基于BP神经网络的涡核水下最大温度异常反演方法

基于bp神经网络的涡核水下最大温度异常反演方法
技术领域
1.本发明属于海洋观测技术领域，具体涉及一种基于bp神经网络的涡核水下最大温度异常反演方法。


背景技术：

2.海洋是一个不断运动的巨大水体，存在多种尺度的运动。大规模、相对稳定的海水流动称为海流，在10~100 km量级水体旋转的流动现象称为中尺度涡旋（mesoscale eddy）。中尺度涡旋蕴含着大量的海洋动能，在大洋中分布广泛，是输送、混合海洋中能量及物质的纽带，在维持全球海洋的热量平衡、输送洋流水团等各种物理过程中发挥着重要作用。在中尺度涡旋的生命周期内，许多重要的海洋过程和特征都发生在海表以下。涡旋表层以下的水团能够吸收海洋表层热量，在其内部进行热量的转移和缓冲，发生在涡旋内的这些水下温度变化又会对海面高度、海面温度等产生影响，进行影响海面气候变化。在涡旋内，涡核作为涡旋内温度和盐分变化最大的水团，其最大温度异常值的获取对于重建水下涡流的三维热结构，这对于研究涡流的形成机制和分析内部水团的物质和热量传输具有重要意义。
3.国内外各类卫星传感器提供了多种有用的海洋表面观测数据。基于卫星高度计构建的海面高度场(ssh)，可以对全球涡旋进行检测。随着自动涡旋识别技术的不断进步，表面几何和动态特征（涡流半径、涡流振幅、涡流动能等）均可以被获取。此外，通过系泊装置、滑翔机或者argo浮标也可以实现对几个单独的涡旋的垂向核心进行研究。
4.到目前为止，对涡旋热结构的研究大都基于卫星高度计与argo浮标相结合，对特定区域内的涡旋水下温度和盐度进行观测和统计，研究面较窄，有较大的限制。


技术实现要素：

5.本发明的目的是提供一种基于bp神经网络的涡核水下最大温度异常反演方法，根据涡旋本身的表面参数来对其涡核水下的最大温度异常作出预测分析，以弥补现有技术的不足。
6.基于卫星高度计可以提取的涡旋表面参数有很多，包括涡旋的有效边界、最大地转流边界和形状边界、涡旋边界对应的经纬度序列、涡旋边界对应的涡旋半径、涡旋边界对应的涡旋振幅、涡旋半径对应的涡旋平均动能、涡旋中心的经纬度坐标等。argo浮标作为观测海洋中温度、盐度、洋流的重要手段之一，可以向浮标投放者提供自身的经纬度坐标、温度剖面及盐度剖面等信息。
7.获得沿垂直方向的涡旋核心的最大温度异常对于理解海洋涡旋的三维结构至关重要。本发明采用全球22年（1998-2019年）argo浮标和卫星高度计派生的涡旋识别数据，建立了一种神经网络（nn）方法，即涡旋反向传播神经网络（ebpn），来反演涡旋核心的最大温度异常。本发明将包括半径、动能、振幅、argo浮标与涡旋中心的归一化距离（nd）以及argo浮标的地理坐标在内的涡旋表面参数作为ebpn的输入，将位于涡旋中argo温度异常剖面上的极值点作为ebpn的输出，该温度异常即为涡旋核心内垂直方向上的最大温度异常。
8.为实现上述技术目的，本发明采取的具体技术方案为：
9.一种基于bp神经网络的涡核水下最大温度异常反演方法，包括以下步骤：s1：根据全球argo浮标剖面数据集与气候态数据，求取每条温度剖面相对应的温度异常剖面；s2：定义涡旋内涡核的水平范围；s3：在所述水平范围内进行卫星高度计采集涡旋识别数据集的筛选，将筛选得到的涡旋识别数据集与argo浮标剖面数据集进行时空匹配分析，得到涡旋和水下涡核相对应的数据，生成argo-in-eddy匹配数据集；s4：提取所述argo-in-eddy 匹配数据集中每条argo所测得温度异常剖面及其对应的涡旋表面参数；s5：对温度异常剖面进行滤波处理，提取每条温度异常剖面上的最大温度异常值；s6：搭建ebpn模型；以bp神经网络为基础模型，将涡核的表面参数及水下温度异常作为特征值和标签值，构建出基于涡旋参数的ebpn模型；所述ebpn模型包括一个输入层、一个隐藏层和一个输出层；正向传播和反向传播过程分别用于初始化和更新隐藏层中的参数；s7：将涡旋表面参数与涡核最大温度异常值导入模型进行训练与验证；s8：基于ebpn模型对涡核最大温度异常值进行反演。
