印度洋偶极子指数预测方法与流程

1.本发明涉及海洋环境参数计算技术领域，具体地涉及一种印度洋偶极子指数预 测方法。


背景技术：

2.偶极子现象(iod)是发生在印度洋海盆的大尺度物理海洋现象，对预测热带 太平洋厄尔尼诺-南方涛动有着重要作用。预测iod是否发生对研究气候变化和其 他重大海洋现象有着重要的意义。
3.iod是影响亚洲气候异常的重要系统之一。有科学家在在1999年提出iod的 概念，将印度洋西部(50
°e–
70
°
e，10
°s–
10
°
n)区域的平均海表温减去东部 (90
°e–
110
°
e，10
°
s-0
°
)区域的平均海表温定义为iod指数。iod存在显著的季 节位相锁定的特征，通常在夏季开始发展，秋季达到峰值，冬季迅速衰减，自1999 年以来，iod已经引起了国内外科学家的密切关注。
4.iod虽然仅表现为印度洋海温的异常，但是由于海洋和大气的相互作用会产生 更大的影响，导致印度洋周边地区、南美中部、非洲南端、澳大利亚东南部、东北 亚等区域出现气候异常。


技术实现要素：

5.针对现有技术中的缺陷，本发明的目的是提供一种印度洋偶极子指数预测方法。
6.根据本发明提供的一种印度洋偶极子指数预测方法，包括如下步骤：
7.获取至少包含指定海域周围风场数据特征的海洋-大气信息，以形成训练用数据集；
8.将所述数据集输入以预先设置的网络模型中训练，以得到能够预测指定海域海表温 度的预测模型；
9.利用所述预测模型预测所述指定海域，以获得未来特定时段的所述指定海域的海表 温度；
10.将所述指定海域按照预定划分方式，划分为东部区域和西部区域；
11.将所述西部区域的平均海表温度与所述东部区域的平均海表温度做差，以得到所述 指定海域的所述偶极子指数。
12.进一步，所述指定海域周围风场数据特征包括：
13.分布在所述指定海域周围多个点处的前六个月的风速
14.进一步，所述训练数据集中每个月的数据包含96个特征；
15.所述96个特征包括处于相应月份的：
16.分别在1000hpa、850hpa、500hpa、300hpa时的大气温度、位势高度、垂直速度、 水汽、东西风速、南北风速；
17.海域中心点的海面高、中心点海表温，以及中心点周围15个点的海表温度；
18.海域中心点分别在5m、15m、25m、35m、45m、55m、65m、75m、85m、95m海 深时的温度、东西方向海流、南北方向海流，以及盐度；
19.分布在海域周围15个点的前六个月的风速
20.进一步，所述网络模型为convlstm模型。
21.进一步，将5个月的海洋-大气信息看做一个时间步。
22.进一步，所述海洋大气信息的时间夸大至少为10年。
23.进一步，所述convlstm模型中的卷积方式设置为一维卷积。
24.进一步，所述convlstm模型中的卷积层为两层。
25.进一步，在训练所述convlstm模型时的拟合轮次设置为100。
26.与现有技术相比，本技术提出原始数据的基础上加入6个月风场信息的方法，为 海洋物理学的发展提供了新思路。仅依靠人力在繁杂庞大的海洋数据中选择对物理现象 有影响的因子十分困难。本技术实施例将深度学习应用到物理海洋学的研究上，为多学 科融合提供了帮助。在加入风场后，预测年份的相关系数均能够有所提高。
附图说明
27.通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、 目的和优点将会变得更明显：
28.图1为本技术提供的rmse预测数据示意图；
29.图2为本技术提供的acc预测数据示意图；
30.图3为本技术提供的预测数据折线图；
31.图4a、4b、4c、4d为本技术提供的得到的偶极子指数示意图；
32.图5a、5b、5c、5d为本技术提供的得到的偶极子指数示意图；
33.图6a、图6b、图6c、图6d、图6e、图6f、图6g分别为本技术提供的2015年6-12 月份真实海温数据示意图；
34.图7a、图7b、图7c、图7d、图7e、图7f、图7g分别为本技术提供的2015年6-12 月份预测海温数据示意图。
具体实施方式
35.下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人 员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技 术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于 本发明的保护范围。
