一种全球海洋声场智能重建与深海水深剖面预测方法
本发明属于海洋环境智能预测的,具体涉及一种全球海洋声场智能重建与深海水深剖面预测方法。
背景技术:
1、海洋声速剖面(sound speed profile,ssp)是描述海水中声速随深度变化规律的重要物理参数,是海洋声传播建模、水声通信、声呐探测、海洋环境预报以及水下目标定位等领域的重要基础数据。在海洋环境中,声波传播速度受到温度、盐度和压力的共同影响,因此声速剖面的变化具有明显的时空非平稳特征。
2、随着海洋观测技术的发展,以argo浮标观测系统为代表的全球海洋观测网络积累了大量温盐深剖面数据,为大尺度海洋声速场构建与预测提供了丰富的数据基础。然而,由于海洋环境受到季节变化、海气相互作用、中尺度涡旋活动以及海洋环流等多种因素共同影响,声速剖面呈现出复杂的非线性时空演化特征,因此如何实现高精度海洋声速剖面预测成为当前海洋声学领域的重要研究方向。
3、目前针对海洋声速剖面的研究主要集中在声速计算、声速场重建以及声速场预测三个方面。
4、(1)基于经验公式的声速计算方法
5、目前最常见的声速获取方式是经验公式法,这类方法利用海水温度、盐度以及压力参数建立经验关系,通过数学表达式直接计算对应深度的声速值,chen-millero公式是海洋声学研究中应用最广泛的声速计算模型之一,它具有较高的计算精度和较好的适用范围,因此能够较准确地反映不同海洋环境下声速的变化规律,在海洋声传播建模中具有重要应用价值。但是该类方法本质上属于统计计算方法,只能根据已知温盐数据计算当前时刻的声速剖面,无法预测未来时刻海洋声速场的变化情况,因此难以满足海洋环境预报和长期声场预测的需求。
6、(2)基于统计分析的声速场建模方法
7、为降低声速剖面高维特征带来的计算复杂度,研究人员提出基于经验正交函数(eof)的海洋声速场建模方法,该方法通过协方差矩阵特征值分解,将原始高维声速剖面分解为若干空间模态和对应时间系数的线性组合形式。大量研究表明,海洋声速剖面的主要变化信息通常集中在少数几个主导模态中,因此利用eof方法能够有效实现数据压缩和特征提取,但是上述方法主要基于线性假设建立模型,对于复杂海洋环境中的非线性变化过程描述能力有限,若海洋环境受到中尺度涡、海气耦合过程以及异常气候事件影响时,预测误差往往明显增大。
8、(3)基于机器学习和深度学习的声速预测方法
9、机器学习与深度学习方法也有应用于海洋环境预测领域,该类方法包括长短期记忆网络(lstm)、时序卷积网络(tcn)以及transformer模型等。其中,lstm通过循环神经网络结构建立时间依赖关系,它能够较好地捕获海洋环境参数的时间演化特征,transformer模型利用自注意力机制能够学习更长时间尺度上的依赖关系,它在海洋温度预测、海表高度预测以及海洋环境重建领域取得了较好的效果,但是直接利用深度学习模型预测完整海洋声速剖面仍然存在以下问题:
10、第一,海洋声速剖面属于高维连续剖面数据,深度维度通常达到数十层甚至上百层,模型参数规模较大,训练成本较高;
11、第二,不同深度层之间存在明显的物理耦合关系,直接预测整个剖面容易产生误差累积现象;
12、第三,深海层声速变化幅度较小,而浅层变化剧烈,在传统均方误差损失函数约束下,模型更容易关注浅层变化,导致深海预测精度下降;
13、第四,现有深度学习模型大多缺乏海洋声学背景知识约束,预测结果虽然能够获得较好的统计指标,但部分预测剖面可能出现与实际海洋环境不符的物理结构。
技术实现思路
1、本发明提出一种全球海洋声场智能重建与深海水深剖面预测方法,包含munk背景场约束、eof降维以及dlinear-depthcnn深度学习网络,以解决现有方法存在的高维建模困难、深海预测精度不足以及物理可解释性较弱等技术问题。
