[发明专利]基于空间特征差异的海流预测方法以及系统

说明书

本发明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。

技术领域

本发明涉及海流数据处理技术领域，尤其是基于空间特征差异的海流预测方法以及系统。

背景技术

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。

1传统人工预报方法

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。

2神经网络预报法

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。

3数值建模预报方法

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。

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。

发明内容

有鉴于此，本发明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。

本发明的一方面提供了基于空间特征差异的海流预测方法，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；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；