一种基于定深数据的全海深温度剖面反演方法及系统技术方案

本发明专利技术公开了一种基于定深数据的全海深温度剖面反演方法及系统，所述方法包括：实时获取两个固定深度处的海洋温度；将获取的温度值输入预先建立和训练好的神经网络模型，得到p阶EOF系数；从历史水文数据中提取出平均温度剖面与前p阶EOF基函数，利用p阶EOF系数计算全海深温度剖面。本发明专利技术方法无需布放深度垂直温度链，系统复杂度低，易于布放和操作，可在较大区域内应用；利用AUV获取深海温度，AUV具有较好的机动性，可根据任务需要进行布放，实现大区域内三维温度场建模。区域内三维温度场建模。区域内三维温度场建模。

【技术实现步骤摘要】
一种基于定深数据的全海深温度剖面反演方法及系统


[0001]本专利技术属于水声工程、海洋工程、声呐
，具体涉及一种基于定深数据的全海深温度剖面反演方法及系统。

技术介绍

[0002]海水中最重要的声学参数是声波传播速度，海水声速剖面的垂直分布是影响水下声场特性的主要因素之一，它决定了声波在海洋中折射和传播路径。海水温度是影响声速最大的因素，因此，近实时地获取全海深温度剖面至关重要。
[0003]一般而言，温度数据往往要通过CTD、XBT或锚碇温度链等进行现场采样，但是该方法费时费力且无法同步获取大面积的数据，因此科学家更倾向于采用反演法。卫星遥感手段可以实时获取大面积乃至全球的海表温度资料，具有较高的空间分辨率。回归统计分析的方法可以构建海面温度异常、海面高度异常与全海深温度剖面的经验回归模型，进而反演得到三维海洋温度场，但在温跃层附近精度较低。使用人工神经网络的方法利用海表面参数可以估计声速剖面，然而通过遥感卫星资料得到的信息仅仅停留在海洋表层或者近表层，利用表层信息反演得到的也仅是温度剖面的平均稳态场，反演精度较低，参见参考文献[1](“Estimation of Sound Speed Profiles Using Artificial Neural Networks”，2006年发表在《IEEE Geoscience&Remote Sensing Letters》第3期，起始页码为467)。海洋声层析也是一种常见的反演方法，可以利用声学方法来监测海洋的中尺度过程，然而发射
>‑
接收器的高功耗一直是主动声层析的制约因素。研究人员利用历史的水文资料结合有限深度范围(20m
‑
40m)直接测量的温度重构了全海深范围内的声速剖面，然而并未研究对于重构出全海深声速剖面时需要用到实测数据的最小深度范围等问题，参见参考文献[2](“利用有限深度声速数据重构全海深声速剖面”，2008年发表在《声学技术》第5期，起始页码为106)。
[0004]随着科技水平的不断发展，水下自治机器人(Autonomous Underwater Vehicle,AUV)越来越多地被应用于海洋特征观测，AUV的快速发展使得直接测量任一深度处的水文参数成为可能。AUV上可搭载温度传感器，在浮力基本平衡后可以通过调节首摇角和纵摇角来获取指定深度处的温度数据。