36.21纪初期，还有科学家研究了iod对东亚气候的远程影响，其主要是通过波列的 形式将iod的异常信号传至东亚地区，进而导致中国南部和日本的气温异常。另有科学 家对比了iod正负位相下中国南方降水的差异，发现了iod正位相的发展阶段，孟加 拉湾的反气旋式环流将水汽途经中国南海输送至中国南方地区，引起夏季降水的异常增 多。还有学者也提到了iod通过遥相关对中国长江流域的降水产生影响。部分学者也研 究了iod与enso共同作用下对中国南方地区降水的影响。因此准确地预测iod的发 生能够为季汛期到来前的防汛工作提供帮助。
37.目前国内外很多学者对iod预测的研究一直在进行。美国国家环境预测耦合系统 (ncep cfs)包括全球海洋模型和大气层3d环流模型以及一个陆地模型，该耦合系统 提前2-3个月的预测相比提前5～6个月的预测更有优势。还有科学家利用中国科学院大 气物理研究所fgoals-f2季节内-季节气候预测系统对1981～2017年开展了24个集合 再预报试验。根据预测结果，提前一个月的预测拟合度为0.82，该数值随着预报时间的 延长而降低，对于提前5个月的预报拟合度为0.56。纵观对iod预测的研究过程，从简 单的耦合模型，到较复杂的耦合模型，再到全场同化以及异常场同化的初始化策略，引 入最优插值技术(enoi)和分析增量更新技术(iau)，到最后利用季节性调制和enso 强迫的随机动力(sdm)模型，它们的预测时长和准确度都不能满足实验研究的需要。 这些方法依靠人工筛选整合很难从庞大的数据中提取出复杂的数据关系。随着海洋数据 的日益庞大，需要新的方法来消化这些数据，而目前人工智能领域的深度学习方法对此 提出了回应。
38.本技术实施例在物理海洋学知识的基础上，使用能够挖掘时空信息的convlstm (convolutional lstm network，卷积lstm网络)深度神经网络，对海洋信息包括海 表温、水下温、水流流速、盐度、海面高以及大气信息包括温度、湿度、风场等信息进 行学习。并将风场信号作为能引起iod的因素之一对模型进行干预，在数据输入模型前 将风场信号加入到每个时间步进行学习，使模型能考虑到风场对iod事件的影响。凭借 convlstm对时空问题的学习能力，以及物理海洋学知识的干预，本技术实施例预测的 iod指数拟合度较高，能够拟合出真实的iod指数的变化趋势。
39.本技术实施例采用美国气象环境预报中心(ncep)提供的空间分辨率为1
°×1°ꢀ
的再分析数据集，对各种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等) 的观测资料进行质量控制和同化处理。该数据集具有包含要素多、范围广、延伸时间长 的特点。ncep提供的再分析数据集为月度数据。
40.本技术实施例面向印度洋内部，印度洋是世界的第三大洋(30
°
e-135
°
e， 30
°
n-66.5
°
s)。本技术实施例从necp提供的再分析数据集中选取范围为40
°e–ꢀ
110
°
e、-25
°s–
25
°
n的海域，使用1980年-2018年数据以滑动窗口的方式构造数 据集。2015年预测模型的训练集包含1980年-2014年数据，滑动窗口每次向后滑动一 年，训练数据集共25*253363325条数据，也称为样本数目m。测试集包含2005-2015 年数据，共2533条数据。本技术实施例对已经选取出来的海域进行预测，选取连续十 年及第十一年1-5月的海洋-大气数据，预测第十一年6-12月的海表温度。将每个月的 西部区域(50
°e–
70
°
e，10
°s–
10
°
n)的平均海表温减去东部区域(90
°e–
110
°
e， 10
°
s-0
°
)的平均海表温，得到iod指数，并通过折线图观察iod指数变化。
41.本技术实施例中每个月的海洋-大气数据由81个特征组成。影响数据点海表温度的 可能因素分为大气、海面、海下参数三部分。本技术实施例选取大气的温度，位势高度， 垂直速度，水汽，东西风速，南北风速，在不同高度(1000、850、500、300hpa)上的 数据，共24个大气因子。海面参数包含中心点的海面高(ssh)，中心点海表温(sst) 及周围15个点的海表温度，共17个。海下参数包含中心点的不同海深(5,15,25,35,45, 55,65,75,85,95m)的温度、东西方向海流、南北方向海流和盐度(sss)，共40个。
42.本技术实施例将风场数据引入特征，探究风场数据对iod指数的影响。通过在每个 月的海洋-大气数据中加入周围15个点的前6个月的风速，构造特征不同的数据集(每 个月
的数据由96个特征组成)。
