一种基于海洋实测数据的表层准地转重构方法及系统与流程

1.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：

2.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(klemas&yan,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。
3.一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，guineahut et 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 nardelli&santoleri,2004)和多元eof重构(meof-r)方法(buongiorno nardelli&santoleri,2005；buongiorno nardelli et al.,2006；wang et al.,2012；buongiorno nardelli et al.,2017；buongiorno nardelli et al.,2018)。
4.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(held&pierrehumbert,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)。lapeyre&klein(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)。
5.针对sqg模态和第一斜压模态只能反映表层强化的pv结构(assassi et al.,2016)、sqg和isqg方法在模拟次表面强化涡(通常中心在200～1000m之间)时存在固有缺陷
的问题，yan et al.(2020)将sqg模态与meof统计模态相结合，提出了结合统计方法和动态方法二者优点的sqg-meof-r方法，并在涡旋分辨率的ofes(用于地球模拟器的大洋环流模式)模式下输出的产品中通过观测系统模拟实验(osse)，验证了新方法在表层强化涡旋(ses)主导的西北太平洋(nwp；30
°
n～38
°
n，150
°
e～158
°
e)和次表层强化涡旋(sses)主导的东南太平洋(sep；16
°
s～24
°
s，96
°
w～104
°
w)的有效性。
6.在sqg动力学方程中，t/s并不是显式变量。虽然在将状态方程线性化的前提下，t/s可以通过密度剖面形状直接投影(pedlosky,1982)，但其振幅的拟合并不稳健。为此，yan et al.(2021)首次实现了利用sqg密度重构进行水下温盐反演的研究(ls-meofs算法)，将密度重构场投影到经验模态上，并利用最小二乘拟合确定meofs的振幅。利用涡旋分辨率模式数据，通过将sqg及衍生算法(sqg、isqg、sqg-meof-r)的t/s反演与线性统计算法(mlr、meof-r)和非线性机器学习算法(foagrnn和rf)进行比较，表明基于sqg的密度重构(以及其他任何密度场)与基于ls-meofs算法的t/s反演相结合是一种有效的动力-统计框架，结合动力信号很多时候可以比盲目使用复杂的机器学习算法效果更优。
7.虽然sqg及衍生算法在基于模式产品的观测系统模拟实验中取得了较好效果，但将其应用到实测数据中并不是可以一蹴而就的。事实上，目前仅有liu et al.,2017的工作涉及到sqg方法的实测数据应用(以下称为l17方案)，但其卫星数据作为输入的重构结果相当差。l17方案将问题归因于遥感海表盐度数据的较大误差，但事实上即使以月气候态为背景场也会产生较大的重构误差。在基于模式产品的应用中，不难发现背景场是逐日变化的。这种日数据中提取的低通滤波背景场是非静态的，从中可以提取出“真正意义上”的异常值或者扰动值，其相对于当日的真实场来说是无偏的。而月度气候态使得sqg解难以成立，日数据与月数据存在的明显偏差会投影到水下，从而影响重构效果。


技术实现要素：

8.本发明的目的是提供一种基于海洋实测数据的表层准地转重构方法及系统，提高了重构的数据精度和鲁棒性。
9.为实现上述目的，本发明提供了如下方案：
10.一种基于海洋实测数据的表层准地转重构方法，包括：
11.采集海洋各个深度的数据作为训练集；
12.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；
13.获得卫星观测的海表数据；
14.采用随机森林回归模型校正卫星观测的海表盐度，获得校正后的海表盐度；
15.将所述校正后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；校正后的海表数据包括校正后的海表盐度；
16.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。
17.可选地，所述训练集中各个深度的数据包括世界海洋地图集中温度或盐度，以及argo全球观测v3.0数据集中的温度或盐度剖面观测数据。
18.可选地，所述卫星观测的海表数据包括reynolds oisst v2.1数据集的海表温度