2、为实现上述目的,本发明提供了如下技术方案为:
3、一种全球海洋声场智能重建与深海水深剖面预测方法,首先采集海洋环境变量数据,包括温度、盐度以及压力信息,建立全深度海洋深度剖面,并结合munk深海声场模型构建背景声速场,从而分离出残差声速场;
4、然后采用经验正交函数方法从残差声速场中提取海洋声速场处于主导地位的eof空间模态和对应的eof时间系数,再利用时序预测模型对eof时间系数进行预测,获得未来时刻的eof时间系数;
5、最终通过eof重构和背景声速场恢复实现对未来时刻海洋声速剖面的预测。
6、进一步,将eof时间系数按照时间顺序组成历史时间序列,以此作为所述时序预测模型的输入,所述时序预测模型包括特征提取模块和dlinear预测模型,所述特征提取模块用于提取局部时序特征,所述dlinear预测模型以局部时序特征作为输入,预测未来时刻的eof时间系数。
7、进一步,先将当前时段的残差声速场以月为单位进行划分,采用经验正交函数方法对每个月的残差声速场进行分解,获得n阶eof空间模态和对应的eof时间系数,,
8、再将每个月的n个时间系数组成一组n维eof时间系数,进而按照时间顺序将所有月的n维eof时间系数组成历史时间序列,
9、其中,表示海洋深度,表示采样时刻,表示月份总数。
10、进一步,取累计解释方差贡献率超过95%的eof空间模态对应的eof时间系数,以此组成一组eof时间系数,再将12个月对应的多组eof时间系数构成历史时间序列输入特征提取模块,以提取局部时序特征,然后利用dlinear预测模型预测得到未来时空的eof时间系数,最后利用如下公式,得到重建的残差声速场:
11、
12、其中,为预测得到的未来时刻的eof时间系数;为训练阶段获得的eof空间模态。
13、进一步,所述特征提取模块采用cnn网络模型。
14、进一步,先以所述温度、盐度以及压力信息作为输入,对于每一个时间点和空间位置,利用chen-millero经验公式计算全深度海洋声速剖面,再根据深度信息作为输入,利用munk模型构建背景声速场,然后利用如下公式,将全深度海洋声速剖面分离出残差声速场,
15、
16、式中,表示残差声速场。
17、与现有技术相比,本发明的有益效果是:
18、(1)提高海洋声速剖面预测精度。
19、本发明通过引入munk深海声场模型对海洋声速剖面进行背景场分离,将具有稳定物理规律的深层声速变化趋势与局部环境扰动进行分解,使模型无需直接学习完整声速剖面的复杂非线性变化,仅需针对背景残差进行特征学习,从而降低了预测误差,提高了0~6000 m全深度范围内声速剖面的重构与预测精度。
20、(2)降低模型训练复杂度和参数规模。
21、本发明采用eof分解方法将高维声速剖面转换为少量主导特征系数,避免传统深度学习网络直接处理完整剖面数据所导致的大规模参数计算,随后结合轻量化预测网络dlinear实现特征系数预测,在保证预测精度的同时减少模型参数数量,降低训练资源需求,提高模型计算效率。
22、(3)提高模型预测速度,实现快速预测。
23、本发明通过物理背景场约束和低维特征表示减少了模型输入维度,并采用结构简单高效的线性预测网络dlinear替代复杂深层网络,使模型训练过程更加稳定并且预测过程计算量显著降低,可在30 min以内完成全深度海洋声速剖面的预测。
24、(4)增强预测结果的物理可解释性。
25、本发明将经典海洋声道理论模型与深度学习模型相结合,通过munk背景场描述大尺度稳定结构,然后通过eof模态表征主要环境变化,随后通过预测残差实现局地扰动修正,使得预测结果能够对应实际海洋环境变化规律,提高了模型内部机理透明度和结果可信度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com