一种基于人工智能的海洋温盐结构反演方法技术

本发明专利技术公开一种基于人工智能的海洋温盐结构反演方法，属于电数字处理技术领域，用于进行海洋温盐结构反演，包括获取试验区的浮标观测剖面，引入质量控制条件进行筛选，将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组，将分组后的温盐数据集用三个元模型训练，反演海洋温盐结构；将三个元模型输出的温盐信息重新作为输入，对温度和盐度进行集成矫正，得到最终温盐结构反演结果。本发明专利技术结合聚类算法和三种模型的优势，运用集成策略融合结果，反演得到的温盐结构具有较高的时空分辨率和鲁棒性。的时空分辨率和鲁棒性。的时空分辨率和鲁棒性。

【技术实现步骤摘要】
一种基于人工智能的海洋温盐结构反演方法


[0001]本专利技术公开一种基于人工智能的海洋温盐结构反演方法，属于电数字处理


技术介绍

[0002]海洋温度和盐度是海水最重要的变量之一，在海洋水团、动力过程、防灾减灾和气候变化的研究中发挥着十分重要的作用。海洋温度和盐度在多尺度海洋
‑
大气动力耦合过程中都具有重要的调制作用。例如，温度较高(>26℃)的上层海洋是热带气旋生成和发展的能量来源。台风的增强取决于上层海洋的温度结构，即上层海洋热含量，热含量较大的海域更容易使台风增强。海洋盐度是大洋环流形成的重要因素，调控海洋中水循环与海洋物质运输。海洋温度和盐度在研究海洋热浪、温跃层等演变过程中也具有重要作用。因此，准确描述海洋温盐结构的状况，对加深海洋中各尺度动力过程的理解具有重要的指导意义。尽管海洋的温盐观测存在多种方式，但目前主要依赖于卫星和现场观测。卫星遥感能进行大面积、高频次地进行海洋表面观测，实现数据天覆盖率，但只能得到海表的温盐信息。现场观测的准确性高，并且可观测全水深的温盐剖面信息，但成本较高且难以达到较高的时空覆盖率。例如来自全球海洋观测网计划提供的浮标剖面，10天完成一次下潜与上浮的观测周期，但全球空间分辨率低。受观测数据资料和反演模型固有缺陷的限制，海洋温盐结构反演目前仍存在一些问题。例如，海洋反演的模型结构较为简单，已有模型输入参量较为单一，反演模型的精度有待提高等，而且目前主流反演模型仅能提供月平均的温盐结构，不足以捕捉海洋的中小尺度变化，难以分辨中尺度涡的影响。