技术实现思路

[0005]本专利技术的目的在于克服现有技术反演得到的三维海洋温度场在温跃层附近精度较低的缺陷。
[0006]为了实现上述目的，本专利技术提出了一种基于定深数据的全海深温度剖面反演方法，所述方法包括：
[0007]步骤S1：实时获取两个固定深度处的海洋温度；
[0008]步骤S2：将获取的温度值输入预先建立和训练好的神经网络模型，得到p阶EOF系数；
[0009]步骤S3：从历史水文数据中提取出平均温度剖面与前p阶EOF基函数，利用p阶EOF系数计算全海深温度剖面。
[0010]作为上述方法的一种改进，所述神经网络模型采用BP神经网络，通过固定深度处的温度与前p阶EOF系数的历史水文数据完成神经网络的训练。
[0011]BP神经网络的训练过程分为正向传播和反向传播两个阶段；
[0012]首先是正向传播，即输入2个定深温度数据，经输入层传入，通过隐含层逐层处理后到达输出层，得到网络计算结果；根据损失函数loss＝|y
out
‑
y|计算出网络计算结果与实际输出之间的误差，其中y
out
为网络输出，y为实际输出；若损失误差超过设定阈值，则进入到反向传播阶段；
[0013]反向传播是将损失误差通过隐含层反向传递输入层，并将误差平均分配到各层的所有单元，根据梯度下降法修正各个单元的连接权值；
[0014]正向、反向传播循环进行，使得连接权值不断调整，直至损失误差在阈值范围内，完成模型训练。
[0015]作为上述方法的一种改进，所述步骤S1具体为：依据从历史水文数据中提取的第p阶EOF基函数两个极值点处对应的深度，在指定海域这两个固定深度处布设两个AUV，AUV上搭载温度传感器，在浮力基本平衡后通过调节首摇角和纵摇角来实时获取两个固定深度处的温度数据。
[0016]作为上述方法的一种改进，所述步骤S3具体为：
[0017]获得历史水位数据中温度剖面在M个时间点的采样值，每个温度剖面经过层化处理在深度上具有N个值，将M个温度剖面样本表示成矩阵的形式：
[0018][0019]其中，t
M
(z
N
)表示温度剖面在第M个时间点第N个深度上的取值，计算M个温度剖面在每一层的平均温度，得到平均温度剖面
[0020][0021]其中，[]T
表示对向量进行转置；将温度矩阵T减去平均温度剖面得到温度扰动：
[0022][0023]将ΔT进行奇异值分解，得到：
[0024]ΔT
T
＝UΣV
T
[0025]其中，V＝[v1,
…
v
N
]∈R
N
×
N
是矩阵ΔTΔT
T
∈R
N
×
N
的特征向量，即为要提取的经验正交函数；U＝[u1,
…
u
M
]∈R
M
×
M
是矩阵ΔT
T
ΔT∈R
M
×
M
的特征向量，Σ＝diag([λ1…
λ
N
])∈R
M
×
N
表示特征值矩阵；每一个特征向量对应的特征值表示此特征向量的权重；前m阶模态函数的累积方差贡献率表示为：
[0026][0027]其中，λ
k
表示第k个特征值；
[0028]利用贡献率E
m
大于95％的前p阶EOF基函数重构温度剖面，得到全海深温度剖面矩阵：
[0029][0030]其中，[α
1M α
2M
ꢀ…ꢀ
α
pM
]T
表示系数矩阵UΣ＝[α1ꢀ…ꢀ
α
N
]∈R
M
×
N
的前p阶；表示矩阵V＝[v1,
…
,v
N
]∈R
N
×
N
的前p阶；
[0031]其中，温度剖面中第i个深度温度值为：
[0032][0033]其中，i∈N；α
p
表示第p阶EOF系数，v
p
表示第p阶EOF基函数，表示历史水位数据第i个深度平均温度。
[0034]作为上述方法的一种改进，所述p优选2。
[0035]本专利技术还提供一种基于定深温度数据的全海深温度剖面反演系统，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于定深数据的全海深温度剖面反演方法，所述方法包括：步骤S1：实时获取两个固定深度处的海洋温度；步骤S2：将获取的温度值输入预先建立和训练好的神经网络模型，得到p阶EOF系数；步骤S3：从历史水文数据中提取出平均温度剖面与前p阶EOF基函数，利用p阶EOF系数计算全海深温度剖面。2.根据权利要求1所述的基于定深温度数据的全海深温度剖面反演方法，其特征在于，所述神经网络模型采用BP神经网络，通过固定深度处的温度与前p阶EOF系数的历史水文数据完成神经网络的训练；BP神经网络的训练过程分为正向传播和反向传播两个阶段；首先是正向传播，即输入2个定深温度数据，经输入层传入，通过隐含层逐层处理后到达输出层，得到网络计算结果；根据损失函数loss＝|y
out
‑
y|计算出网络计算结果与实际输出之间的误差，其中y
out
为网络输出，y为实际输出；若损失误差超过设定阈值，则进入到反向传播阶段；反向传播是将损失误差通过隐含层反向传递输入层，并将误差平均分配到各层的所有单元，根据梯度下降法修正各个单元的连接权值；正向、反向传播循环进行，使得连接权值不断调整，直至损失误差在阈值范围内，完成模型训练。3.根据权利要求1所述的基于定深温度数据的全海深温度剖面反演方法，其特征在于，所述步骤S1具体为：依据从历史水文数据中提取的第p阶EOF基函数两个极值点处对应的深度，在指定海域这两个固定深度处布设两个AUV，AUV上搭载温度传感器，在浮力基本平衡后通过调节首摇角和纵摇角来实时获取两个固定深度处的温度数据。4.根据权利要求1所述的基于定深温度数据的全海深温度剖面反演方法，其特征在于，所述步骤S3具体为：获得历史水位数据中温度剖面在M个时间点的采样值，每个温度剖面经过层化处理在深度上具有N个值，将M个温度剖面样本表示成矩阵的形式：其中，t
M
(z
N
)表示温度剖面在第M个时间点第N个深度上的取值，计算M个温度剖面在每一层的平均温度，得到平均温度剖面一层的平均温度，得到平均温度剖面其中，[]
T
表示对向量进行转置；将温度矩阵T减去平均温度剖面得到温度扰动：将ΔT进行奇异值分解，得到：ΔT
T
＝UΣV
T
其中，V＝[v1,
…
v
N
]∈R
N
×
N
是矩阵ΔTΔT
T
∈R
N
×
N
的特征向量，即为要提取的经验正交函数；U＝[u1,
…
u
M
]∈R
M
×
M
是矩阵ΔT
T
ΔT∈R
M
×
M
的特征向量，Σ＝diag([λ1…
λ

【专利技术属性】
技术研发人员：秦继兴，李倩倩，严娴，顾怡鸣，王海斌，王梦圆，吴双林，
申请(专利权)人：中国科学院声学研究所，
类型：发明
国别省市：