10.进一步的，所述s1中，全球argo浮标数据中包含9个国家的11个资料中心（分别为aoml、bodc、coriolis、csio、csiro、incois、jma、kma、kordi、meds和nmdis）。其中有两种格式的数据：实时剖面数据（rxxxxxxx_nnn.nc或brxxxxxxx_nnn.nc，这里xxxxxxx为浮标的wmo编号，nnn为剖面序列号，r代表数据经过各国资料中心的实时质量控制，b代表生物地球化学（bgc）要素剖面数据），延时剖面数据（dxxxxxxx_nnn.nc或bdxxxxxxx_nnn.nc，d代表数据经过各国资料中心的延时模式质量控制，b代表生物地球化学（bgc）要素剖面数据）；以r或d开头的netcdf文件中，包含某个浮标某个循环观测的温度（temp）、盐度（psal）和压力（pres）观测数据，并有相应的质量控制标记。
11.进一步的，所述s2具体为：海洋环流主要受到地转偏向力（科里奥利力）和压强梯度力的共同影响，当这两种力取得平衡时，海洋环流就达到了一种稳定状态。若不考虑其他因素，这种稳定状态下的海洋环流，称为地转流，其公式如下所示：；；其中，g 为重力加速度， 为地转参数，为地球自转角速度，ζ为海表高度，x/y 分别为沿纬/经线的距离，为数学意义上的求导符号，和分别代表地转流的纬向和经向分量。
12.涡核中心到最大地转速度对应的边界所围成的拟合圆的区域即为涡核的水平范围。
13.进一步的，所述s3具体为：利用卫星高度计获取涡旋1998年到2019年共22年的涡旋识别数据集，根据s2所述确定涡旋识别数据集中涡核的水平范围；在涡旋识别数据集中遍历每条涡旋信息，提取出当日位于该涡旋涡核内的argo剖面，将所有匹配成功的数据集存储并命名为argo-in-eddy数据集。
14.进一步的，所述s6具体为：s6-1：为了控制和调整各种输入涡旋特征对最大温度异常值反演结果的影响，ebpn中相邻两层之间的权重值设置如下：；其中，是ebpn反演的每10
°×
10
°
网格内涡核垂直方向上的水下最大温度异常值，n和m是网络中相邻两层的神经元数量，k表示隐藏层中全连接层的数量，是隐藏层中第k层神经元与下一层神经元的连接权重，表示通过隐藏层中第k个全连接层后的输出结果，是第k层的偏置，在k=0的情况下，表示输入层和隐藏层的第一个全连接层之间的权重；最后一个全连接层的神经元与输出层之间的权重用w表示，b是输出层神经元的偏置；s6-2：为了降低涡旋特征数据之间的相互依赖程度，有效避免梯度饱和和分散问题，本发明利用relu作为激活函数，其中；s6-3：在ebpn网络模型的后向传播过程中，w和b根据误差进行自我更新：；其中l是损失函数，和分别是损失函数l关于w和b的偏微分，η表示学习率；更新后的权重和偏差也用w'和b'表示。
15.进一步的，所述s6中，为了保证ebpn的不间断运行，在模型中加入断点续传训练功能，防止训练进度受到可能的断电或停机的干扰。在ebpn的训练过程中，网络各层之间的权重可以通过该功能及时保留下来；每一次迭代，ebpn都会更新保存的参数，该功能会使模型在之前的基础上继续训练并减少预测误差，从而保证训练进度并提高ebpn的预测精；此外，早期停止机制被引入与该函数相结合，当损失函数增加或保持不变超过10个步长时，ebpn将停止训练；这时，存储的参数是模型训练的最佳参数。
16.进一步的，所述s7具体为：（1）在数据训练之前，需要按照6:2:2的比例，将数据集进行划分为独立的训练集、验证集和测试集。由于涡旋表面参数量纲的不同，需要对每个输入特征进行标准归一化来消除涡旋特征值之间的维度差异的影响，其归一化的公式如下：；
其中，为涡度特征的原始数据，和s分别代表特征数据的平均值和标准方差，e为标准归一化后的涡旋特征数据；（2）以涡旋的表面参数(包括半径、动能、振幅、argo浮标的地理坐标、涡心与argo浮标的归一化距离a)为输入数据，以涡核的最大温度异常为输出数据，构建一种基于涡旋数据的反向传播神经网络(ebpn)，其内部全连接层数及其神经元的个数等超参数均需要不断实验和训练，通过观察其loss曲线来对网络结构进行调整，以确定符合反演预期效果的各项参数。
17.进一步的，所述s8中基于ebpn模型对全球网格内、和位于不同深度层次的涡核深度进行反演；需要将全球的argo-in-eddy数据集划分到全球网格中，在每个网格内划分出训练集、测试集和验证集，基于训练过程中保存的最优参数，将验证集中的特征集导入ebpn中，对该网格内涡核的最大温度异常极值进行反演。
18.本发明的优点和有益效果如下：
