基于机器学习的海洋大气折射率预测方法技术

本发明专利技术公开了一种基于机器学习的海洋大气折射率预测方法，包括：首先，提取中尺度数值模式预报气象参数与探空实测气象参数的数据特征并获取两种数据的分布情况；然后，采用双线性插值、神经网络拟合等对齐方法进行时空层面的数据预处理，以获得两种气象参数之间的差异规律和气象参数的变化规律；接下来，基于提供的两种气象参数，引入梯度提升决策树等机器学习模型，从而提出融入探空实测气象参数特征的中尺度数值模式预报气象参数修正机制；最后，基于预报气象参数修正机制，利用气象参数到大气折射率的映射关系，进一步提出新型大气折射率预报机制。所提出的大气折射率预测方法较传统中尺度数值模式而言，预测结果更加准确，且克服了实测数据分布的局限性，更具有实用性和拓展性。用性和拓展性。用性和拓展性。

【技术实现步骤摘要】
基于机器学习的海洋大气折射率预测方法


[0001]本专利技术涉及无线电气象学和电波科学技术，特别涉及一种基于机器学习的海 洋大气折射率预测方法。

技术介绍

[0002]由于海洋环境湿度、气压、风速、波浪等气候因素会随海面高度变化而变 化，海面上空的大气折射率也会发生相应改变。由于大气折射率的分布不同导 致电磁波射线的曲率半径也有所不同，根据射线曲率半径与地球半径的比值可 以将大气折射分为负折射、无折射、标准折射、超折射、临界折射等。当折射 率的改变满足一定条件时便形成了大气波导，导致超视距现象和雷达盲区的出 现，这对海上低空范围的通信、探测、导航等系统的性能影响显著。因此，针 对海洋大气折射率的探测、预测，对于构建无缝、可靠、安全的海洋信息感知 及通信至关重要。
[0003]对大气折射率传统的预报方法主要包括基于探空实测和中尺度数值预报模 式。前者能够提供精准的大气折射率信息但高度依赖数据集的获取，进而严重 限制了其适应性，后者实用性更高但在量化大气折射率精度方面仍存不足。因 此，亟需探寻能够有效提高中尺度数值预报模式精准度的大气折射率预测新机 制。近年来，大数据及机器学习技术方兴未艾，已经广泛应用于图象识别、自 然语言处理等各个领域，并取得了优异的预测效果，而针对海洋大气折射率预 报的相关工作亟待展开。考虑探空数据获取大气折射率曲线的准确性以及数值 模式预报大气折射率的实用性，基于上述所说的两种数据，利用机器学习理论 方法，有望深入挖掘数据之间的内在规律和联系，构建探空数据驱动的中尺度 数值模式大气折射率预测模型，提高传统方法预测的准确性、实用性、拓展性。

