 2023-06-27 | 浙江大学 | 基于概率误差补偿的全球表层海水pH反演方法及系统 |
| CN116304491B (zh) * | 2023-05-11 | 2023-08-08 | 长江三峡集团实业发展(北京)有限公司 | 一种海洋异常观测资料的同化方法及系统 |
| CN117077558A (zh) * | 2023-07-18 | 2023-11-17 | 西南林业大学 | 一种时空精细化的风速场构建方法 |
| CN116797756B (zh) * | 2023-08-16 | 2023-11-07 | 海博泰科技(青岛)有限公司 | 一种全息海洋背景场实现方法 |
| CN116822382B (zh) * | 2023-08-30 | 2023-11-21 | 中国海洋大学 | 基于时空多重特性图卷积的海表面温度预测方法及网络 |
| CN117610303B (zh) * | 2023-12-11 | 2024-05-10 | 中国人民解放军61540部队 | 气象海洋环境的精细化模拟仿真方法和装置 |
| CN117634208B (zh) * | 2023-12-11 | 2024-05-10 | 中国人民解放军61540部队 | 基于多源气象数据的三维云参数仿真处理方法和装置 |
| CN117421942B (zh) * | 2023-12-19 | 2024-03-12 | 北京摩弈信息科技有限公司 | 一种海面温度确定方法和装置、电子设备 |
| CN117553864B (zh) * | 2024-01-12 | 2024-04-19 | 北京宏数科技有限公司 | 一种基于大数据的传感器采集方法及系统 |
| CN117593471B (zh) * | 2024-01-18 | 2024-05-03 | 青岛国实科技集团有限公司 | 一种基于虚幻引擎的海洋三维态势可视化平台 |
| CN117633441B (zh) * | 2024-01-24 | 2024-05-10 | 航天宏图信息技术股份有限公司 | 海表面温度数据的填补与修正方法、装置和电子设备 |
| CN117668477B (zh) * | 2024-01-31 | 2024-04-26 | 山东科技大学 | 一种海洋大数据智能轻量化处理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050265789A1 (en) * | 2003-06-11 | 2005-12-01 | Rida Sabri | Automatic control method for positioning the lower end of a filiform structure, notably an oil pipe, at sea |
| CN102004861A (zh) * | 2010-12-04 | 2011-04-06 | 中国海洋大学 | 鉴别及分类不同特性水团的谱混合分析方法 |
| CN103886180A (zh) * | 2014-02-25 | 2014-06-25 | 国家电网公司 | 一种基于经验正交分解的年总辐射时空分布特征分析方法 |
| JP2015135574A (ja) * | 2014-01-16 | 2015-07-27 | 日本電信電話株式会社 | 時空間データ特徴量分類方法および装置 |
| CN113051795A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106886024B (zh) * | 2017-03-31 | 2019-04-30 | 上海海洋大学 | 深海多波束声线精确跟踪方法 |
| CN110703357B (zh) * | 2019-04-30 | 2021-04-20 | 国家气象中心(中央气象台) | 全球中期数值预报grapes_gfs方法 |
| CN110222872B (zh) * | 2019-05-12 | 2023-04-18 | 天津大学 | 基于经验正交函数分解的海洋多要素中长期统计预测方法 |
| CN110458338B (zh) * | 2019-07-23 | 2023-01-03 | 天津大学 | 一种基于再分析资料的海面高度中长期统计预测方法 |
| CN110398744A (zh) * | 2019-07-26 | 2019-11-01 | 中国人民解放军国防科技大学 | 一种基于声信号的海洋温跃层特征参数寻优反演方法 |
| CN111291944B (zh) * | 2020-03-16 | 2022-09-23 | 中国人民解放军61540部队 | 基于npsdv驱动因子识别的海洋气候预测方法及系统 |
| CN111815041A (zh) * | 2020-06-28 | 2020-10-23 | 青岛哈船海智科技有限公司 | 一种基于改进eof的海水温度场预测方法 |
| CN112131779B (zh) * | 2020-08-13 | 2023-02-24 | 大唐三亚未来能源研究所有限公司 | 一种基于多参考站的海上测风塔数据代表年订正方法 |
-
2021
- 2021-03-15 CN CN202110277125.9A patent/CN113051795B/zh active Active
-
2022
- 2022-03-11 WO PCT/CN2022/080360 patent/WO2022194045A1/zh active Application Filing
- 2022-06-23 US US17/847,496 patent/US20220326211A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050265789A1 (en) * | 2003-06-11 | 2005-12-01 | Rida Sabri | Automatic control method for positioning the lower end of a filiform structure, notably an oil pipe, at sea |
| CN102004861A (zh) * | 2010-12-04 | 2011-04-06 | 中国海洋大学 | 鉴别及分类不同特性水团的谱混合分析方法 |
| JP2015135574A (ja) * | 2014-01-16 | 2015-07-27 | 日本電信電話株式会社 | 時空間データ特徴量分類方法および装置 |
| CN103886180A (zh) * | 2014-02-25 | 2014-06-25 | 国家电网公司 | 一种基于经验正交分解的年总辐射时空分布特征分析方法 |
| CN113051795A (zh) * | 2021-03-15 | 2021-06-29 | 哈尔滨工程大学 | 一种面向海上平台保障的三维温盐场分析预报方法 |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115630566B (zh) * | 2022-09-28 | 2024-05-07 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
| CN115630566A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
| CN115292249A (zh) * | 2022-10-08 | 2022-11-04 | 太极计算机股份有限公司 | 一种大气海洋四维数据集的构建方法及系统 |
| CN115292249B (zh) * | 2022-10-08 | 2023-02-28 | 太极计算机股份有限公司 | 一种大气海洋四维数据集的构建方法及系统 |
| CN115688588A (zh) * | 2022-11-04 | 2023-02-03 | 自然资源部第一海洋研究所 | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 |
| CN115630538B (zh) * | 2022-12-22 | 2023-05-02 | 中交天津港湾工程研究院有限公司 | 一种基于数据同化的近岸水质数据再分析方法 |
| CN115630538A (zh) * | 2022-12-22 | 2023-01-20 | 中交天津港湾工程研究院有限公司 | 一种基于数据同化的近岸水质数据再分析方法 |
| CN115980773A (zh) * | 2023-03-20 | 2023-04-18 | 中国海洋大学 | 一种海洋中尺度涡旋内部碳循环的估算及演化分析方法 |
| CN116776539A (zh) * | 2023-05-09 | 2023-09-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于交叉小波分析的咸潮预报方法和系统 |
| CN116776539B (zh) * | 2023-05-09 | 2023-12-12 | 珠江水利委员会珠江水利科学研究院 | 一种基于交叉小波分析的咸潮预报方法和系统 |