43.本技术实施例采用的数据集如：
44.表1
[0045][0046]
表2
[0047][0048]
表3
[0049][0050]
表4
[0051][0052]
本技术实施例采用convlstm方法，传统的fc-lstm并没有考虑到空间上的相关性， 只考虑到时间上的相关性，cnn恰巧相反，cnn最重要的操作是卷积，能够很好的提 取空间特征，但是不能把握时间序列信息。对抗神经网络(gan)采用对抗的方式进行 训练，是一种生成式模型，对于时间序列预测问题还不够成熟。而convlstm在时间 序列的问题基础上，能更好地挖掘空间相关性。本实施例在预测海表温的过程中，为了 能更好的提取出海洋-大气特征，采用convlstm方法来对每个时间步上的海洋大气数 据进行卷积来提取特征。
[0053]it
＝σ(w
xi
*x
t
wi*h
t-1
w
ci
℃
t-1
bi)
ꢀꢀ
(1)
[0054]ft
＝σ(w
xf
*x
t
wf*h
t-1
w
cf
℃
t-1
bf)
ꢀꢀ
(2)
[0055]ct
＝f
t
℃
t-1
i
t
°
tan(w
xc
*x
t
wc*h
t-1
bc)
ꢀꢀ
(3)
[0056]0t
＝σ(w
xo
*x
t
wo*h
t-1
w
co
℃
t
bo)
ꢀꢀ
(4)
[0057]ht
＝o
t
°
tanh(c
t
)
ꢀꢀ
(5)
[0058]
convlstm结构如上公式所示，其中i，f，c，o，h.分别表示输入门、遗忘门、细胞 状态、输出门、以及某时刻的输出。相较于lstm而言，其中x，c，h，i，o，f都变为了三 维张量，*代表卷积操作，表示矩阵对应元素相乘，又称为hadamard乘积。convlstm 使用了lstm的三个门控制结构，能够遗忘掉历史中不重要的信息，并保留下重要的信 息，在长时间序列的问题上表现较好，能够有效的避免rnn梯度消失和梯度爆炸的问 题。convlstm方法可以对
复杂的空间特征进行卷积，以及对长时间序列较强的记忆能 力，因此本技术实施例采用了该方法。
[0059]
本技术实施例旨在预测每年7-12月份的海表温，时间序列较长并且需提供多步预 测模型。在设计模型时并没有选择以一个月作为一个时间步，时间步数设置为125时， 由于卷机过程过多会出现梯度爆炸。为了更好地提取时空信息和避免梯度问题，将五个 月的海洋-大气信息看做一个时间步，减少时间步数，将一个时间步里的数据增多。由 于iod的发生的时间周期较长，为了使本实施例的训练数据包含一个完整的iod事件周 期，本实施例采用的历史十年的信息来进行预测。在设置convlstm超参数的过程中， 发现convlstm使用一维卷积对于这种长时间序列的处理更具有优势。本技术实施例 通过改变样本的维度，将convlstm中的卷积方式设置为一维卷积。在实验的过程中 发现，由于convlstm结构复杂，将训练集迭代次数设置过大，会导致模型参数矩阵 完全适用于训练集数据，而不能拟合测试集。这会出现过拟合现象。考虑到调整参数的 过程中的实际情况，本技术实施例将epoch(轮次)设置为100，使得模型对训练集的 拟合程度达到刚刚好的效果。模型层数和预测效果直接相关，使用cnn模型预测海表 温度时，一般采用三-五层的卷积层，但本技术实施例的模型只采用两层convlstm层 预测海表温。这得益于convlstm是lstm和cnn神经网络的结合，convlstm对时 空数据具有强大的挖掘能力。在实验中，将模型层数加多，会导致过拟合现象的发生， 具有两个convlstm层和一层dense层的convlsmt模型效果最佳。
[0060]
本技术实施例模型使用adam作为优化器，使用mse作为loss函数，卷积核的大小 为(1,3)。使用两层convlstm2d,神经元数目设置为42，每个时间步都返回输出当作 下一个时间步的输入，卷积填充设置为same填充。convlstm2d的输出经过一层全连 接层直接映射到本实施例要预测的7个月的海表温，实现多步输出。
[0061]
本技术实施例将过去125个月的海洋-大气数据作为训练集，预测未来7个月的海 表温，也就是6～12月的海表温。并使用训练集的20％作为验证集，并调整模型参数， 最终得到最优模型。关于iod指数的预测，本实施例为了表现真实iod与预测iod指 数的拟合情况，本实施例使用了相关度来表现预测性能。
[0062]
3.1 rmse、acc比较
[0063]
对于海表温的预测，本实施例使用了均方根误差(rmse)和精确度(acc)作 为评估指标。rmse用来衡量观测值和真值之间的偏差，能反映预测值误差的实际情况， 公式如下：