数据、欧洲航天局气候变化倡议sss v1.8数据集的海表盐度数据以及数据统一和高度计组合系统的绝对动力拓扑数据。
19.可选地，所述采用随机森林回归模型校正卫星观测的海表盐度，获得校正后的海表盐度，具体包括：
20.以卫星观测的海表温度数据、海表盐度数据、绝对动力拓扑数据、经度和纬度为输入，以对应的近海表盐度为输出训练随机森林回归模型，获得训练好的随机森林回归模型；所述近海表盐度为argo全球观测v3.0数据集中最浅层的盐度；
21.将卫星观测的海表温度、海表盐度、绝对动力拓扑、经度和纬度输入所述训练好的随机森林回归模型，获得校正后的海表盐度。
22.可选地，所述日变化的背景场的获得还包括：
23.以从卫星观测的绝对动力拓扑数据、近海表盐度、近海表温度、经度和纬度为输入，海表以下各个深度的盐度或温度为输出训练多元线性回归模型，获得训练好的多元线性回归模型；所述近海表盐度为argo全球观测v3.0数据集中最浅层的盐度，所述近海表温度为argo全球观测v3.0数据集中最浅层的温度；
24.将卫星观测的每天的校正后的海表盐度、海表温度、绝对动力拓扑数据、经度和纬度输入多元线性回归模型，将所述多元线性回归模型的输出进行低通滤波，获得对应日变化背景场。
25.本发明还公开了一种基于海洋实测数据的表层准地转重构系统，包括：
26.训练集数据采集模块，用于采集海洋各个深度的数据作为训练集；
27.海洋水下数据预测模型获得模块，用于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；
28.卫星观测的海表数据获得模块，用于获得卫星观测的海表数据；
29.数据校正模块，用于采用随机森林回归模型校正卫星观测的海表盐度，获得校正后的海表盐度；
30.背景场替换模块，用于将所述校正后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；校正后的海表数据包括校正后的海表盐度；
31.各个深度的海洋数据获得模块，用于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。
32.可选地，所述训练集中各个深度的数据包括世界海洋地图集中温度或盐度，以及argo全球观测v3.0数据集中的温度或盐度剖面观测数据。
33.可选地，所述卫星观测的海表数据包括reynolds oisst v2.1数据集的海表温度数据、欧洲航天局气候变化倡议sss v1.8数据集的海表盐度数据以及数据统一和高度计组合系统的绝对动力拓扑数据。
34.可选地，所述数据校正模块，具体包括：
35.随机森林回归模型训练单元，用于以卫星观测的海表温度数据、海表盐度数据、绝对动力拓扑数据、经度和纬度为输入，以对应的近海表盐度为输出训练随机森林回归模型，获得训练好的随机森林回归模型；所述近海表盐度为argo全球观测v3.0数据集中最浅层的盐度；
36.数据校正单元，用于将卫星观测的海表温度、海表盐度、绝对动力拓扑、经度和纬度输入所述训练好的随机森林回归模型，获得校正后的海表盐度。
37.可选地，所述背景场替换模块还包括：
38.多元线性回归模型训练单元，用于以从卫星观测的绝对动力拓扑数据、近海表盐度、近海表温度、经度和纬度为输入，海表以下各个深度的盐度或温度为输出训练多元线性回归模型，获得训练好的多元线性回归模型；所述近海表盐度为argo全球观测v3.0数据集中最浅层的盐度，所述近海表温度为argo全球观测v3.0数据集中最浅层的温度；
39.日变化背景场获得单元，用于将卫星观测的每天的校正后的海表盐度、海表温度、绝对动力拓扑数据、经度和纬度输入多元线性回归模型，将所述多元线性回归模型的输出进行低通滤波，获得对应日变化背景场。
40.根据本发明提供的具体实施例，本发明公开了以下技术效果：
41.本发明通过随机森林回归模型校正卫星观测的海表数据，降低了海洋水下数据预测模型输入海表数据的偏差，并且将海表数据的月气候态背景场替换为日变化的背景场，进一步降低海洋水下数据预测模型输入海表数据的偏差，提高了重构的数据精度和鲁棒性。
附图说明
42.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
43.图1为本发明一种基于海洋实测数据的表层准地转重构方法流程示意图；
44.图2为本发明一种基于海洋实测数据的表层准地转重构方法详细流程示意图；
45.图3为本发明一种基于海洋实测数据的表层准地转重构系统结构示意图。
具体实施方式
46.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.本发明的目的是提供一种基于海洋实测数据的表层准地转重构方法及系统，提高了重构的数据精度和鲁棒性。
48.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
49.图1为本发明一种基于海洋实测数据的表层准地转重构方法流程示意图，如图1所示，一种基于海洋实测数据的表层准地转重构方法，包括：
50.步骤101：采集海洋各个深度的数据作为训练集。
51.采集的数据包括reynolds oisstv2.1数据集的海表温度(sst)数据、欧洲航天局气候变化倡议(esa-cci)sss v1.8数据集的海表盐度(sss)数据、数据统一和高度计组合系
