一种基于随机森林算法的声速剖面估计方法及装置制造方法及图纸

本发明专利技术涉及一种基于随机森林算法的声速剖面估计方法，包括以下：样本数据获取，所述样本数据包括遥感参数、Argo数据以及WOA13数据；输入数据处理，对所述遥感参数进行数据转换得到输入数据，根据预设条件划分为训练集数据和测试集数据；输出数据处理，对所述Argo数据以及WOA13进行数据转换得到输出数据，根据所述预设条件的同等条件划分为训练集数据和测试集数据；将所述训练集数据输入RF模型进行模型训练得到训练好的RF模型，将所述测试集数据输入训练好的RF模型得到投影系数集；根据所述投影系数集进行剖面重构。本发明专利技术拟采用随机森林RF模型基于卫星观测数据SSTA和SSHA，对应经纬度取其余弦值得到经纬度数据，对应测量时间并将日期转化为序号的时间数据，对声速剖面样本进行反演，鲁棒性高且结果更为准确。鲁棒性高且结果更为准确。鲁棒性高且结果更为准确。

A method and device for estimating sound velocity profile based on random forest algorithm

【技术实现步骤摘要】
一种基于随机森林算法的声速剖面估计方法及装置


[0001]本专利技术涉及海域分析
，尤其涉及一种基于随机森林算法的声速剖面估计方法及装置。

技术介绍

[0002]声速剖面是声速在水体深度的分布变化，是研究海洋声传播的重要环境参数，声速剖面可以直接影响了水下声纳系统应用的效能。由于声速剖面大多数海洋内部过程都有海表特征，通过海表特征可以反映海洋内部的动态现象，如温盐结构，在很大程度上依赖表层的海洋动力学过程。通过对声速剖面进行反演，具有很多实际应用价值，可以快速获取大面积剖面，对区域可以减少测量次数，提高效率根据，节约测量剖面的费用。
[0003]因为声速剖面具有重要作用，所以关于如何获取声速剖面的相关问题受到了广泛关注，声速剖面的反演方法也不断发展。以往，人们对于声速剖面的认识主要在于其性质，当时的声速剖面方法主要是现场测量。进入90年代，在剖面反演问题里为了限制声速剖面反演的参数维数，引入了正交函数(Empirical orthogonal function，EOF)，LeBlanc发现在描述声速剖面时，以最小均方为标准，EOF是误差最小的基函数。Park等发现，使用前几阶的经验正交函数就可以表示海下信息，并且使用正交函数可以很好的对声速剖面进行反演。Carnes等通过统计得出了温度垂直结构的经验正交函数与动态高度之间的回归关系，通过单经验正交函数回归模型(Single empirical orthogonal function regression，sEOF
‑
r)能精确反演水体剖面参数。在利用EOF对水体建模的同时，许多海面参数与水体的模态函数间的关系的认识不断加深。
[0004]21世纪以后，随着遥感技术的发展，实时获取大范围海洋声速剖面的能力越来越强，数据总量不断积累；同时，机器学习、神经网络等人工智能方法的提出，使声速剖面在反演问题上的精度和效率有了重大提升。近年来涌现的几种具有代表性的方法包括：
[0005]方法一：基于单经验正交回归的声速剖面反演法
[0006]分析大量历史温度和盐度数据剖面图，将海面高度、海面温度、一年中的某一天、纬度和经度与温度和盐度剖面图联系起来，通过单经验正交函数回归模型(Single empirical orthogonal function regression，sEOF
‑
r)进行声速剖面反演。
[0007][1]Carnes,Michael R.,William J.Teague,and Jim L.Mitchell."Inference of Subsurface Thermohaline Structure from Fields Measurable by Satellite"[J].Journal of Atmospheric and Oceanic Technology,1994,11(2):551
‑
566.
[0008]方法二：基于自组织神经网络的声速剖面反演方法研究
[0009]将声速剖面样本分为不同水层，将不同水层内的梯度作为特征量形成输入数组，然后采用自组织地图(Self
‑
organizing map，SOM)竞争型神经网络进行声速剖面反演。
[0010][2]H.Li,K.Qu and J.Zhou,"Reconstructing Sound Speed Profile From Remote Sensing Data:Nonlinear Inversion Based on Self
‑
Organizing Map,"in IEEE Access,vol.9,pp.109754
‑
109762,2021,doi:10.1109/ACCESS.2021.3102608.
[0011]方法三：基于Xgboost的遥感参数反演方法研究
[0012]提出了一种新的集成学习算法，即极限梯度提升(XGBoost)，用于检索全球海洋上部2000米的地下温盐异常，包括地下温度异常和地下盐度异常。为地下温盐估算提供了有效的遥感技术，进一步推动了内部海洋参数的长期遥感重建。
[0013][3]Su,H.；Yang,X.；Lu,W.；Yan,X.
‑
H.Estimating Subsurface Thermohaline Structure of the Global Ocean Using Surface Remote Sensing Observations.Remote Sens.2019,11,1598.
[0014]当前的技术基本都是线性的sEOF
‑
r方法，普遍的缺点在于：
[0015](1)反演前需要对重构区域进行划分，而对于划分标准常常依据人的主观认识。这种空间和深度网格划分没有统一标准，可能导致不同人处理出现不同分类结果。
[0016](2)参数较少且参数之间采用简单的线性关系，无法准确解释海洋的复杂环境。