[0064][0065]
其中m代表样本点的个数。x
pred，i
代表第i个样本点的预测值，x
real，i
则代表第i 个样
[0066]
本点的预测值。有风和无风状态下的acc、rmse如下表4，以及图1、图2和图 3所示：
[0067][0068]
本技术实施例预测iod指数是基于海表温计算得出，海表温的预测在一定程度上决 定了最终iodindex预测的准确性，从rmse来看，明显可以看出出现iod的年份2015 年以及2016年预测的误差较正常年份2017年2018年rmse误差更大，并且预测时间更 长rmse更大，这是符合预期的。本实施例进行长期预测海表温的rmse整体在0.4℃-0.6℃ 之间，除了个别月份rmse超过了0.6℃(15年的12月份，18年的12月份，2016年 的9月份)，从rmse可以看出加入风场后的预测数据在iod年份上表现更好。但是在 正常年份上，加入风场与不加入风场的rmse差别不大。
[0069]
从acc上来看，加入风场后的整体准确度在98％以上，尤其是在两个iod年 份2015年和2016年效果更好。虽然在正常年份2016、2017年，加入风场的预测精度 有所下降，但是差别并不大，从整体上来看，加入风场更加稳定。从整体上看，本技术 实施例提出的预测iod指数的模型精确度较高，在不加入风场数据前，就已达到了较高 的精度。
[0070]
3.2真实iod指数与预测iod指数
[0071]
本实施例将2015年、2016年、2017年、以及2018年作为测试集，使用训练好 的convlstm方法对海表温进行预测，并且将(50
°e–
70
°
e，10
°s–
10
°
n)区域 的平均海表温减去东部(90
°e–
110
°
e，10
°
s-0
°
)的平均海表温计算出iod指数。 本实施例做了两套模型，一套的特征是81维海洋大气数据，另一套在81维特征的基础 上，在每个时间步81维特征的基础上，加上了6个月前的风场。两套模型所得到的 iodindex分别如图4a、4b、4c、4d；以及图5a、5b、5c、5d所示。
[0072]
从图中可以看出，iod指数具有季节性变化的特征，在夏季开始升高，秋季达到峰 值，冬季迅速衰减，这种变化在2015年的超强iod中，表现得尤为明显。图中的红色 实线为2015年真实iod指数的变化曲线，可以看出，在2015年10月iod指数达到峰 值，接近1.0。iod现象不仅仅表现为秋季iod指数明显升高(称为正向iod现象)， 往往在之后的一年会出现iod指数减小到低谷，这称为负iod现象。在2016年出现了 超强负iod现象，6月份iod指数呈降低趋势，在7月份降至最低，接近-2.5。iod现 象往往是正iod和负iod现象接连出现。从图中可以看出，在2015-2016年，由预测 海表温得到的iod指数序列基本呈现出iod季节变化的特征。并且在加入风场数据的 折线图中，可以看出蓝色线更加接近红色线，对真实值的拟合度更高。加入风场数据的 模型误差更小使得计算出来的iod指数更加接近真实值，证明了风场数据对iod指数 有积极的影响。从总体上看，通过本技术实施例的模型预测值计算出的iod指数序列对 真实iod变化曲线的的拟合度较高，有明显的峰值和低谷，可以判断iod是否发生。 对比2017年两套实验的结果，可以看出加入风场数据后，消除了iod指数在2017年6 月和12月的误差。使用原始数据集的模型，iod指数在11月份出现了突然的抬升情况， 加入风场数据后，这种某一个月份的误差异常的情况得到了解决。这说明加入风场数
据 后的模型稳定性更高。从2018年的对比中可以看出，加入风场后iod指数在更多的月 份更加接近真实iod指数。本技术实施例的模型通过对两套模型的对比，验证了海洋物 理学的先验知识，很多学者认为6至8个月以前或者更早的局地风场信息影响着iod现 象。从图中可以看出，加入风场数据后的模型计算出的iod指数更加接近真实值，验证 了风场数据和iod现象有着重要的关系。
[0073]
相关系数可以反映变量之间相关关系密切程度的统计指标。相关系数的值越接近1， 证明两组变量相关度更高。本实施例计算了预测的7个月的iod指数与真实iod指数的 相关系数。相关系数越高，预测iod指数曲线更接近真实值的变化趋势。相关系数如下 表5所示：
[0074][0075]