19.本发明使用了22年（1998-2019年）的全球argo浮标和卫星高度计派生的涡旋识别数据，属于首次使用如此长的时间序列数据，在全球范围内沿垂直方向反演涡旋核心的温度异常，是基于卫星高度计观测描述涡旋水下热结构的第一步。
20.本发明基于bp神经网络，深入挖掘涡旋表面参数与涡核水下最大温度异常值之间的关系，并利用真实数据对反演结果进行精度验证，首次揭示了全球范围内具有反演潜力的地域分布特征。
21.中尺度涡旋对海洋当中的动力过程、能量物质输运、以及一些生物化学过程都起着十分关键的作用，进而影响着大洋环流以及温度、盐度的水平和垂直分布特征。最大温度异常作为涡旋核心最重要的特征之一，本发明的反演方法对于重建水下涡旋的三维热结构、研究涡旋的形成机制以及分析内部水团的物质和热量传输具有非常重要的意义。
附图说明
22.图1为本发明方法的整体流程图。
23.图2为本发明实施例中argo浮标与涡核中心的归一化示意图。
24.图3为本发明实施例中全球范围内涡核水下最大温度异常的反演精度图；（a）、（b）分别为反气旋涡(ae)和气旋涡(ce)反演指标r2的全球地理分布图；（c）、（d）分别为反气旋涡(ae)和气旋涡(ce)反演指标mse的全球地理分布图。
25.图4为本发明实施例中不同深度层次内涡核水下最大温度异常的反演精度图；（a）为反气旋涡(ae)和气旋涡(ce)的反演指标r2随深度的变化情况；（b）为反气旋涡(ae)和气旋涡(ce)的反演指标mse随深度的变化情况。
具体实施方式
26.以下结合实例和附图对本发明进一步解释和说明。
27.实施例1:一种基于bp神经网络的涡核水下温度异常反演方法，如图1所示，包括以下步骤：该实例中，所采用的涡旋识别数据集是根据日网格化海平面异常（sla）数据计算得来的。该sla数据由卫星海洋学存档、验证和解释（aviso）生成的包含22年（1998-2019）数
据的延迟时间产品，这些产品是由多颗测高卫星（envisat、topex/poseidon、jason-1/jason-2等）获得的信息融合而成，空间分辨率为(1/4)
°×
(1/4)
°
，覆盖全球海洋。argo浮标数据是从法国科里奥利全球数据采集中心（http://www.coriolis.eu.org）获得的1998年至2019年70
°
s～70
°
n和180
°
w～180
°
e范围内的延迟模式数据。
28.（1）求浮标与涡核中心连线的延长线与涡核边界的交点在涡旋中确定涡旋涡核的水平范围，提取对应于涡旋最大地转流边界的一系列经纬度坐标（涡核的水平范围）,;,调用python中自带的函数对argo剖面进行判断：设涡心经纬度坐标为,argo浮标的经纬度坐标为,argo浮标的经纬度坐标为;;;;如果，那么要求出两坐标之间的中间坐标,再调用函数判断其是否在涡核水平范围之内，若是，则令。若不是，则令.反复迭代，直到,此时有：；即为argo浮标与涡核中心连线延长线与涡核边界的交点坐标。
29.（2）求该交点与涡核中心的距离；其中，为将dx所代表的角度转为弧度，为将b转为弧度，为将dy所代表的角度转为弧度。lc即为交点与涡核中心的距离。
30.（3）求在涡核水平范围内浮出水面的argo浮标将argo的经纬度坐标代入（2）中的公式，可以得出argo浮标与涡核中心的距离la。令,若，则判定argo浮标位于涡核内部，如图2所示。以此方法遍历argo浮标数据，得到所有位于涡核水平范围内的argo剖面数据。
31.（4）提取涡旋与argo浮标的时空匹配数据集在（3）的基础上，对每日的涡旋识别数据集进行遍历，将当日位于涡核内部的argo浮标剖面数据进行提取。同时，提取出涡旋的各项表面参数，包括涡旋半径、涡旋动能、涡旋振幅、涡心经纬度坐标、涡心与argo的归一化距离a。此外，取水下1000米以内的argo温度异
常剖面数据，从中计算出绝对值最大的温度异常值。将其与该涡旋的表面参数共同存储在一条数组中，依次遍历，最后生成argo-in-eddy数据集。
[0032] （5）搭建ebpn网络模型本发明的ebpn模型内部结构包括一个输入层、一个隐藏层和一个输出层。正向传播和反向传播过程分别用于初始化和更新隐藏层中的参数。为了控制和调整各种输入涡旋特征对最大温度异常值反演结果的影响，ebpn中相邻两层之间的权重值设置如下：；其中，是ebpn反演的每10
°×
10
°