统(duacs)的绝对动力拓扑(adt)数据、世界海洋地图集(woa)温度/盐度(t/s)月气候态数据、argo全球观测v3.0数据集的t/s剖面观测数据。
52.采用2010-2013年和2015-2017年的数据为训练集，2014年和2018年的数据为验证集。将原始剖面资料(argo剖面和与之匹配的woa剖面)的t/s插值到[10、20、30、40、50、75、100、125、150、200、250、300、400、500、600、700、800、900、1000]dbar的19个垂直层上，得到标准剖面资料；取原始剖面资料最浅层的t/s作为近海表温度/近海表盐度(nst/nss)；由于不同重构方案取adt、dg、sh三者之一表示海面高度(ssh)，因此以1000dbar作为参考层计算剖面资料的比容高度(sh)和动力高度(dh)，并通过[经度，纬度，adt]与[dh或sh]之间的回归进行adt到dh的调整或adt到sh的调整，adt或者调整后的dh/sh和sst、sss等一起作为重构方案的输入数据，即海表数据。
[0053]
步骤102：以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。
[0054]
表面准地转方法(sqg)基于准地转方程，可以直接得到地转流和海水密度。sqg的基本假设是，在准地转近似下，内部海流的源可分解为两部分：一是边界层的浮力/密度异常，二是流体内部的位涡。
[0055]
准地转位涡方程的原始形式为：
[0056][0057]
其中，ψ为准地转流函数；f0为区域平均的科氏力，β为区域平均的科氏力的经向平均；q为准地转位涡(qgpv)；h为海底深度，x、y和z为空间位置，x表示经度、y表示纬度、z表示深度。
[0058]
通过低通(lp)滤波器《
·
》，背景场也应满足式(1)：
[0059]
l《ψ》 f0 βy＝《q》
ꢀꢀꢀ
(2)
[0060]
注意式(2)中的背景场是非静态的，即随着时间变化的。式(1)和式(2)相减才是真正意义上的扣除背景场后的qgpv方程，即用于重构的扰动方程形式：
[0061][0062]
其中bs＝-gρs/ρ0为海表浮力扰动，ρs为海表密度扰动，ρ0为水柱平均密度，g为重力加速度。ψ和q为准地转流函数和qgpv的扰动形式。
[0063]
表层准地转(sqg)算法：由于q未知，通过将q设为0，在傅立叶空间求解(称为表面解)，其解即sqg解或sqg模态ψs，然后根据，然后根据求得密度ρ和速度v，这就是sqg方法，其将表层密度信号投影到海洋内部。
[0064]
内部-表层准地转(isqg)算法：实际海洋中，q在海洋内部不为零，但由于内部位涡无法直接观测、只能进行理论分析。isqg(interior sqg)方法将方程分解为表面解和内部解。内部解是由海表高度引入的，反映了海表高度信号对海洋内部的影响。正压模态和第一斜压模态为内部解的前两个模态，叠加正压模(f0)和第一斜压模(f1)到sqg模上，通过“海表高度”(事实上是动力高度dh)异常η确定振幅a0，a1(式(4))；通过实现isqg重构。
[0065][0066]
其中，字母表达式上面加“^”是估计值的意思，表示ψ的估计值，表示ψs的估计值，表示η的估计值。
[0067]
表层准地转-多元eof重构(sqg-meof-r)算法：使用统计meof模态，但其是扣除sqg解获得的，采用第一统计模m1和海表的sh(动力高度)异常sha拟合振幅a1(式(5))；通过ρ＝a1m1 ρ
sqg
实现sqg-meof-r密度重构，ρ
sqg
是sqg解的密度。
[0068]
sha(0)＝a1m1(0)
ꢀꢀꢀ
(5)
[0069]
步骤103：获得卫星观测的海表数据。
[0070]
步骤104：采用随机森林回归模型校正卫星观测的海表盐度，获得校正后的海表盐度。
[0071]
由于卫星观测数据特别是sss数据具有较大的误差，与argo的近海表观测是不可能完全一致的。由式(3)可知，sqg解由海表浮力即海表密度决定。如liu2017的研究(l17方案)，卫星sss的严重偏差是利用卫星数据进行重构失败的首因。
[0072]
其中，步骤104具体包括：
[0073]
以卫星观测的海表温度数据、海表盐度数据、绝对动力拓扑数据、经度和纬度为输入，以对应的近海表盐度为输出训练随机森林回归模型，获得训练好的随机森林回归模型；近海表盐度为argo全球观测v3.0数据集中最浅层的盐度。
[0074]
将卫星观测的海表温度、海表盐度、绝对动力拓扑、经度和纬度输入训练好的随机森林回归模型，获得校正后的海表盐度。
[0075]
步骤105：将校正后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；校正后的海表数据包括校正后的海表盐度。
[0076]
背景场不能简单地用每月气候态背景场代替。公式(3)在模式产品应用中可以被认为是理所当然的，因为日变化的低通(low-pass，lp)滤波背景场是始终可得的。然而，就l17方案中使用的每月气候态而言，公式(2)不成立。因此，除非公式(2)的额外残差被强制叠加到扰动上，否则公式(3)无法在傅里叶空间中求解。当采用公式(3)进行重构时，将加上系统误差。系统误差不仅包括月气候背景和日变化背景之间的偏差，还包括由气候态背景继承的海表扰动偏差，这些偏差将进一步投射到海洋内部。
