海表面盐度的高精度预测模型

为了建立高精度的海洋表面盐度预测模型,采用BP神经网络的方法,针对SMOS卫星level 1C级亮度温度数据和辅助数据建立了一种海表面盐度预测模型,以ARGO浮标观测值作为海表盐度实测值来检验新模型预测结果的准确度,同时利用验证集对模型的精度进行验证。结果表明:通过新模型预测的海表盐度(SSS0)比SMOS卫星的3个粗糙度模型盐度产品(SSS1,SSS2,SSS3)精度高;SSS0,SSS1,SSS2,SSS3与ARGO浮标实测盐度(SSS ARGO)的均方根误差分别为0.8473,2.0417,2.0288和2.0805,平均绝对误差分别为0.7553,1.4226,1.4216和1.4566,SSS0与SSS ARGO的均方根误差和绝对平均误差值都明显小于SSS1,SSS2和SSS3与SSS ARGO的;由此可见,建立的海表盐度预测模型精度较高。新模型为海表盐度的反演算法提供了新思路。     

基于浮标观测数据的渤海表层温盐特征分析

利用海洋观测浮标所获取的短期观测数据,对渤海表层海水温度和盐度水平分布及变化进行了综合分析。分析结果较为全面、真实地反映出了渤海表层温盐的基本特征。说明这些浮标观测数据比较真实、可靠。     

基于LSTM的海洋表面短期风速预测研究

为实现对海面风速精确的短期预测,提出了一种基于长短期记忆(LSTM,long short-term memory)神经网络的短期风速预测模型,选取OceanSITES数据库中单个浮标站点采集的风速历史数据作为模型输入,经过训练设置最佳参数等步骤,实现了以LSTM方法,对该站点所在海区海面风速在各季节性代表月份海面风速的24h短期预测。同时通过不同预测时长的实验以及与BP(back propagation)神经网络神经网络和径向基函数神经网络(radial basis function neural network,RBF)的预测效果对比实验,证明了LSTM预测方法相比上述两种神经网络预测方法,在海表面风速预测应用中的优越性。最后通过多个海域对应的站点风速数据预测实验,证明了LSTM神经网络模型的普遍适用性,由相关系数和预测误差的分析可知该方法具备应对急剧变化数据的预测稳定性,可以作为海洋表面风速短期预测的一种可靠方法。     

RBF网络和BP网络在海水盐度建模中的比较研究

介绍了RBF神经网络模型结构、特点及原理,并针对海水盐度参数具有受诸多因素影响的复杂的非线性输入输出特性,训练并建立了海水盐度的RBF(Radial Basis Function)神经网络模型,为海水盐度的预测提供了一种新的方法.与BP神经网络模型相比.该模型具有收敛速度快,精度高的优点.比较结果表明,该方法在海水盐度...     

SMAP卫星的RBF神经网络海表盐度遥感反演

针对传统海表盐度遥感反演精度不高、影响因素较少等问题,本文基于SMAP（Soil Moisture Active Passive）卫星L2C（Level 2 C）数据、Argo（Array for Real-time Geostrophic Oceanography）数据和其他辅助数据,以太平洋部分海域（160°E～120°W,0°～30°N）为研究区域,综合考虑海面粗糙度以及白冠覆盖率等参量,利用径向基神经网络建立RBF亮温增量模型,并对平静海面亮温进行修正,然后基于Meissner-Wentz介电常数模型得到反演后的盐度值。验证结果表明：模型预测盐度和SMAP卫星盐度相对于Argo实测盐度的均方根误差分别为0.4和0.5,平均绝对误差分别为0.3和0.4。实验证明,利用RBF神经网络建立的亮温增量模型可以提高海表盐度反演的精度,对海表盐度反演具有实用意义。     

