用于中尺度涡识别的精细化网格数据分区构建方法及系统技术方案

本发明专利技术涉及一种用于中尺度涡识别的精细化网格数据分区构建方法及系统。该方法包括：获取研究海域往年的中尺度涡的发生个数；根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；利用所述分区精细化构建的网格数据识别中尺度涡。本发明专利技术能够提高中尺度涡识别效率。率。率。

【技术实现步骤摘要】
用于中尺度涡识别的精细化网格数据分区构建方法及系统


[0001]本专利技术涉及中尺度涡识别领域，特别是涉及一种用于中尺度涡识别的精细化网格数据分区构建方法及系统。

技术介绍

[0002]中尺度涡是一种显著的海洋现象，在全球海洋中广泛存在，中尺度涡对海洋中的动力过程、能量物质输运起着十分关键的作用。中尺度涡的研究和运用，有助于理解海洋动力过程，并且对海洋军事活动、海洋渔业等海洋活动有着十分重要的指导作用。中尺度涡旋(又称天气式海洋涡旋)，是指海洋中直径数十到数百公里、寿命为数十天到书十个月的的涡旋。相比于常见的用肉眼可见的涡旋，中尺度涡旋直径更大、寿命更长；但相比海洋大环流又小很多，故称其为中尺度涡旋。中尺度涡通常分为两种：气旋式涡旋(在北半球为逆时针旋转)，反气旋式涡旋(在南半球为逆时针旋转)。中尺度涡是普遍存在于世界各大洋的一种中尺度海洋现象，它旋转速度快、流速强、垂向深度可达数千米，其携带的巨大能量比平均流大一个量级以上，因此对世界大洋总环流、大规模水团分布以及热盐输送等都起着至关重要的作用。
[0003]随着一系列星载卫星高度计被陆续送上太空，卫星高度计数据以其大覆盖、准同步、长时间连续观测的特性成为研究中尺度涡最有效的手段之一，它解决了传统海洋观测手段在观测时间上的不连续性和观测空间上的局限性。卫星高度计能获取海洋表面的动力信息(如海面动力高度、海面高度异常、海面温度、有效波高等)，通过对海洋表面的动力信息(如海面高度、地转流等) 进行特征识别，即可对中尺度涡进行识别与追踪。除了识别中尺度涡旋外，卫星高度计数据对于海洋潮汐、海浪等研究也有重要意义。
[0004]目前四种比较常见的中尺度涡探测方法是SSHA方法、O
‑
W参数法、 Winding
‑
Angle方法和矢量几何法。1、SSHA方法：中尺度涡直观表现为海表高度出现异常，气旋式涡旋导致海面降低，反气旋式涡旋相反。SSHA方法通过识别海表高度异常识别涡旋，海面异常局部极值即为中尺度涡涡心；2、O
‑
W 参数法：O
‑
W参数法是基于海面高度数据提取中尺度涡的标准方法，此方法通过物理参数W定义中尺度涡，更符合中尺度涡物理性质。3、WA算法：WA 算法基于流场中瞬时流线进行涡旋识别，通过在海面高度异常数据场内建立滑动窗口，寻找窗口内的最小(最大)值点来判断可能的气旋涡(反气旋涡)中心，并由此为涡心向外扩展寻找流线或等值线，最后，中尺度涡的边缘就是最外部那条包含着涡旋中心的等值线。4.矢量几何法(VG算法)：VG算法利用地转流异常场来探测涡旋，主要基于以下4个约束条件确定涡旋中心：1) 沿东西方向穿过涡旋中心时，涡中心两侧的v方向相反且离涡中心越远值越大；2)沿南北方向穿过涡旋中心时，涡中心两侧的u方向相反且离涡中心越远值越大，并且u的旋转方向与v的旋转方向一致；3)涡旋中心的速度值有局部最小值；4)涡中心附近，速度向量的旋转方向一致并且两个相邻的速度向量在同一象限或相邻象限。涡旋的边界定义为在涡旋中心外围流函数最外层的闭合等值线，同时根据u和v的旋转方向可以确定涡旋的类型。在探测时需要两个参数a和b，参数a是前两个约束条件中在东西和南北方向上检测v和 u时
增加的网格点数，参数b定义了确定局部速度最小值时的寻找区域。
[0005]目前大多数对中尺度涡的研究都是直接基于卫星高度计网格数据开展的，少数研究者考虑到提高卫星高度计数据的网格精度。
[0006]而卫星高度计数据的网格精度限制了中尺度涡识别算法的准确度，网格如果太大，海面流场的细节被忽略，不满足流场特征的中尺度涡被漏识，尺寸较小的中尺度涡也无法被识别出来。中尺度涡的精准识别是进行中尺度涡研究的基础。除了对识别算法进行改进，提高网格数据的精细化程度同样可以提高中尺度涡的准确率。目前常用的方法为通过双线性插值提高卫星高度计数据的网格精度，但是双线性插值忽略了流场变化莫测、非线性强的特点。另外，一些空间插值方法，如克里金插值，也被用于提高卫星高度计数据的空间分辨率，但是空间插值方法多存在平滑效应，不能准确反映流场细节。此外，上述网格数据精细化构建方法均针对网格数据进行全局构建，然而不同区域的中尺度涡分布情况不一样，全局构建忽略了中尺度涡旋的分布特点，占用内存大，因此目前的中尺度涡识别效率低。