从iod指数图可以看出，在原始的数据上加入风场后，2015-2017年的iod index 的预测精度都有所提高，对于2015年的超强正iod事件，预测的强度有所提高，相关 度从91.51％提高到了92.24％。对于2016年的超强负iod事件，预测也更加贴近，相 关度从69.50％提高到72.24％。从相关系数来看2015年、2016年、2017年的相关系数 都有明显的提高。2015年到2018年的平均相关度从81.48％提高到82.84％。但是可以 看出本实施例的预测强度还是不够高，在2015年和2016年的超强正负iod事件中，预 测的强度还是不够高。在正常年份(2017、2018)的预测中，iod index的拟合程度较 好。2015-2017年相关系数和acc折线图结合来看，2017年是相关系数最低的一年， 发现模型在17年6月精度最高达到0.990以上，但是精度波动较大。2018年是相关系 数最高的一年，可以看出在acc折线图中，2018年模型acc比其他年份更加稳定， 在0.985左右波动。这说明，模型的稳定性和相关系数密切相关。
[0076]
如图6a、图6b、图6c、图6d、图6e、图6f和图6g，以及图7a、图7b、图7c、 图7d、图7e、图7f和图7g分别表示2015年6-12月份真实海温和预测数据示意图。可 以看出，印度洋海表温度在6月份呈现出东高西低，在10月份西部海域的海表温度整 体高于东部海域。iod现象影响的东西部海域呈现出季节性变化的趋势，符合iod指 数在夏季降至谷底，在秋季达到峰值的规律。从整体上观察，预测出的热力图大体上模 拟出了印度洋真实海温的分布趋势。在6-10月的真实热力图中可以看出，阿拉伯海、 孟家拉湾和赤道附近海域(7
°
n～-7
°
n、50
°
e～100
°
e)温度较高，其他海域温度较 低，而对应的预测海温图也具有这样的特征，这说明本技术实施例的模型的精确度较高， 误差较小。预测出的热力分布也符合iod现象的规律，西部和东部海域温度差值变化明 显。在预测图中，6月份东部海域温度略高于西部，并且随着月份逐渐进入冬季，印度 洋呈现出整体降温的趋势，在10月份，西部海域的温度值整体上有所升高，而东部海 域整体海温降低。
[0077]
本技术实施例验证了海洋物理的先验知识，iodindex受到风场信号的影响，2015年 到2018年的平均相关度从81.48％提高到82.84％。本技术实施例通过海洋物理知识和深 度学习的结合，对已有的海洋知识进行了验证。本技术实施例使用的模型误差较小，在 对海表温的预测上，2015-2018年平均rmse为0.5493、0.5599,0.462,0.4836加入风场 后，平均rmse为0.5124,0.5532,0.5121,0.4902,rmse明显下降，说明局地风场对海表 温也着
重要的影响。
[0078]
iod作为一种大尺度海洋物理现象是，影响全球气候季节到年际变化的重要因 子，，受到了风场，大气，海下热量搬运，以及洋流等各种因素的影响，仅仅依靠海表 温预测的实验可靠性差。本技术实施例通过海洋-大气的多源多模态数据对iodindex进 行了中长期预测，15-18年相关系数为91.51％、69.50％、69.17％、95.73％。对15年的 超强iod事件以及18年预测尤其精准。以往处理庞杂的数据需要耗费大量的人工和计 算资源，通过convlstm处理多维特征、长期的海洋信息，对简单的物理耦合系统更 加快捷，精确。中国科学院大气物理研究所fgoals-f2季节内-季节气候预测系统对于 提前5个月的预报拟合度为0.56，随着预测期的提前，精度产生了下降。本技术实施例 模型提前7个月预测，iod指数与真实值的差距总体较小。
[0079]
本技术实施例提出原始数据的基础上加入6个月风场信息的方法，为海洋物理学的 发展提供了新思路。仅依靠人力在繁杂庞大的海洋数据中选择对物理现象有影响的因子 十分困难。本技术实施例将深度学习应用到物理海洋学的研究上，为多学科融合提供了 帮助。在加入风场后，15-17年相关系数均有提高，18年的相关系数降低，这和实验结 果的偶然性有关。
[0080]
本技术实施例使用convlstm神经网络结构，通过十年及第十一年1-5月共125个 月海洋大气数据对iod指数进行6—12月份的预测，进行提前7个月的预测。并且使用 相关系数来表示本实施例预测的iod index曲线和真实的曲线的拟合程度，测试结果表明 加入风场特征的相关系数达到了82.84％。
[0081]
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特 定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影 响本发明的实质内容。