一种融合多因素的MOS风暴潮过程灾害模拟方法技术

本发明专利技术涉及海洋灾害预测领域，一种融合多因素的MOS风暴潮过程灾害模拟方法，所述方法包括如下步骤：(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。本发明专利技术能够优化单纯数值预报和潮位站实测值之间的误差，为后期精细化风暴潮预报业务提供一种新过程模拟思路。

A Multi-factor Mos Storm Surge Process Disaster Simulation Method

【技术实现步骤摘要】
一种融合多因素的MOS风暴潮过程灾害模拟方法
本专利技术涉及海洋灾害预测领域，具体涉及一种融合多因素的MOS风暴潮过程灾害模拟方法。
技术介绍
风暴潮是主要的海洋灾害之一，且风暴潮灾害是海洋灾害中破坏力最大的一种，对国民经济和生命财产的安全产生具大的破坏。随着我国沿海经济的飞速发展、沿海城市建设及基础设施快速扩张，风暴潮带来的灾害损失日益加重，常常给沿海地区经济造成几十甚至上百亿的损失。而最新的研究表明，全球变暖背景下极端天气事件如热带气旋的发生频率和强度有加强的趋势。可以预计，随着热带气旋影响的增加，未来风暴潮所造成的生命财产损失将进一步加大，而我国是受热带气旋影响袭击最多的国家之一，因此热带气旋引起的风暴潮成为影响我国沿海最主要的海洋灾害，这也迫使风暴潮增水预报防灾减灾研究工作全面展开。最初，通过历史观测资料分析风暴潮增水与台风中心气压和风速之间的关系，并使用经验统计方法来对风暴潮增水进行预报取得了初步成果，这些风暴潮预报方法大多是基于分析历史数据的经验预报，而经验预报往往针对特定区域，预报结果值偏差不尽人意。后来，数值模拟的预报精度不断提高，数值模拟预报成为主流的预报方法。风暴潮预报向真三维、高分辨率、多要素分量耦合及资料同化研究也越来越多。利用三维普林斯顿海洋环流模式对美国东海岸风暴潮进行模拟取得较好模拟结果。波浪辐射应力对风暴潮具有影响，特别是对增水极值处的改善最为明显。通过对强台风风暴潮进行数值研究和后报检验，发现台风登陆强度影响着珠江口地区风暴潮预报效果。目前已建立了从南海到珠江口风暴潮多重嵌套的数值预报系统，利用水位资料建立四维变分同化系统，实现南海北部风暴潮预报模式。研究表明数值预报1713号“天鸽”风暴潮强度过程弱于实况。由此可见，数值模型预报结果有时候会弱于或强于实际风暴潮强度。在现有热带气旋风暴潮预报技术条件下，如何解决数值模型预报结果在小尺度区域弱于或强于实况的问题，是当前风暴潮预报亟待解决的问题。而基于支持向量机的机器学习在解决非线性回归模拟方面有着显著的优势，并有诸多的实例应用等。如果融合风暴潮数值预报结果为特征因素，并基于支持向量机非线性回归学习来解决上述问题亦可收到较好效果。因此，有必要提供一种科学的、并能有效的融合多因素的MOS(ModelOutputStatistics)风暴潮过程灾害模拟方法,这种融合多要素风暴潮模拟方法能够优化单纯数值预报和潮位站实测值之间的误差，这为后期精细化风暴潮预报业务提供一种新过程模拟思路。
技术实现思路
本专利技术的目的在于克服上述技术问题的缺点，提供一种融合多因素的MOS风暴潮过程灾害模拟方法，能够优化单纯数值预报和潮位站实测值之间的误差，为后期精细化风暴潮预报业务提供一种新过程模拟思路。为了解决上述技术问题，本专利技术采用如下技术方案：一种融合多因素的MOS风暴潮过程灾害模拟方法，所述方法包括如下步骤：(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。进一步的，所述MOS风暴潮模型包括模型输入值和模型输出值，所述模型输入值包括预报增水Ptidei、路径距离di、移动方向值cos(ai)、最大风度si、移动速度mi、中心气压pi和7级风圈半径ri；所述模型输出值为MOS风暴潮增水Ytidei。进一步的，确定特征因素矩阵的具体方法为：对MOS风暴潮模型的输入提取特征向量组成矩阵λi，即为针对任意时刻i,提取时刻i之前n时刻的特征因素以组成所述特征因素矩阵λi，特征因素矩阵λi如下所示：式中，i为预报的起始时刻，i-n为预报起始时刻前n历史时刻，n与待预报结果的时长相同，λi为一个n×7维的向量矩阵，λi每一维分别代表模型的一个因素。λi的每一列为某一因素对应从i-n到i-1时刻的特征值。进一步的，预报时长取12h、24h、36h、72h则对应n取值为12、24、36、72。进一步的，使用支持向量机学习训练时，为了方便风暴潮预报将学习训练起始点i-j后移到i，训练计算的长度同为j，则可以预报i时刻及其之后的j时段值的风暴潮增水值，具体实现过程为：首先，设置MOS风暴潮模型中权重映射矩阵W和偏差矩阵A。将特征矩阵λt映射到层空间后得到的隐含层要素矩阵ht，即将特征矩阵λi映射到更高维度的空间隐含层获射后得到H，H如下式所示：其次，MOS风暴潮模型在求解中采用风险最小化的方法，把最优非线性回归估计问题转化为对不敏感损失函数L(y-h(x),x)进行求解风险最小化的问题，MOS风暴潮模型中使用的最优非线性回归函数是在一定约束条件下最小化规则化不敏感损失函数L逐渐优化逼近实测值来实现,该模型中不敏感损失函数定义如下式所示：上式中w为权重值，h(x)为模型预报输出值，该式表明当模拟结果与实测之差的绝对值小于等于ε时，该部分忽略不计；当模拟结果与实测值之差的绝对值大于ε时，则取值为超出ε的部分值；最后，在MOS风暴潮模型学习过程中设计最优非线性风险最小化泛函，如下式所示：该式中m为参与数据集的个数；c为实验常数,为控制误差的惩罚程度；w为权重值；为经验误差项；为规则化项，使得函数泛化更为平滑。进一步的，使用支持向量机学习训练时，以实测增水Xtidei作为输出进行学习训练，设定模拟结果与实测结果之差的绝对值为εi，则相对误差为给定目标误差10％为评判阈值，若模型预报某时刻值ei≥10％，则该时刻i的MOS模型预报结果为不合格，否则认为时刻i的预报结果为合格。与现有技术相比，本专利技术具有以下有益效果：本专利技术对风暴潮历史数据进行统计分析，将数值模型预报结果融合在一起解析出特征向量，该模拟方法将低维特征因素映射到高维隐含层中，将风暴潮非线性回归映射到高维隐含层支持向量机学习中，并结合径向基函数为内核控制函数控制相对误差循环训练学习拟合风暴潮过程灾害。本专利技术融合多要素风暴潮模拟方法能够优化单纯数值预报和潮位站实测值之间的误差，这为后期精细化风暴潮预报业务提供一种新过程模拟思路。附图说明图1是本专利技术实例验证中201104号“海马”入境广西沿海风暴潮路径图；图2是本专利技术实例验证中201104号“海马”影响期间不同时刻增水的分布特征图。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。需要说明的是，本专利技术的具体实施例只是为了能更清楚的描述技术方案，而不能作为本专利技术保护范围的一种限制。风暴潮是我国海洋灾害造成沿海地区损失最惨重的一种灾害，本专利技术以热带气旋风暴潮为例，提出了一种融合多因素的MOS风暴潮过程灾害模拟方法，所述方法包括如下步骤：(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。为了更好地模拟MOS风暴潮，建立精细化MOS风暴潮模型，本实施例选取了用于描述风暴潮的多种特征因素作为模型输入值和模型输出值，所述MOS风暴潮模型包括模型输入值和模型输出值，所述模型输入值包括预报增水Ptidei、路径距离di、移动方向值cos(ai)、最大风度si、移动速度mi、中心气压本文档来自技高网...

