[发明专利]一种基于海洋实测数据的表层准地转重构方法及系统

说明书

本发明涉及一种基于海洋实测数据的表层准地转重构方法及系统，该方法包括：采集海洋各个深度的数据作为训练集；以所述训练集中海表数据作为输入，海表以下各个深度的数据作为输出训练SQG算法、isQG算法和SQG‑mEOF‑R算法，获得海洋水下数据预测模型；获得卫星观测的海表数据；采用随机森林回归模型校正卫星观测的海表数据，获得校正后的海表数据；将所述校正后的海表数据中每天的海表数据的月气候态背景场替换为日变化的背景场，获得背景场替换后的海表数据；将所述背景场替换后的海表数据输入所述海洋水下数据预测模型，获得海表以下各个深度的对应海洋数据。本发明提高了重构的数据精度和鲁棒性。

技术领域

本发明涉及海洋数据预测技术领域，特别是涉及一种基于海洋实测数据的表层准地转重构方法及系统。

背景技术

近二十年来卫星观测技术的发展，对海洋中尺度现象的研究起到了前所未有的推动作用。近年来，准全球的海表面温度(SST)和海表面盐度(SSS)数据集已经达到0.05°的网格空间分辨率，如OSTIA SST和SMOS-BEC-L4 SSS；即将发射的SWOT卫星也将提供准全球的中尺度、亚中尺度海面高度(SSH)图像。尽管如此，卫星只能观测到海洋表层。另一方面，Argo浮标能够提供可达2000米深处的可靠剖面，但它们是零星和稀疏的。将卫星数据和现场观测相互结合和补充已经成为一种公认的解决思路(例如，Vinogradova et al.,2019年)。从卫星数据估计海洋内部的技术被称为水下反演/重建/估计。这种技术被视为遥感的延伸，即所谓的中深层海洋遥感(KlemasYan,2014)。由于实际应用的需要，大多采用统计方法，主要包括两类方法。

一种方法是直接构造表面场与剖面之间的(广义)回归关系。著名的模块化海洋数据同化系统(MODAS)率先使用多元线性回归方法(MLR)从海表温度和海平面高度重建三维场(Fox et al.,2002)。基于MODAS的类似技术，科学家利用各种卫星数据(例如，Guineahutet al.,2004；Buongiorno Nardelli,et al，2012)估算了次表层温度/盐度场(T/S)。人工智能(AI)技术的进步启发了研究人员使用人工智能算法来代替传统的线性方法。这些算法包括人工神经网络(Ballabera-poy et al.，2009)、自组织神经网络(Wu et al.，2012)、支持向量机(Su et al.，2015)、随机森林(RF,Random Forrest)(Su et al.,2018)、基于果蝇优化算法的广义回归神经网络(FOAGRNN)(Bao et al.，2019)等。基于EOF(经验正交函数)模态的提取方法也可推导海表和水下耦合的垂直投影模态。这种方法包括单EOF重构(sEOF-R)方法(carnes et al.，1990,1994)，最大经验模(GEM)(meien美国瓦茨,2000)和耦合模态重构(CPR)(Buongiorno NardelliSantoleri,2004)和多元EOF重构(mEOF-R)方法(Buongiorno NardelliSantoleri,2005；Buongiorno Nardelli et al.,2006；Wang etal.,2012；Buongiorno Nardelli et al.,2017；Buongiorno Nardelli et al.,2018)。

除上述纯统计方法外，另一研究路线是利用简化的动力学模型，如表层准地转(SQG)方法。作为一种重构方法，SQG算法很早之前就已用于对流层风场的反演，即位涡(PV)反演(HeldPierrehumbert,1995)。SQG方法在海洋中进行的首次重构仅利用了SQG模态(Isern-Fontanet et al.，2006)。LapeyreKlein(2006)提出了将表层浮力与次表层PV耦合的有效SQG(eSQG)方法。Wang et al.(2013)提出了内部-表层准地转(isQG,interior+SQG)方法，其中包括SQG模态和内部模态(正压模态和第一斜压模态)。isQG方法已应用于再分析数据集(Liu et al.，2014)且初步基于观测数据进行了验证(Liu et al.，2017)。