网格内涡核垂直方向上的水下最大温度异常值，n和m是网络中相邻两层的神经元数量，k表示隐藏层中全连接层的数量，是隐藏层中第k层神经元与下一层神经元的连接权重。表示通过隐藏层中第k个全连接层后的输出结果，是第k层的偏置。在k=0的情况下，表示输入层和隐藏层的第一个全连接层之间的权重。在公式中，设定=(e1,e2,e3,e4,e5,e6)，其中ei表示输入到ebpn的涡旋特征数据。最后一个全连接层的神经元与输出层之间的权重用w表示，b是输出层神经元的偏置。为了降低涡旋特征数据之间的相互依赖程度，有效避免梯度饱和和分散问题，本发明利用relu作为激活函数，其中。
[0033]
在ebpn网络模型的后向传播过程中，w和b根据误差进行自我更新：；其中l是损失函数，和分别是损失函数l关于w和b的偏微分，η表示学习率。更新后的权重和偏差也用w'和b'表示。
[0034]
（6）模型的精度评价为了评价模型训练的精度，决定系数r2与均方误差mse分别被用来反映因变量的全部变异能通过回归关系被自变量解释的比例以及计算ebpn反演值和argo观测值之间的误差。其公式如下所示：；其中，为涡核的真实温度异常值，为ebpn涡核的温度异常反演值，为每
10
°×
10
°
网格内涡核温度异常的平均值。
[0035]
；其中y和m分别是argo的观测值和它们在每10
°×
10
°
单元内的测试集的数量。
[0036]
(7)基于ebpn的涡核水下最大温度异常反演结果分析将(4)中所得出的argo-in-eddy数据集按照涡心的经纬度坐标，将其划分到全球每10
°×
10
°
的网格中。对于每个网格中的数据集，均将其进行标准归一化并按照6:2:2的比例划分为训练集、测试集和验证集。每个网格中模型反演的精度可以用r2和mse来评价，r2越接近于1，mse越接近于0，说明ebpn模型对于涡核水下最大温度异常值的反演精度越高。模型反演精度评价指标r2和mse的地理分布图如图3所示。通过观察发现，全球区域暖气旋涡(图3中(a))和冷气旋涡(图3中(b))的平均r
²
分别为0.388和0.384，在黑潮延伸区、南极绕极流、大西洋北部和南部等中纬度地区，ebpn反演性能表现较好，暖气旋涡/冷气旋涡的r
²
最高可达0.689/0.685。全球区域暖气旋涡(图3中(c))和冷气旋涡(图3中(d))的平均mse分别为0.467℃和0.466℃。mse较大的区域分布在赤道附近，特别是在太平洋中部和东部，其值为1℃。这说明本发明的ebpn模型对于反演全球海洋中涡核水下最大温度异常是可行的，且精度较好。
[0037]
（8）不同深度层次内涡核水下最大温度异常的反演结果分析基于（4）中所得出的argo-in-eddy数据集，将最大温度异常值按不同的深度划分为10m-25m,25m-50m,50m-75m,75m-100m,100m-125m,125m-150m,150m-200m,200m-250m,250m-300m,300m-400m,400m-500m,500m-600m,600m-800m,800m-1000m，共计14个深度层。对于每层的数据集，均对其进行标准归一化及划分训练集、测试集和验证集。ebpn在每层中的反演精度也用r2和mse来评价，如图4所示。图4中(a)显示随着深度的增加，ebpn对暖气旋涡和冷气旋涡涡核最大温度异常值的反演精度逐渐增加。暖气旋涡和冷气旋涡的r2在700m和450m显示出最大值，其值分别为0.734和0.712。此外，mse也反映了先增后减的趋势，如图4中(b)所示。暖气旋涡和冷气旋涡的最大mse出现在137.5米深度和112.5米深度，其值分别为0.721℃和0.846℃。上述结果表明，ebpn可以反演不同深度层次的涡核的最大温度异常值，其性能在400-800米的深度上表现最好。
[0038]
综上所述，获得沿垂直方向的涡核的最大温度异常对于理解海洋涡旋的三维结构至关重要。本发明旨在深入探究涡旋表面参数与涡核水下信息之间的关系，采用全球22年（1998-2019年）argo浮标和卫星高度计派生的涡旋识别数据，基于一种反向传播的神经网络方法，根据涡旋表面参数（半径、动能、振幅、argo浮标与涡核中心的归一化距离以及argo浮标的地理坐标）在全球范围内对沿垂向方向上的涡核的最大温度异常值进行反演分析。
[0039]
本发明基于ebpn，全球范围内分布在不同海域的涡核最大温度异常参数以及不同深度层内的最大温度异常参数均可以被准确的反演，从而为构建涡旋的三维结构提供技术与理论支撑。