【技术保护点】
1.一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，所述方法包括如下步骤：(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。

【技术特征摘要】
1.一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，所述方法包括如下步骤：(1)对热带气旋风暴潮灾害历史过程统计分析，解析出MOS风暴潮模型的特征因素，建立MOS风暴潮模型；(2)确定特征因素矩阵，将特征因素矩阵作为输入，使用支持向量机学习训练，实现热带气旋风暴潮增水模拟。2.根据权利要求1所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，所述MOS风暴潮模型包括模型输入值和模型输出值，所述模型输入值包括预报增水Ptidei、路径距离di、移动方向值cos(ai)、最大风度si、移动速度mi、中心气压pi和7级风圈半径ri；所述模型输出值为MOS风暴潮增水Ytidei。3.根据权利要求2所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，确定特征因素矩阵的具体方法为：对MOS风暴潮模型的输入提取特征向量组成矩阵λi，即为针对任意时刻i,提取时刻i之前n时刻的特征因素以组成所述特征因素矩阵λi，特征因素矩阵λi如下所示：式中，i为预报的起始时刻，i-n为预报起始时刻前n历史时刻，n与待预报结果的时长相同，λi为一个n×7维的向量矩阵，λi每一维分别代表模型的一个因素。λi的每一列为某一因素对应从i-n到i-1时刻的特征值。4.根据权利要求3所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，预报时长取12h、24h、36h、72h则对应n取值为12、24、36、72。5.根据权利要求3所述的一种融合多因素的MOS风暴潮过程灾害模拟方法，其特征在于，使用支持向量机学习训...

【专利技术属性】
技术研发人员：张广平，
申请(专利权)人：北部湾大学，
类型：发明
国别省市：广西,45