技术实现思路

[0004]有鉴于此，本专利技术提出一种基于机器学习的海洋大气折射率预测方法。
[0005]上述方法可以具体包括：获取中尺度数值模式预报气象参数与探空实测气 象参数的数据特征及其分布情况；采用双线性插值、神经网络拟合等对齐方法 进行时空层面的数据预处理，获得两种气象参数之间的差异规律和气象参数的 变化规律；基于提供的两种气象参数，引入梯度提升决策树等机器学习模型， 得到融入探空实测气象参数特征的中尺度数值模式预报气象参数修正机制；基 于预报气象参数修正机制，利用气象参数到大气折射率的映射关系，得到新型 大气折射率预报机制。
[0006]其中，上述中尺度数值模式预报气象数据与探空实测气象数据的数据特征 包括：以Python的netCDF4、numpy模块为例提取数据特征，中尺度数值模式 预报气象参数提供24个时间段的数据，包括海面水汽压、气温、气压、水汽混 合比等参数，实用性更高但在精度方面存在不足；探空实测气象参数提供2个 时间段的数据，包括气压、水汽压、水汽混合比、高度、温度、露温、风向和 风速等参数，精度高但拓展性低。
[0007]上述中尺度数值模式预报气象数据与探空实测气象数据的分布情况包括： 以本
专利技术所用数据为例，中尺度数值模式预报数据集中分布在南海区域其间距 分辨率约为25km，在某一时刻，数据量可达711450个，具有数据密集且体量 大的特点；探空实测数据在全球均有分布，分布极为稀疏且相距较远，共计只 有536个。
[0008]上述利用双线性插值、神经网络拟合等对齐方法进行时空层面的数据预处 理数据预处理手段包括：结合两种数据的时间特征并查阅世界时(UTC)和北 京时间的对应关系，进行两种数据时间层面对齐；以Python的Basemap模块为 例，绘制中尺度数值模式格点和探空观测站点的分布地图，筛选得到南海区域 的29个探空观测站点；利用双线性插值方法处理数值模式数据进行经纬度对齐， 得到经纬度对齐的两种数据；以及利用神经网络拟合方法处理探空观测数据进 行垂直高度对齐，得到垂直高度层面对齐的两种数据。
[0009]上述利用机器学习模型得到预报气象参数修正机制包括：设计两种气象参 数组成的三种特征工程方案；以梯度提升决策树(GBDT)与极端梯度提升树 (XGBoost)两种机器学习模型为例，基于三种特征工程提供的特征映射，使用 不同的训练集数据训练GBDT和XGBoost模型，并使用验证集数据检验模型的 拟合情况，最后使用测试集数据检验模型的修正能力，得到六种气象参数修正 方案；以及通过模型评估指标对比，得到最优的气象参数修正机制。
[0010]其中，上述两种气象参数组成的三种特征工程方案包括：特征工程一：仅 使用对齐后的1个模拟数据；特征工程二：使用探空数据周围的4个原始模拟 数据；以及特征工程三：使用对齐后的1个模拟数据和3个地理变量。
[0011]其中，上述模型评估指标包括：模型拟合优度；修正数据与模拟数据相较 探空数据的平均误差；以及根均方根误差(RMSE)。
[0012]上述得到新型大气折射率预报机制包括：根据预报气象参数修正机制，得 到更精确的预报气象参数；根据修正气象参数到大气折射指数的映射关系，得 到更高精度的新型大气折射率预报机制；以及通过对比大气折射率曲线情况和 修正与平均误差，验证新型大气折射率预报机制的准确性。
附图说明
[0013]图1为本专利技术一些实施例所述的基于机器学习的海洋大气折射率预测方法 流程图；
[0014]图2为本专利技术一些实施例所述的双线性插值和神经网络拟合等数据预处理 结果图；
[0015]图3为本专利技术一些实施例所述的基于三种特征工程方案和两种机器学习模 型的气象参数修正结果图；
[0016]图4为本专利技术一些实施例所述的模型拟合优度、修正数据与模拟数据相较 探空数据的平均误差以及根均方根误差(RMSE)对比图；
[0017]图5为本专利技术一些实施例所述的三种大气折射率曲线对比图；
[0018]图6为本专利技术一些实施例所述的三种大气折射率平均误差对比图。
[0019]具体实施方式
[0020]为使本专利技术的目的、技术方案和优点更加清楚，下面结合附图对本专利技术作 进一步的详细描述。
[0021]图1为本专利技术一些实施例所述的基于机器学习的海洋大气折射率预测方法 流程图。如图1所示，针对传统中尺度数值模拟预报大气折射率不准确问题， 首先，提取中尺度数值模式预报气象参数与探空实测气象参数的数据特征并获 取两种数据的分布情况；然后，采用双线性插值、神经网络拟合等对齐方法进 行时空层面的数据预处理，以获得两种气象参数之间的差异规律和气象参数的 变化规律；接下来，基于提供的两种气象参数，引入梯度提升决策树等机器学 习模型，从而提出融入探空实测气象参数特征的中尺度数值模式预报气象参数 修正机制；最后，基于预报气象参数修正机制，利用气象参数到大气折射率的 映射关系，提出新型大气折射率预报机制。
[0022]图2为本专利技术一些实施例所述的双线性插值和神经网络拟合等数据预处理 结果图。从图2可以看出中尺度数值模式预报数据与探空实测数据的相对位置 分布，利用双线性插值方法处理数值模拟数据进行经纬度对齐，得到经纬度对 齐的两种数据。双线性插值方法如下所示：
[0023]首先，在x方向进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的海洋大气折射率预测方法。其特征在于，所述方法包括：利用数据读取处理模块提取中尺度数值模式预报气象参数与探空实测气象参数的数据特征，利用数据读取画图模块获取两种数据的分布情况；根据两种气象参数的不同特征，采用双线性插值、神经网络拟合等对齐方法进行时空层面的数据预处理，以获得两种气象参数之间的差异规律和气象参数的变化规律；基于提供的两种气象参数，引入梯度提升决策树等机器学习模型，从而提出融入探空实测气象参数特征的中尺度数值模式预报气象参数修正机制；基于预报气象参数修正机制，利用气象参数到大气折射率的映射关系，进一步提出新型大气折射率预报机制。2.根据权利要求1所述方法，其特征在于，所述利用数据读取处理模块提取中尺度数值模式预报气象参数与探空实测气象参数的数据特征包括：中尺度数值模式预报气象参数提供24个时间段的数据，包括海面水汽压、气温、气压、水汽混合比等参数，实用性更高但在精度方面存在不足；以及探空实测气象参数提供2个时间段的数据，包括气压、水汽压、水汽混合比、高度、温度、露温、风向和风速等参数，精度高但拓展性低。3.根据权利要求1所述方法，其特征在于，所述利用数据读取画图模块获取两种数据的分布情况包括：中尺度数值模式预报数据集中分布在南海区域，数据量可达几十万个，具有数据密集且体量大的特点；以及探空实测数据在全球均有分布，分布极为稀疏且相距较远，共计只有几百个。4.根据权利要求1所述方法，其特征在于，所述数据预处理手段包括：结合两种数据的时间特征并查阅世界时(UTC)...

【专利技术属性】
技术研发人员：巩皓冰，高晖，郭相明，郝晓静，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：