一种预测海洋次表层温度异常的方法与流程

本发明属于海洋温度预测技术领域，具体涉及一种预测海洋次表层温度异常的方法。

背景技术：

海洋内部三维物理场十分复杂，诸多的海洋现象都发生在海洋表面下一定深度内，但是海表下的具体情况人们目前难以了解。所以要想更深入的研究和了解海洋内部环境，需要大量海洋内部观测数据。全球有限的argo浮标观测数据远远满足不了对海洋内部运动过程研究的需求，实测数据的大量匮乏使我们对海洋内部现象和动力场及其变化过程的研究结果不够准确。

而海洋的温度能够反应海洋现象，比如最明显的就是厄尔尼诺现象，因南太平洋地区海水的异常增温，导致南美沙漠地区降水量增大，而澳大利亚东部湿润地区出现干旱现象，因此预测到海洋温度异常对于了解海洋内部三维物理场，提供信息支持非常必要。

技术实现要素：

本发明的目的是为了能够预测海洋次表层温度异常，提出一种预测海洋次表层温度异常的方法。

为了实现上述目的，本发明采用的技术方案如下：

一种预测海洋次表层温度异常的方法，所述步骤如下：

s1:获得海洋表面观测数据，所述数据为海洋表面实测的数据；

s2:通过海洋表面实测的数据与支持向量机结合预测得出海洋次表层温度异常数据；

s3:采用中尺度涡识别方法，对海洋次表层温度异常数据处理，提高数据精度；

s4:将s3中的海洋次表层温度异常数据与实测次表层温度异常对比；

s5:得到预测的海洋次表层温度异常数据。

优选地，海洋表面实测的数据包括海表温度数据、海表盐度数据、海表风场数据以及海表高程数据。

优选地，气候平均态数据来源于近20年的海表数据，所述海表数据包括海表温度数据、海表盐度数据、海表风场数据以及海表高程数据，求出气候平均态，得到异常数据(海表温度异常、海表盐度异常、海表风场异常以及海表高程异常)。

优选地，中尺度涡识别满足如下条件：

单个海表异常数据场在空间上进行高通滤波，去除纬向(经向)大(小)半径为10°(5°)的高斯滤波器并获得的平滑场，

(1)通过形状测试：海表异常数据的封闭轮廓(cc)偏离其拟合圆的面积之和，与其拟合圆面积之比，称为形状误差，使其误差小于55％；其误差公式如下：

其中，为封闭轮廓偏离其拟合圆的面积之和，为拟合圆面积；

(2)封闭轮廓所围面积内包含的像素数，满足以下条件：

imin<i<imax

其中，imin＝8和imax＝1000。

(3)只包含sla值高于(低于)当前反气旋涡(气旋涡)sla区间值的像素；

(4)包含不包括一个反气旋涡(气旋涡)的本地sla最大值(最小值)；

(5)封闭轮廓内的ssh最大值与最小值之差，称为振幅a，满足以下条件：

1cm≤a≤150cm

当一个封闭轮廓(通过高通滤波与平滑后得到的sla的插值轮廓，cc)通过上述测试后，该轮廓内被识别为一个气旋涡，该轮廓被称为涡流的有效周长(ceff)。其相关有效半径(leff)为与ceff所包围区域面积相同的圆的半径，ceff的质心用peff表示，同面积并且以peff为圆心的用⊙peff表示；

最后，屏蔽涡旋对应的sla像素，使得该区域无法进行进一步的涡旋识别。

优选地，支持向量机方法如下：

svr具有稀疏性，若样本点与回归模型足够接近，即落入回归模型的间隔边界内，则该样本不计算损失，对应的损失系数称之为ε-不敏感系数(ε-insensitiveloss)：l(z)＝max(o,|z|-∈)，其中∈是决定间隔边界宽度的超参数。使用松弛变量ξ，ξ^*表示ε-不敏感损失函数的分段取值后可得：

s.t.yi-f(x)≤∈+ξi

ξ≥0,ξ^*≥0

通过引入拉格朗日乘子：α,α^*,μ,μ^*可得其拉格朗日函数和对偶问题：

其中对偶问题有如下kkt条件：

αi|f(x)-yi-∈-ξi|＝0

对该对偶问题进行求解可以得到svr的形式为：

本文采用的模型是ε-svr模型，当且仅当模型预测值f(x)与真实值y，满足|f(x)-y|>ε时，才计算模型损失。这样可以实现具有较强的鲁棒性回归，保留了svm的优点，泛化能力更强。

优选地，在支持向量机中使用经过py-eddy-tracker高斯滤波筛选。

上述技术方案可以得到以下有益效果：

本发明能够解决支持向量机预测在深度300m后出现深度异常预测效果不佳的情况，本发明在支持向量机的基础上增加中尺度涡识别，将中尺度涡对海洋次表层温度异常的影响，加入到支持向量回归模型中，可以增加300m后温度异常的预测效果，使得预测海洋次表层温度数据效果更好，为了解海洋内部三维物理场，提供信息支持。

附图说明

图1是识别2010年10月1日中尺度涡图。

图2是10m-300m深度实测图。

图3是500m-1500m深度实测图。

图4是支持向量机预测10m-300m深度海洋次表层温度异常图。

图5是支持向量机预测500m-1500m深度海洋次表层温度异常图.