技术实现思路

[0017]本专利技术的目的是为了至少解决现有技术的不足之一，提供一种基于随机森林算法的声速剖面估计方法及装置。
[0018]为了实现上述目的，本专利技术采用以下的技术方案：
[0019]具体的，提出一种基于随机森林算法的声速剖面估计方法，包括以下：
[0020]样本数据获取，所述样本数据包括遥感参数、Argo数据以及WOA13数据；
[0021]输入数据处理，对所述遥感参数进行数据转换得到输入数据，根据预设条件划分为训练集数据和测试集数据；
[0022]输出数据处理，对所述Argo数据以及WOA13进行数据转换得到输出数据，后根据所述预设条件的同等条件划分为训练集数据和测试集数据；
[0023]将所述训练集数据输入RF模型进行模型训练得到训练好的RF模型，将所述测试集数据输入训练好的RF模型得到投影系数集；
[0024]根据所述投影系数集进行剖面重构。
[0025]进一步，具体的，所述遥感参数的SSTA获取自美国国家海洋大气管理局数据中心，SSHA获取自AVISO数据集，选用的时间分辨率为1天，空间分辨率为0.25
°×
0.25
°
；Argo数据获取自中国Argo资料中心的《全球海洋Argo散点资料集》；WOA13数据为温度盐度多年统计，空间分辨率0.25
°
的全年平均温盐剖面。
[0026]进一步，具体的，所述输入数据处理包括，
[0027]将所述遥感参数中SSTA以及SSHA所对应的经纬度取余弦值得到LAT以及LON数据，将Argo数据通过声速经验公式转换得到SSP数据的测量时间按正常年转化为1
‑
365的序号、闰年转化为1
‑
366的序号的方式转化得到数据DATE，将SSHA、SSTA、LAT、LON以及DATE作为模型输入标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机森林算法的声速剖面估计方法，其特征在于，包括以下：样本数据获取，所述样本数据包括遥感参数、Argo数据以及WOA13数据；输入数据处理，对所述遥感参数进行数据转换得到输入数据，根据预设条件划分为训练集数据和测试集数据；输出数据处理，对所述Argo数据以及WOA13进行数据转换得到输出数据，后根据所述预设条件的同等条件划分为训练集数据和测试集数据；将所述训练集数据输入RF模型进行模型训练得到训练好的RF模型，将所述测试集数据输入训练好的RF模型得到投影系数集；根据所述投影系数集进行剖面重构。2.根据权利要求1所述的一种基于随机森林算法的声速剖面估计方法，其特征在于，具体的，所述遥感参数的SSTA获取自美国国家海洋大气管理局数据中心，SSHA获取自AVISO数据集，选用的时间分辨率为1天，空间分辨率为0.25
°×
0.25
°
；Argo数据获取自中国Argo资料中心的《全球海洋Argo散点资料集》；WOA13数据为温度盐度多年统计，空间分辨率0.25
°
的全年平均温盐剖面。3.根据权利要求2所述的一种基于随机森林算法的声速剖面估计方法，其特征在于，具体的，所述输入数据处理包括，将所述遥感参数中SSTA以及SSHA所对应的经纬度取余弦值得到LAT以及LON数据，将Argo数据通过声速经验公式转换得到SSP数据的测量时间按正常年转化为1
‑
365的序号、闰年转化为1
‑
366的序号的方式转化得到数据DATE，将SSHA、SSTA、LAT、LON以及DATE作为模型输入标签。4.根据权利要求3所述的一种基于随机森林算法的声速剖面估计方法，其特征在于，具体的，所述输出数据处理包括，将WOA13数据通过Del Grosso声速经验公式换算成背景稳态剖面；将Argo数据通过声速经验公式转换得到SSP数据，将所述SSP数据表示为矩阵C，所述矩阵C为D
×
S阶矩阵，其中D为深度上的采样点数，S为样本数量，将矩阵C减去背景稳态剖面得到声速异常矩阵E，所述声速异常矩阵E为D
×
S阶矩阵；计算所述声速异常矩阵E的协方差矩阵R：...

【专利技术属性】
技术研发人员：欧圳翼，屈科，
申请(专利权)人：广东海洋大学，
类型：发明
国别省市：