技术实现思路

[0003]本专利技术的目的在于提供一种基于人工智能的海洋温盐结构反演方法，以解决现有技术中，主流温盐反演模型结构简单，且反演精度不足的问题。
[0004]一种基于人工智能的海洋温盐结构反演方法，包括：S1.获取试验区的浮标观测剖面，引入质量控制条件进行筛选；S2.将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；S3.运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组；S4.将分组后的温盐数据集用于光梯度提升机算法、随机森林、极端梯度提升算法三个元模型中训练，通过网格搜索找到最优参数，反演海洋温盐结构；S5.将三个元模型输出的温盐信息重新作为输入，分别运用偏最小二乘回归算法和多层感知机神经网络的集成策略对温度和盐度进行集成矫正，得到最终温盐结构反演结果。
[0005]S1中的筛选的具体条件为：浮标观测剖面数据的盐度、温度、压力的质量控制标记为1或2；
剖面中相邻采样点盐度跃值小于0.5psu，温度跃值小于1℃，深度跃值小于300m；每个浮标观测剖面采样点总数大于10个；浮标观测剖面第一个采样点深度小于等于10m，最深采样点大于50m。
[0006]S2包括：S2.1.将浮标观测剖面深度为10m
‑
1150m的数据划分为46层；S2.2.将浮标观测剖面温盐数据与气候态温盐数据作差，计算出不同深度层次温盐的异常；S2.3.根据浮标观测剖面的时空信息匹配对应的海表温度、海面高度异常、海表风速的东向和北向分量；S2.4.由匹配的信息经度、纬度、海表风速的东向和北向分量、海表温度、海面高度异常、月份作为输入，温度和盐度的异常作为模型标签，来分别构建温度和盐度数据集。
[0007]S3包括：对于温度结构的反演运用高斯聚类算法进行分组，对于盐度结构的反演运用K均值聚类算法进行分组，将数据集分为2簇。
[0008]S4包括：三个元模型均按以下步骤执行：数据集切分为训练集和验证集，将S2.4中的输入作为温度数据集的七个变量，将七个变量作为元模型输入，温度或盐度异常作为标签；运用网格搜索策略，选择三折交叉验证，找出元模型各个参数的最优值；运用最优参数模型反演海洋的温盐结构，以均方根误差作为模型评估指标。
[0009]S5包括：对于偏最小二乘回归算法，输入项为3个变量，使用偏最小二乘回归算法的集成策略对温度和盐度进行集成矫正，主成分个数K=1。
[0010]S5包括：对于多层感知机，输入层为3，输出层为1，选取单隐藏层，神经元个数以5为步长从5
‑
30个进行遍历，选择均方根误差最小的神经元个数；多层感知机的集成策略对温度和盐度进行集成矫正，神经元个数为10个。
[0011]相对比现有技术，本专利技术具有以下有益效果：本专利技术结合聚类算法和三种模型的优势，运用集成策略融合结果，反演得到的温盐结构具有较高的时空分辨率和鲁棒性，对于研究海域的多种动力过程具有参考价值，能在海洋生态系统、海洋防灾减灾和海洋气候变化的研究中发挥重要的作用。
附图说明
[0012]图1是本专利技术的技术流程图；图2为三个元模型与多层感知机集成策略的垂向盐度结构性能对比图；图3为不同阶段反演的温度结构均方根误差的平均值折线图；图4为不同阶段反演的温度结构百分比误差的平均值折线图；图5为不同阶段反演的温度结构相关性系数；图6为三个元模型与偏最小二乘回归集成模型的垂向温度结构性能对比图；图7为不同阶段反演的盐度结构均方根误差的平均值折线图；图8为不同阶段反演的盐度结构百分比误差的平均值折线图；图9为不同阶段反演的盐度结构相关性系数。
具体实施方式
[0013]为使本专利技术的目的、技术方案和优点更加清楚，下面对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0014]一种基于人工智能的海洋温盐结构反演方法，包括：S1.获取试验区的浮标观测剖面，引入质量控制条件进行筛选；S2.将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；S3.运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组；S4.将分组后的温盐数据集用于光梯度提升机算法、随机森林、极端梯度提升算法三个元模型中训练，通过网格搜索找到最优参数，反演海洋温盐结构；S5.将三个元模型输出的温盐信息重新作为输入，分别运用偏最小二乘回归算法和多层感知机神经网络的集成策略对温度和盐度进行集成矫正，得到最终温盐结构反演结果。
[0015]S1中的筛选的具体条件为：浮标观测剖面数据的盐度、温度、压力的质量控制标记为1或2；剖面中相邻采样点盐度跃值小于0.5psu，温度跃值小于1℃，深度跃值小于300m；每个浮标观测剖面采样点总数大于10个；浮标观测剖面第一个采样点深度小于等于10m，最深采样点大于50m。
[0016]S2包括：S2.1.将浮标观测剖面深度为10m
‑
1150m的数据划分为46层；S2.2.将浮标观测剖面温盐数据与气候态温盐数据作差，计算出不同深度层次温盐的异常；S2.3.根据浮标观测剖面的时空信息匹配对应的海表温度、海面高度异常、海表风速的东向和北向分量；S2.4.由匹配的信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的海洋温盐结构反演方法，其特征在于，包括：S1.获取试验区的浮标观测温盐剖面，引入质量控制条件进行筛选；S2.将筛选后的浮标观测剖面与气候态温盐数据和多源卫星遥感数据进行时空配准，构建46层温盐数据集；S3.运用高斯聚类算法和K均值聚类算法分别对温盐数据集进行分组；S4.将分组后的温盐数据集用于光梯度提升机算法、随机森林、极端梯度提升算法三个元模型中训练，通过网格搜索找到最优参数，反演海洋温盐结构；S5.将三个元模型输出的温盐信息重新作为输入，分别运用偏最小二乘回归算法和多层感知机神经网络的集成策略对温度和盐度进行集成矫正，得到最终温盐结构反演结果。2.根据权利要求1所述的一种基于人工智能的海洋温盐结构反演方法，其特征在于，S1中的筛选的具体条件为：浮标观测剖面数据的盐度、温度、压力的质量控制标记为1或2；剖面中相邻采样点盐度跃值小于0.5psu，温度跃值小于1℃，深度跃值小于300m；每个浮标观测剖面采样点总数大于10个；浮标观测剖面第一个采样点深度小于等于10m，最深采样点大于50m。3.根据权利要求2所述的一种基于人工智能的海洋温盐结构反演方法，其特征在于，S2包括：S2.1.将浮标观测剖面深度为10m
‑
1150m的数据划分为46层；S2.2.将浮标观测剖面温盐数据与气候态温盐数据作差，计算出不同深度层次温盐的异常；S2.3.根据浮标观测剖面的时空信息匹配对应的海表温度、海面高度异常、海表风速的东...

【专利技术属性】
技术研发人员：管守德，罗灿，赵玮，王一帆，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：