[发明专利]一种基于随机森林模型的海洋涡旋混合非局地性预测方法

说明书

本发明公开了一种基于随机森林模型的海洋涡旋混合非局地性的预测方法。为了解决现有方法中对拉格朗日平衡时间和涡旋速度大小二者与混合非局地程度之间非线性关系研究不足的问题，本发明通过计算涡旋扩散率及涡旋扩散率误差值、基于标准差方法的所有自适应箱位置处的拉格朗日平衡时间、混合非局地椭圆、涡旋速度大小，将拉格朗日平衡时间和涡旋速度大小作为输入样本，将混合非局地程度大小作为输出样本，构建了随机森林模型从而得到海洋混合非局地程度预测值。本发明有助于正确认识涡旋混合非局地性在海洋和气候模拟与预报中的重要程度，为改进现有涡旋混合参数化方案提供了新思路，为进一步提高模式模拟和预报的准确性指明了方向。

技术领域

本发明涉及海洋涡旋混合非局地性预测领域，尤其是涉及利用机器学习方法进行涡旋混合非局地性程度的预测。

背景技术

现有海洋气候模式中一些次网格过程需要进行参数化处理。其中，海洋涡旋混合参数化是海洋气候模式模拟的重要组成部分。涡旋混合参数化中假设涡流通量可以用扩散率系数乘以局地示踪剂梯度来表示，但通过格林函数法将示踪剂通量扩展为一定形式，其清楚地表明了在给定点上的示踪剂通量取决于局地和非局地大尺度示踪剂梯度两个部分[1]，并且拉格朗日涡旋扩散率系数本质上也是非局地的。但是现有气候模式中对涡旋混合非局地性的认识和应用尚不够充分。气候模式对海洋混合非局地性特征的忽视限制了气候模式的预报精度和准确性。

目前已有研究通过在正压理想模型中构造混合非局地椭圆，用尺度方法来预测混合非局地程度[2]。然而在高分辨率仿真模型实验中，尺度方法与基于拉格朗日数值粒子的混合非局地程度之间的相关性显著，但是均方根误差较大。所以现有技术在定量预测混合非局地性上具有一定的局限性。

随机森林是一种机器学习算法，本质上是有放回取样的决策树的集合。对于本发明涉及的回归问题，随机森林模型的预测结果是决策树的平均值。随机森林模型具有强非线性拟合能力，能够捕捉到预测因子和预测响应值之间的非线性关系并且避免过拟合。但目前尚未有研究将混合非局地性预测和机器学习方法联系起来。拉格朗日平衡时间和涡旋速度大小两个特征参数与混合非局地性程度之间存在复杂非线性关系，但是已有方法不能刻画此非线性关系。因此，本发明提出一种基于随机森林模型的海洋涡旋混合非局地性预测方法，以提高对混合非局地性的预测准确性。

[参考文献]

[1]Kraichnan R H.Eddy viscosity and diffusivity:exact formulas andapproximations[J].Complex Systems,1987,1(4-6):805-820.Chen R,Gille S T,McClean J L,et al.A multiwavenumber theory for eddy diffusivities and itsapplication to the southeast Pacific (DIMES)region[J].Journal of PhysicalOceanography,2015,45(7):1877-1896.

[2]Chen R,Waterman S.Mixing Nonlocality and Mixing Anisotropy in anIdealized Western Boundary Current Jet[J].Journal of Physical Oceanography,2017,47(12):3015-3036.

发明内容

针对上述现有技术，本发明提出一种基于随机森林模型的海洋涡旋混合非局地性预测方法，利用随机森林模型构建两个输入特征变量(拉格朗日平衡时间和涡旋速度大小)与输出响应变量(混合非局地性程度)之间的非线性关系。与现有线性预测方法相比，这一发明提供的方法可以更准确地预测海洋混合非局地性程度。

为了解决上述技术问题，本发明提出的一种基于随机森林模型的海洋涡旋混合非局地性的预测方法，主要包括：

步骤1：计算涡旋扩散率及涡旋扩散率误差值；