基于空间特征差异的海流预测方法以及系统技术方案

本发明专利技术公开了基于空间特征差异的海流预测方法以及系统，方法包括:确定研究区域和研究时间；获取待预测海域的在一段时间内的表现因子和影响因子；根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区；根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型；整合各个分区的流场模型，建立全区域流场模型，以确定全区域流场对影响因子的非线性响应；根据所述全区域流场模型获取预测流场数据。本发明专利技术可以在考虑各类相关影响因素的同时，进行长周期的海表流场预测，可广泛应用于海流数据处理技术领域。应用于海流数据处理技术领域。应用于海流数据处理技术领域。

【技术实现步骤摘要】
基于空间特征差异的海流预测方法以及系统


[0001]本专利技术涉及海流数据处理
，尤其是基于空间特征差异的海流预测方法以及系统。

技术介绍

[0002]海洋经济是拉动国民经济发展的有力引擎，海洋预报是一切海上活动安全进行的基础。海流作为重要的海洋水文要素，是海洋预报的重要组成部分，同时海流对海洋中多种物理过程、化学过程、生物过程及海洋表面上空变化有着关键的影响和制约作用。海表流场预测准确性直接影响海洋经济利益，在减少极端天气下的海洋经济损失方面有着重要地位。利用实际海流数据，运用相关模型寻找相关关系，达到短时海流数据预测，对数据预测的精度及稳定性有着更高的要求。现阶段海流预报方法大致分为三类：人工预报方法、神经网络预报方法和数值建模预报方法。
[0003]1传统人工预报方法
[0004]包含海浪经验统计预报方法和半经验半理论预报方法。该预报方法是通过历史经验和基本理论方法计算未来流场，预测结果为经验理论值，在不同类型海域中的预测精度不同，且预测精度低，不能为海上生产生活提供精确流场预测。
[0005]2神经网络预报法
[0006]以观测数据为分析基础，并具有非线性的结构特性，可用来模拟较难理解的物理方程关系。该方法的预测能力与数据量大小和数据典型性密切相关，故海流数据量的大小和典型性会直接影响预测结果。另一方面，神经网络还面临网络结构选定，陷入局部极小化和收敛速度慢等问题。
[0007]3数值建模预报方法
[0008]现阶段的主要成果有基于WAM(the Wave Model)改进的WAVEWATCH模式，该模式优化考虑波
‑
流相互作用和海
‑
气界面物理机制，对物理控制方程、数值建模方法等方面进行改进，直接计算波浪的非线性相互作用，现阶段已被广泛应用。另一方面，该预报方法需要确定流场的物理边界和大量的计算资源，预测效率和预测适用性有待提高。
[0009]当前海流预测模型具有单一性，即依据单一空间点位下的时频域规律、周期特征或单一时间下的空间模态变化规律进行预测。当前模型对数据的要求较高，主要表现在数据的完整性、间隔性、以及规整性上。现有的海流模型仅依赖地区性主导因子进行流场预测，缺乏余流场与相关影响因素间关系的探讨，并且多集中于极值分析，并不完全适用于长时间、多地域的流场。