Argo、GTSPP与WOD数据集及其应用中需注意的若干问题

数据集整体的时空覆盖率制约了海洋科学研究的时空尺度,而海洋仪器的性能和观测方式直接决定了海洋数据的可靠性。以观测仪器作为主要衡量指标,结合数据集的时空覆盖率,对以温度和盐度为数据集主体的自持式拉格朗日环流剖面观测(Argo)数据集、全球温盐剖面数据集(GTSPP)、世界海洋数据集(WOD)进行分析和比对,确定了三者关系:Argo和GTSPP都是WOD的数据源,而GTSPP中包含了Argo实时数据的80%。在此基础上研究确定了目前温盐数据的主要观测仪器为Argo浮标、XBT和CTD,并对这三种仪器的误差来源和量级进行详细分析:由于全球自动观测与传输需求,Argo数据存在电子信号不稳定导致的随机误差,而且在高纬度强温跃层地带出现较强的虚假盐度尖峰,再是自由漂移的特性导致1%~2%盐度剖面漂移超过0.02 PSS-78;由于下降方程的不断演变,全球半数XBT数据提供者并未提供仪器型号,导致数据整体的可靠性下降;由于CTD基本采用船载观测,因此成本高、共享数据少且多集中近海。因此在对全球温盐数据进行应用时,应综合考虑观测仪器的可靠性和时空覆盖率,有效实现对资料本身误差和真实海洋现象的甄别。     

神经网络方法在上海沿海海浪预报中的应用

基于WAVEWATCHⅢ(WW3)模式预报结果,结合上海沿海3个浮标站的观测资料,利用BP神经网络方法,对WW3模式的有效波高和平均波向预报结果进行训练并分别建立了预报模型。结果表明:(1)对有效波高,BP预报对近岸地形复杂的洋山浮标和近海的黄泽洋浮标有明显的改进,而对外海的海礁浮标改进效果不明显;(2)对平均波向,BP预报对洋山浮标有明显的改进,对黄泽洋浮标略有改进,对海礁浮标基本无改进。     

基于SMOS卫星数据的BP神经网络盐度反演模型

海表面盐度SSS(Sea Surface Salinity)是研究大洋环流和海洋对气候影响的重要参量、是决定海水基本性质的重要因素之一。卫星微波遥感可以满足盐度研究过程中大范围、连续观测的需要。目前,由欧洲空间局设计开发的SMOS(Soil Moisture and Ocean Salinity)卫星于2009年发射成功,并且根据它的观测数据和物理机制反演出了海表面盐度的相关产品。但结果显示,在某些近海岸区域(如中国南海海域)受陆地RFI等诸多因素的影响,基于卫星遥感物理机制反演得到的盐度产品的精度较低。本文的主要目的是利用中国海洋大学"东方红2"科学考察船的走航数据、SMOS卫星数据,针对中国南海海域提出了用BP神经网络预测海表面盐度的方法,并用实测Argo浮标、WOA13的盐度数据对模型进行适应性评估。结果表明,模型产品相对于"东方红2"实测盐度数据的均方根误差(RMSE)是0.21,而SMOS的SSS1产品、SSS2产品和SSS3产品的精度分别为1.90、1.93和1.91。同时,在验证数据集中,模型预测数据相对于Argo浮标实测盐度数据的均方根误差(RMSE)是0.50,而SMOS的SSS1产品、SSS2产品和SSS3产品的精度分别为1.83、1.83和1.84。此模型具有良好的适应性和泛化能力,为海表面盐度的反演和预测提供了一个不依赖于物理机制的新方法。     