[0077]
其中，步骤105具体包括：
[0078]
以卫星观测的绝对动力拓扑数据和近海表盐度、近海表温度、经度和纬度为输入，海表以下各个深度的盐度或温度为输出训练多元线性回归模型，获得训练好的多元线性回
归模型；近海表盐度为argo全球观测v3.0数据集中最浅层的盐度，近海表温度为argo全球观测v3.0数据集中最浅层的温度。
[0079]
将卫星观测的每天的校正后的海表盐度、海表温度、绝对动力拓扑数据、经度和纬度输入多元线性回归模型，将多元线性回归模型的输出进行低通滤波，获得对应日变化背景场。
[0080]
步骤106：将背景场替换后的海表数据输入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。
[0081]
训练集中各个深度的数据包括世界海洋地图集中的温度或盐度，以及argo全球观测v3.0数据集中的温度或盐度剖面观测数据。
[0082]
卫星观测的海表数据包括reynolds oisst v2.1数据集的海表温度数据、欧洲航天局气候变化倡议sss v1.8数据集的海表盐度数据以及数据统一和高度计组合系统的绝对动力拓扑数据。
[0083]
如图2所示，本发明利用初猜的背景场(日变化背景场)、海表密度异常场、argo区域平均n2剖面和调整后的dh或sh计算sqg、isqg和sqg-meof-r的解。图2中虚线表示训练节点，下划线表示标签量(输出量)。
[0084]
本发明一种基于海洋实测数据的表层准地转重构方法是一种能够使sqg及衍生算法应用于实测数据的初猜(fg)方案。该方案具有鲁棒性，可以使sqg、isqg和sqg-meof-r在弱层结和水平相对均匀的sep区域的重构精度优于rf机器学习算法(鲁棒性好、精度有所改进)。一方面，与l17方案相比，fg方案通过提供较为可靠的日变化背景场使公式(2)和(3)成立，从而消除了海表面异常输入的偏差，避免了～0.97kg/m3(nwp海域)或～0.13kg/m3(sep海域)的海表偏差投射到海洋内部。另一方面，鉴于海表盐度也是重构误差的来源之一，fg方案通过使用cci sss产品并进行随机森林算法校正，有效地降低了海表密度的不确定性。
[0085]
图3为本发明一种基于海洋实测数据的表层准地转重构系统结构示意图，如图3所示，一种基于海洋实测数据的表层准地转重构系统，包括：
[0086]
训练集数据采集模块201，用于采集海洋各个深度的数据作为训练集。
[0087]
海洋水下数据预测模型获得模块202，用于以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。
[0088]
卫星观测的海表数据获得模块203，用于获得卫星观测的海表数据。
[0089]
数据校正模块204，用于采用随机森林回归模型校正卫星观测的海表盐度，获得校正后的海表盐度。
[0090]
背景场替换模块205，用于将校正后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；校正后的海表数据包括校正后的海表盐度。
[0091]
各个深度的海洋数据获得模块206，用于将背景场替换后的海表数据输入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。
[0092]
训练集中各个深度的数据包括世界海洋地图集中温度或盐度，以及argo全球观测v3.0数据集中的温度或盐度剖面观测数据。
[0093]
卫星观测的海表数据包括reynolds oisst v2.1数据集的海表温度数据、欧洲航天局气候变化倡议sss v1.8数据集的海表盐度数据以及数据统一和高度计组合系统的绝
对动力拓扑数据。
[0094]
数据校正模块204，具体包括：
[0095]
随机森林回归模型训练单元，用于以卫星观测的海表温度数据、海表盐度数据、绝对动力拓扑数据、经度和纬度为输入，以对应的近海表盐度为输出训练随机森林回归模型，获得训练好的随机森林回归模型；近海表盐度为argo全球观测v3.0数据集中最浅层的盐度。
[0096]
数据校正单元，用于将卫星观测的海表温度、海表盐度、绝对动力拓扑、经度和纬度输入训练好的随机森林回归模型，获得校正后的海表盐度。
[0097]
背景场替换模块205，具体包括：
[0098]
多元线性回归模型训练单元，用于以卫星观测的绝对动力拓扑数据和近海表盐度、近海表温度、经度和纬度为输入，海表以下各个深度的盐度或温度为输出训练多元线性回归模型，获得训练好的多元线性回归模型；近海表盐度为argo全球观测v3.0数据集中最浅层的盐度，近海表温度为argo全球观测v3.0数据集中最浅层的温度。
[0099]
日变化背景场获得单元，用于将卫星观测的每天的校正后的海表盐度、海表温度、绝对动力拓扑数据、经度和纬度输入多元线性回归模型，将多元线性回归模型的输出进行低通滤波，获得对应日变化背景场。
[0100]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0101]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。