技术实现思路

[0010]有鉴于此，本专利技术实施例提供一种基于空间特征差异的海流预测方法以及系统，可以在考虑各类相关影响因素的同时，进行长周期的海表流场预测。
[0011]本专利技术的一方面提供了基于空间特征差异的海流预测方法，包括：
[0012]确定研究区域和研究时间；
[0013]获取待预测海域的在一段时间内的表现因子和影响因子；其中，所述表现因子包括实测流场数据；所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据；
[0014]根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区；
[0015]根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型；
[0016]整合各个分区的流场模型，建立全区域流场模型，以确定全区域流场对影响因子的非线性响应；
[0017]根据所述全区域流场模型获取预测流场数据，所述预测流场数据包括风场数据、潮流数据和水深数据。
[0018]可选地，所述方法还包括：
[0019]根据所述表现因子和所述影响因子，对所述表现因子和所述影响因子的时空变化规律进行可视化操作，绘制得到实测流场数据的流场矢量变化图、影响因子的潮汐相位变化图、风场矢量图、地形高程图和水深等值线图。
[0020]可选地，所述根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区，包括：
[0021]根据潮流数据建立待预测海域的非线性潮汐运动模型；
[0022]根据所述非线性潮汐运动模型，确定潮流与待预测海域的流场之间的相关性；
[0023]根据风场数据建立待预测海域的风场模型；
[0024]根据所述风场模型，确定风场数据与所述待预测海域的流场之间的相关性；
[0025]根据水深数据，利用线性插值确定所述待预测海域的地形高程数据；
[0026]根据所述地形高程数据，确定地形与所述待预测海域的流场之间的相关性；
[0027]在空间上逐层划分所述待预测海域，并确定划分得到的各个分区的影响因子与海流之间的相关性参数值。
[0028]可选地，所述在空间上逐层划分所述待预测海域，并确定划分得到的各个分区的影响因子与海流之间的相关性参数值，包括：
[0029]根据所述潮流与待预测海域的流场之间的相关性，以相关性中位数为判断值，将海域中相关性大于或等于所述判断值的海域归为第一区域，小于所述判断值的海域归为第二区域；
[0030]根据所述风场数据与所述待预测海域的流场之间的相关性，以相关性中位数为判断值；将所述第一区域中相关性大于或等于所述判断值的海域归于第三区域，小于所述判断值的海域归于第四区域；将所述第二区域中相关性大于或等于所述判断值的海域归于第五区域，小于所述判断值的海域归于第六区域；
[0031]根据所述地形与所述待预测海域的流场之间的相关性，以相关性中位数为判断值；将所述第三区域中相关性大于或等于所述判断值的海域归于第七区域，小于所述判断值的海域归于第八区域；将所述第四区域中相关性大于或等于所述判断值的海域归于第九区域，小于所述判断值的海域归于第十区域；将所述第五区域中相关性大于或等于所述判
断值的海域归于第十一区域，小于所述判断值的海域归于第十二区域；将所述第五区域中相关性大于或等于所述判断值的海域归于第十三区域，小于所述判断值的海域归于第十四区域；
[0032]将所述第七区域、所述第八区域、所述第九区域、所述第十区域、所述第十一区域、所述第十二区域、所述第十三区域以及所述第十四区域确定为划分得到的各个分区。
[0033]可选地，所述根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型，包括：
[0034]向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型进行学习处理，得到所述卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型的预测结果。
[0035]可选地，所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用卷积神经网络机器学习模型进行学习处理，得到卷积神经网络机器学习模型的预测结果，包括：
[0036]向所述卷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于空间特征差异的海流预测方法，其特征在于，包括：确定研究区域和研究时间；获取待预测海域的在一段时间内的表现因子和影响因子；其中，所述表现因子包括实测流场数据；所述影响因子包括所述待预测海域的地形数据、同一时段内的潮流数据、水深数据和风场数据；根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区；根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型；整合各个分区的流场模型，建立全区域流场模型，以确定全区域流场对影响因子的非线性响应；根据所述全区域流场模型获取预测流场数据，所述预测流场数据包括风场数据、潮流数据和水深数据。2.根据权利要求1所述的基于空间特征差异的海流预测方法，其特征在于，所述方法还包括：根据所述表现因子和所述影响因子，对所述表现因子和所述影响因子的时空变化规律进行可视化操作，绘制得到实测流场数据的流场矢量变化图、影响因子的潮汐相位变化图、风场矢量图、地形高程图和水深等值线图。3.根据权利要求1所述的基于空间特征差异的海流预测方法，其特征在于，所述根据所述表现因子和所述影响因子之间的相关性，建立相关性模型，并从空间上将所述待预测海域划分为多个分区，包括：根据潮流数据建立待预测海域的非线性潮汐运动模型；根据所述非线性潮汐运动模型，确定潮流与待预测海域的流场之间的相关性；根据风场数据建立待预测海域的风场模型；根据所述风场模型，确定风场数据与所述待预测海域的流场之间的相关性；根据水深数据，利用线性插值确定所述待预测海域的地形高程数据；根据所述地形高程数据，确定地形与所述待预测海域的流场之间的相关性；在空间上逐层划分所述待预测海域，并确定划分得到的各个分区的影响因子与海流之间的相关性参数值。4.根据权利要求3所述的基于空间特征差异的海流预测方法，其特征在于，所述在空间上逐层划分所述待预测海域，并确定划分得到的各个分区的影响因子与海流之间的相关性参数值，包括：根据所述潮流与待预测海域的流场之间的相关性，以相关性中位数为判断值，将海域中相关性大于或等于所述判断值的海域归为第一区域，小于所述判断值的海域归为第二区域；根据所述风场数据与所述待预测海域的流场之间的相关性，以相关性中位数为判断值；将所述第一区域中相关性大于或等于所述判断值的海域归于第三区域，小于所述判断值的海域归于第四区域；将所述第二区域中相关性大于或等于所述判断值的海域归于第五区域，小于所述判断值的海域归于第六区域；
根据所述地形与所述待预测海域的流场之间的相关性，以相关性中位数为判断值；将所述第三区域中相关性大于或等于所述判断值的海域归于第七区域，小于所述判断值的海域归于第八区域；将所述第四区域中相关性大于或等于所述判断值的海域归于第九区域，小于所述判断值的海域归于第十区域；将所述第五区域中相关性大于或等于所述判断值的海域归于第十一区域，小于所述判断值的海域归于第十二区域；将所述第五区域中相关性大于或等于所述判断值的海域归于第十三区域，小于所述判断值的海域归于第十四区域；将所述第七区域、所述第八区域、所述第九区域、所述第十区域、所述第十一区域、所述第十二区域、所述第十三区域以及所述第十四区域确定为划分得到的各个分区。5.根据权利要求4所述的基于空间特征差异的海流预测方法，其特征在于，所述根据所述表现因子和所述影响因子，建立所述多个分区流场与影响因子之间的机器学习模型，得到各个分区的流场模型，包括：向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型进行学习处理，得到所述卷积神经网络机器学习模型、LSTM预测模型或者BP神经网络预测模型的预测结果。6.根据权利要求5所述的基于空间特征差异的海流预测方法，其特征在于，所述向所述划分得到的各个分区分别输入训练时段的流场数据、风场数据、潮流数据、水深数据以及预测时段的风场数据、潮流数据、水深数据，使用卷积神经网络机器学习模型进行学习处理，得到卷积神经网...

【专利技术属性】
技术研发人员：任磊，高健豪，陈然，陈颖薇，戴晨睿，黄颖瑜，刘李哲，韦骏，黄硕，龚喜，陈顺华，
申请(专利权)人：南方海洋科学与工程广东省实验室珠海，
类型：发明
国别省市：