图6是经过py-eddy-tracker筛选后的500m海洋次表层温度异常图。

具体实施方式

下面结合附图对本发明做进一步的说明：

如图1-2所示，一种预测海洋次表层温度异常的方法，所述步骤如下：

s1:获得海洋表面观测数据，所述数据为海洋表面实测的数据；

s2:通过海洋表面实测的数据与支持向量机结合预测得出海洋次表层温度异常数据；

s3:采用中尺度涡识别方法，对海洋次表层温度异常数据处理，提高数据精度；

s4:将s3中的海洋次表层温度异常数据与实测次表层温度异常对比；

s5:得到预测的海洋次表层温度异常数据。

优选地，海洋表面实测的数据包括海表温度数据、海表盐度数据、海表风场数据以及海表高程数据。

优选地，气候平均态数据来源于近20年的海表数据，所述海表数据包括海表温度数据、海表盐度数据、海表风场数据以及海表高程数据,求出气候平均态，得到异常数据(海表温度异常、海表盐度异常、海表风场异常以及海表高程异常)。

优选地，中尺度涡识别满足如下条件：

单个海表异常数据场在空间上进行高通滤波，去除纬向(经向)大(小)半径为10°(5°)的高斯滤波器并获得的平滑场，

(1)通过形状测试：海表异常数据的封闭轮廓(cc)偏离其拟合圆的面积之和，与其拟合圆面积之比，称为形状误差，使其误差小于55％；其误差公式如下：

其中，为封闭轮廓偏离其拟合圆的面积之和，为拟合圆面积；

(2)封闭轮廓所围面积内包含的像素数，满足以下条件：

imin<i<imax

其中，imin＝8和imax＝1000。

(3)只包含sla值高于(低于)当前反气旋涡(气旋涡)sla区间值的像素；

(4)包含不包括一个反气旋涡(气旋涡)的本地sla最大值(最小值)；

(5)封闭轮廓内的ssh最大值与最小值之差，称为振幅a，满足以下条件：

1cm≤a≤150cm

当一个封闭轮廓(通过高通滤波与平滑后得到的sla的插值轮廓，cc)通过上述测试后，该轮廓内被识别为一个气旋涡，该轮廓被称为涡流的有效周长(ceff)。其相关有效半径(leff)为与ceff所包围区域面积相同的圆的半径，ceff的质心用peff表示，同面积并且以peff为圆心的用⊙peff表示；

最后，屏蔽涡旋对应的sla像素，使得该区域无法进行进一步的涡旋识别。

优选地，支持向量机方法如下：

svr具有稀疏性，若样本点与回归模型足够接近，即落入回归模型的间隔边界内，则该样本不计算损失，对应的损失系数称之为ε-不敏感系数(ε-insensitiveloss)：l(z)＝max(o,|z|-∈)，其中∈是决定间隔边界宽度的超参数。使用松弛变量ξ，ξ^*表示ε-不敏感损失函数的分段取值后可得：

s.t.yi-f(x)≤∈+ξi

ξ≥0,ξ^*≥0

通过引入拉格朗日乘子：α,α^*,μ,μ^*可得其拉格朗日函数和对偶问题：

其中对偶问题有如下kkt条件：

αi|f(x)-yi-∈-ξi|＝0

对该对偶问题进行求解可以得到svr的形式为：

本文采用的模型是ε-svr模型，当且仅当模型预测值f(x)与真实值y，满足|f(x)-y|>ε时，才计算模型损失。这样可以实现具有较强的鲁棒性回归，保留了svm的优点，泛化能力更强。

优选地，在支持向量机中使用经过py-eddy-tracker高斯滤波筛选。

实施案例：

(1)识别2010年10月1日中尺度涡，图1中包括气旋涡和反气旋涡；

(2)利用argo数据实测的次表层温度异常(单位均为℃)(图2-3所示)；

(3)通过支持向量机预测2010年10月日海洋次表层温度异常(单位均为℃)(图4-5所示)；

(4)对比中尺度涡与支持向量回归模型预测的温度异常：在100m～300m深度的次表层温度异常与中尺度涡有很高的相关性，将中尺度涡加入到模型中，即在支持向量机中再次使用经过py-eddy-tracker高斯滤波筛选后的ssha场，进行次表层温度预测，得到500m深度温度异常。

在图2-3与图4-5对比可以看出通过支持向量机预测0～300m的效果不错，但是超过300m随着深度增加而预测效果越来越差。而且预测图的异常区域显示不清晰不连续。

由于，在中深层的海洋次表层的温度异常，主要因为由于中尺度涡具有一定的能量运输的能力，将海表与海底能量交换产生温度异常现象。所以加入中尺度涡和高斯滤波，得到图6。从显示效果上，显示区域连续清晰。图6与图5(g)可以清楚地看出温度异常区域，即显示效果远好于仅单使用支持向量机预测。图6与图3(g)对比，预测精度明显提高，例如在美国东海岸有一个明显的海洋次表层低温异常情况，在图6中也准确的的标明；在南纬30°～60°即南大西洋、南印度洋和南澳大利亚海洋次表层均有点状高温异常现象，在图6中也很好的展示出来。可从图6所示与图3、图5所示对比，可以发现预测效果有很大的提升，并且解决了在中深层预测精度较低的现象。

以上所述均为本发明的优选实施方式，对于本技术领域的普通技术人员，在不脱离本发明的原理前提下，对本发明的各种等价形式的修改均属于本申请所附权利要求的保护范围。