应用Attention-LSTM算法预测赤道太平洋浮标观测站位海表温度的方法

ENSO(El Ni?o/Southern Oscillation)是发生在赤道东太平洋海域重要的海气耦合现象,在全球气候变化中起着重要作用。当热带太平洋东部的海表温度（Sea Surface Temperature,SST）出现连续5个月以上的异常升温/降温现象,就会产生厄尔尼诺现象/拉尼娜现象。因此,研究和预测这一区域的SST动态具有重要的科学意义。本文采用输入层附加Attention机制的长短时记忆（Long Short-Term Memory,LSTM）神经网络（Attention-LSTM）模型,对多时段、多站位的热带太平洋观测浮标站位获取的厄尔尼诺年和拉尼娜年的SST数据进行一年的预测。研究发现：实验站位SST预测中,LSTM算法的均方误差在0.5℃左右,而Attention-LSTM算法的均方误差均不超过0.31℃,证明了Attention-LSTM算法的预测精度高于传统的LSTM模型;在发生ENSO现象年份的东太平洋海域不同站,Attention-LSTM算法对SST的春季预报障碍（Spring Predictability Barrier,SPB）现象也有一定的精度改...     

基于ConvGRU和自注意力的海表温度偏差订正研究

海表温度（Sea Surface Temperature, SST） 是一个重要的海洋物理量, 其准确预报对于水产养殖和预测海洋环境信息等海洋相关领域的研究至关重要。数值预报是目前预报海表温度的一种常用方法, 但数值预报模型所产生的预报结果往往与实际观测数据有偏差, 因此有必要对数值预报产品的偏差进行订正。本文提出了一种结合ConvGRU 神经网络与自注意力（Self-Attention, SA） 的新型时空混合海表温度订正模型（ConvGRU-SA）, 对南海海表温度预报数据进行偏差订正, 该模型适用于利用卫星遥感数据对海表温度数值预报产品进行订正。经与ConvLSTM、ConvGRU 等网络模型对比, 证明了ConvGRU-SA 模型的优越性, 设置不同的超参 数进行实验, 提高模型订正准确率。订正后该区域的海表温度预报均方根误差从0.52 ℃降低至0.32 ℃, 准确率提高了38.4%, 优于现有模型。     

基于观测和再分析数据的LSTM深度神经网络沿海风速预报应用研究

基于海洋气象历史观测资料和再分析数据等，利用LSTM深度神经网络方法，开展在有监督学习情况下的海面风场短时预报应用研究。以中国近海5个代表站为研究区域，通过气象台站观测数据和ERA-Interim 6 h再分析数据构建数据集。选取21个变量作为预报因子，分别构建两个LSTM深度神经网络框架(OBS_LSTM和ALL_LSTM)。经与2017年WRF模式6 h预报结果对比分析，得出如下结论:构建的两个LSTM风速预报模型可以大幅降低风速预报误差，RMSE分别降低了41.3%和38.8%，MAE平均降低了43.0%和40.0%；风速误差统计和极端大风分析发现，LSTM模型能够抓住地形、短时大风和台风等敏感信息，对于大风过程预报结果明显优于WRF模式；两种LSTM模型对比发现，ALL_LSTM模型风速预报误差最小，具有很好的稳定性和鲁棒性，OBS_LSTM模型应用范围更广泛。     

基于机器学习的SMAP卫星海表盐度反演

针对传统海表盐度的物理机制反演模型拟合过程复杂且反演精度不高等问题,借助大范围、全天时、L波段探测的SMAP卫星微波海洋遥感产品,以北太平洋(135°～165°E,15°～45°N)范围为研究海域,利用深层神经网络(Deep Neural Network,DNN)和支持向量机(Support Vector Machin...     

一种新型的非对称台风海面气压场和风场模型

采用台风外围闭合特征等压线等要素,对圆对称的藤田气压模型进行改进,推导出不含有关参数的非对称台风海面气压场和考虑到径向梯度风的风场模型,并利用该模型对给湛江地区造成了严重风暴潮灾的几次台风过程的海面气压场和风场进行了模拟。结果表明,改进后的台风气压场和风场模型更方便准确。     