技术实现思路

[0007]本专利技术的目的是提供一种用于中尺度涡识别的精细化网格数据分区构建方法及系统，以解决现有的中尺度涡识别效率低的问题。
[0008]为实现上述目的，本专利技术提供了如下方案：
[0009]一种用于中尺度涡识别的精细化网格数据分区构建方法，包括：
[0010]获取研究海域往年的中尺度涡的发生个数；
[0011]根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；
[0012]利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP 神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据；
[0013]利用所述分区精细化构建的网格数据识别中尺度涡。
[0014]可选的，所述根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域，具体包括：
[0015]利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；
[0016]根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；
[0017]根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。
[0018]可选的，所述利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据，具体包括：
[0019]以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络；
[0020]利用所述单隐层BP神经网络对所述涡旋低发区的卫星高度计网格数据进行精细化构建，生成涡旋低发区精细化构建的网格数据；所述单隐层BP神经网络包括第一输入层、第一隐含层以及第一输出层；所述第二输入层包括2 个神经元，所述第一隐含层包括60个神经元，所述第一输出层包括1个神经元；
[0021]利用所述双隐层BP神经网络对所述涡旋高发区的卫星高度计网格数据进行精细化构建，生成涡旋高发区精细化构建的网格数据；所述双隐层BP神经网络包括第二输入层、第二隐含层、第三隐含层以及第二输出层；所述第二输入层包括2个本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，包括：获取研究海域往年的中尺度涡的发生个数；根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域；所述划分区域包括涡旋高发区以及涡旋低发区；利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据；所述BP神经网络包括单隐层BP神经网络以及双隐层BP神经网络；所述卫星高度计网格数据为海平面高度及衍生变量数据集；所述海平面高度及衍生变量数据集包括多种海洋表面动力信息，所述海洋表面动力信息包括海平面高度异常数据、绝对动力地形高度和地转流异常数据；利用所述分区精细化构建的网格数据识别中尺度涡。2.根据权利要求1所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述根据所述往年的中尺度涡的发生个数对所述研究海域进行分区处理，生成多个划分区域，具体包括：利用矢量几何算法识别所述研究海域往年的中尺度涡，确定所述往年的中尺度涡的发生个数；根据所述往年的中尺度涡的发生个数生成中尺度涡发生个数空间分布图；根据所述中尺度涡发生个数空间分布图中的颜色对所述研究海域进行分区处理，确定中尺度涡的涡旋高发区以及涡旋低发区；所述涡旋低发区为亮颜色区域，涡旋数量多，发生频率高；所述涡旋低发区为暗颜色区域，涡旋数量少，发生频率低；暗颜色区域，涡旋数量少。3.根据权利要求1所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述利用BP神经网络对每个所述划分区域内的卫星高度计网格数据进行精细化构建，生成分区精细化构建的网格数据，具体包括：以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络；利用所述单隐层BP神经网络对所述涡旋低发区的卫星高度计网格数据进行精细化构建，生成涡旋低发区精细化构建的网格数据；所述单隐层BP神经网络包括第一输入层、第一隐含层以及第一输出层；所述第一输入层包括2个神经元，所述第一隐含层包括60个神经元，所述第一输出层包括1个神经元；利用所述双隐层BP神经网络对所述涡旋高发区的卫星高度计网格数据进行精细化构建，生成涡旋高发区精细化构建的网格数据；所述双隐层BP神经网络包括第二输入层、第二隐含层、第三隐含层以及第二输出层；所述第二输入层包括2个神经元，所述第二隐含层包括5个神经元，所述第三隐含层包括100个神经元，所述第二输出层包括1个神经元。4.根据权利要求3所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述以往年的不同划分区域的经度和纬度为输入，以往年的转流异常数据为输出，构建BP神经网络，具体包括：获取所述划分区域的经度数量和纬度数量；根据所述经度数量和所述纬度数量确定经纬度坐标，并将所述经纬度坐标作为训练样本；
将所述训练样本进行归一化处理，生成归一化处理后的数据；确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数；基于所述训练后的传递函数，以所述归一化处理后的数据为输入，以往年的转流异常数据为输出，构建BP神经网络。5.根据权利要求4所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述确定传递函数，并对所述传递函数进行训练，生成训练后的传递函数，具体包括：利用双曲正切S型函数作为传递函数，并利用Levenberg
–
Marquardt算法对所述传递函数进行训练，生成训练后的传递函数。6.根据权利要求4所述的用于中尺度涡识别的精细化网格数据分区构建方法，其特征在于，所述确定传递函数，并对所述传递函数进行训练，生成训练后...

【专利技术属性】
技术研发人员：张丹，宋海升，李孝伟，方长芳，李云波，彭艳，
申请(专利权)人：上海大学，
类型：发明
国别省市：