| CN116226608A (zh) * | 2023-05-10 | 2023-06-06 | 长江三峡集团实业发展(北京)有限公司 | 海洋数值模式中海洋参数订正方法、装置及电子设备 |
| CN116739151A (zh) * | 2023-05-23 | 2023-09-12 | 中国电器科学研究院股份有限公司 | 一种近海区域盐雾预测修正及准确度评估方法 |
| CN116739151B (zh) * | 2023-05-23 | 2024-05-31 | 中国电器科学研究院股份有限公司 | 一种近海区域盐雾预测修正及准确度评估方法 |
| CN116822381A (zh) * | 2023-08-30 | 2023-09-29 | 中国海洋大学 | 一种基于人工智能的海洋温盐结构反演方法 |
| CN116822381B (zh) * | 2023-08-30 | 2023-11-21 | 中国海洋大学 | 一种基于人工智能的海洋温盐结构反演方法 |
| CN117217027B (zh) * | 2023-11-02 | 2024-01-30 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
| CN117217027A (zh) * | 2023-11-02 | 2023-12-12 | 中国人民解放军国防科技大学 | 基于四维变分同化的污染物点源廓线排放估算方法和装置 |
| CN117313436A (zh) * | 2023-11-29 | 2023-12-29 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
| CN117313436B (zh) * | 2023-11-29 | 2024-02-06 | 青岛埃克曼科技有限公司 | 一种海洋海浪气象预报的有效波高和海洋海浪谱同化方法 |
| CN117405175A (zh) * | 2023-12-13 | 2024-01-16 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 海洋环境智能监测系统 |
| CN117405175B (zh) * | 2023-12-13 | 2024-02-23 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 海洋环境智能监测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113051795B (zh) | 2023-04-28 |
| CN113051795A (zh) | 2021-06-29 |
| US20220326211A1 (en) | 2022-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022194045A1 (zh) | 一种面向海上平台保障的三维温盐场分析预报方法 | |
| Bell et al. | Assessment of the FOAM global data assimilation system for real-time operational ocean forecasting | |
| Scherliess et al. | Development of a physics-based reduced state Kalman filter for the ionosphere | |
| Jin et al. | Downscaling AMSR-2 soil moisture data with geographically weighted area-to-area regression kriging | |
| Zhu et al. | A three-dimensional variational ocean data assimilation system: Scheme and preliminary results | |
| CN112799101A (zh) | 一种构建gnss区域大地参考框架的方法 | |
| Zhou et al. | Multilayer fusion recurrent neural network for sea surface height anomaly field prediction | |
| CN106528679A (zh) | 基于多线性自回归模型的时间序列分析方法 | |
| CN106777949A (zh) | 一种基于再分析数据的海浪波向的长期趋势预测方法 | |
| Fujii et al. | Assimilating ocean observation data for ENSO monitoring and forecasting | |
| Liu et al. | The application of ARGO data to the global ocean data assimilation operational system of NCC | |
| Thacker et al. | Assimilating XBT data into HYCOM | |
| Fujii et al. | Application of nonlinear constraints in a three-dimensional variational ocean analysis | |
| Parent et al. | Comparative assimilation of Topex/Poseidon and ERS altimeter data and of TAO temperature data in the Tropical Pacific Ocean during 1994–1998, and the mean sea-surface height issue | |
| He et al. | Numerical studies on forecast error correction of grapes model with variational approach | |
| Li et al. | DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling | |
| CN113052370A (zh) | 一种基于时空经验正交函数的海洋环境要素统计预测方法 | |
| Trott et al. | Luzon strait mesoscale eddy characteristics in HYCOM reanalysis, simulation, and forecasts | |
| Davey et al. | Multi-model multi-method multi-decadal ocean analyses from the ENACT project | |
| Shi et al. | A Grey Model for Short-Term Prediction of the Ionospheric TEC | |
| Chang | A review of the quality control of global ocean temperature and salinity data | |
| CN111814371B (zh) | 一种基于船载实测数据的海水温度场构建方法 | |
| CN117291110B (zh) | 一种基于卷积神经网络的声速剖面估计方法 | |
| Baek et al. | Estimation of satellite-based upper-ocean temperature profile in the western North Pacific and its application to tropical cyclone intensity predictions | |
| SUN et al. | Research on Multivariate Yellow Sea SST Week Prediction Method Based on Encoder-Decoder LSTM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22770400 Country of ref document: EP Kind code of ref document: A1 |
|
| NENP | Non-entry into the national phase |
Ref country code: DE |
|
| 122 | Ep: pct application non-entry in european phase |
Ref document number: 22770400 Country of ref document: EP Kind code of ref document: A1 |