一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法技术

本发明专利技术公开了一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法：(1)海洋数值模式水深参数的确定；(2)生成集合，进行数值模拟：通过在各个水深增量参数上叠加无偏的高斯随机数生成水深增量参数集合，从而生成水深参数集合，将水深参数集合代入海洋数值模式中进行自由积分直到海洋数值模式稳定；(3)采用强化的参数校正数据同化方法进行同化；(4)同化结束后，使海洋数值模式以同化后的参数自由积分至稳定，以获取优化后的海洋数值模式状态变量；(5)将海洋数值模式状态变量进行调和分析，得到优化后的潮汐调和常数分析结果，用于潮汐预报。本发明专利技术通过EAKF将观测数据同化到潮汐数值模型中，对水深参数进行最优估计，提高潮汐模拟精度。模拟精度。模拟精度。

【技术实现步骤摘要】
一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法


[0001]本专利技术涉及海洋数据同化技术，特别涉及一种基于集合卡尔曼滤波(Ensemble adjustment Kalman filter，EAKF)的潮汐数值模型水深估计方法，主要应用于海洋潮汐数值模拟和预报。

技术介绍

[0002]随着计算机技术的不断发展，海洋数值模型越来越成为人们研究和预测海洋的重要工具。对于所有的海洋数值模式而言，参数化方案以及精确的参数值的给定对数值模拟结果有着重要的影响。在海洋数值模式调试的过程中，参数值的给定通常采用试错的方法，以使模拟结果接近观测。由于海洋数值模型的复杂性，这是一个极其耗费计算资源与人力资源的过程。因此，替代这种主观调试方法的途径之一是采用海洋数据同化技术，通过将观测数据同化到海洋数值模型中，在模型状态场调整的同时，对参数进行估计，从而得到一个合理的参数值。这样做的同时，也可以在一定程度上得以缓解试错法在海洋数值模型调试中所带来的繁重任务。利用基于伴随模型的四维变分同化方法与集合卡尔曼滤波方法均可以开展海洋数值模型中参数的最优估计。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法，其特征在于，包括以下步骤：步骤1，海洋数值模式水深参数的确定：根据海区海底地形和模式的敏感性分析结果，以水深大小对海区进行分区，进行敏感性分析，确定参数化方案；步骤2，生成集合，进行数值模拟：在各个分区上分别设置一水深增量，将各个水深增量作为参数；通过在各个水深增量参数上叠加无偏的高斯随机数生成水深增量参数集合，再根据水深增量参数集合生成水深参数集合，将水深参数集合代入海洋数值模式中进行自由积分直到海洋数值模式稳定；步骤3，采用强化的参数校正数据同化方法进行同化：先进行海洋数值模式状态估计，在海洋数值模式状态达到准平衡状态后，再启动对海洋数值模式参数的估计，其中，采用集合调整卡尔曼滤波方法进行海洋数值模式状态估计和海洋数值模式参数估计；步骤4，同化结束后，使海洋数值模式以同化后的参数自由积分至稳定，以获取优化后的海洋数值模式状态变量；步骤5，将海洋数值模式状态变量进行调和分析，得到优化后的潮汐调和常数分析结果，用于潮汐预报。2.根据权利要求1所述的基于集合卡尔曼滤波的潮汐数值模型水深估计方法，其特征在于，步骤2中，对于海洋数值模式中的任一网格点，该网格点中的水深增量参数集...

【专利技术属性】
技术研发人员：武浩文，韩桂军，李威，武晓博，曹力戈，
申请(专利权)人：天津大学，
类型：发明
国别省市：