基于机械学习理论的海冰风险短期预报研究

海冰管理是抵御寒区海洋资源开发海冰威胁的有效手段,海冰风险的准确、快速预测是海冰管理系统的关键组成部分。文中面向海冰管理中的冰情短时预测需求,明确了基于现场监测的海冰风险预测模式,开展了应用机械学习理论的海冰风险短时预测方法研究,并以渤海辽东湾海冰管理为例,讨论了神经网络与小波分解等非线性预测方法在冰情短时预测中的适用性。结果表明,时间序列小波神经网络在短时(6 h)冰厚预测中的预测精度与Elman神经网络相仿,而在24~48 h预测中的精度偏差较大;Elman神经网络在6 h、24 h与48 h的冰厚预测中均能保持较好的预测精度,在冰流速与来冰方向预测中,模型预测精度达到80%左右。     

基于SMOS卫星数据的海表面盐度模型

海表面盐度是研究海洋对全球气候影响以及大洋环流的重要参量之一,而卫星遥感技术是获取海表面盐度数据的最有效方法.目前,L波段的SMOS和Aquarius/SAC-D遥感卫星正在用于探测海表面盐度,并根据卫星观测数据和物理机制反演出海表面盐度的产品.但在某些近陆地区域,由于淡水流入及陆地射频(RFI)等因素影响,卫星反演盐度的产品精度较低.文中利用“东方红2号”科学考察船的实测数据、SMOS卫星数据,首次针对中国南海海域提出了用贝叶斯网络模型计算海表面盐度,并用验证数据集(实测Argo盐度)对模型进行适应性评估.经过计算,模型误差和验证误差分别为0.47 psu和0.45 psu,而相应的SMOS Level 2产品的精度分别为1.90 psu和1.82 psu.此模型为海表面盐度的计算提供了一个新方法.     

雷达高度计海况偏差估计神经网络模型研究

本文基于Jason-2高度计数据,在12个不同季节的cycle数据中组合1~6个cycle的有效波高、风速和海况偏差为训练集,选取Jason-2的另外3个不同季节的cycle数据集为测试集。经检验分析,确定3个cycle对应的BP神经网络模型。将该模型应用于HY-2高度计海况偏差的估计,通过海况偏差与有效波高及风速的拟合优度、解释方差和残差对比分析,结果表明:神经网络BP模型可以有效应用于HY-2的海况偏差估计并明显优于传统海况偏差参数模型。     

Sea surface temperature retrieval based on simulated microwave polarimetric measurements of a one-dimensional synthetic aperture microwave radiometer

Compared with traditional real aperture microwave radiometers, one-dimensional synthetic aperture microwave radiometers have higher spatial resolution. In this paper, we proposed to retrieve sea surface temperature using a one-dimensional synthetic aperture microwave radiometer that operates at frequencies of 6.9 GHz, 10.65 GHz,18.7 GHz and 23.8 GHz at multiple incidence angles. We used the ERA5 reanalysis data provided by the European Centre for Medium-Range Weather Forecasts and a radiation transmission forward model to calculate the model brightness temperature. The brightness temperature measured by the spaceborne one-dimensional synthetic aperture microwave radiometer was simulated by adding Gaussian noise to the model brightness temperature.Then, a backpropagation(BP) neural network algorithm, a random forest(RF) algorithm and two multiple linear regression algorithms(RE1 and RE2) were developed to retrieve sea surface temperature from the measured brightness temperature within the incidence angle range of 0°–65°. The results show that the retrieval errors of the four algorithms increase with the increasing Gaussian noise. The BP achieves the lowest retrieval errors at all incidence angles. The retrieval error of the RE1 and RE2 decrease first and then increase with the incidence angle and the retrieval error of the RF is contrary to that of RE1 and RE2.     

HYCOM模式对赤道及北太平洋海表温度的模拟

根据2种海气通量数据集(COADS、ECMWF)和2种海气通量块体参数化方案(常数块体参数化方案和非常数块体参数化方案)的不同结合,构成4组数值实验,使用HYCOM数值模式分别模拟了赤道及北太平洋的气候态海表温度。实验结果表明:(1)非常数块体参数化方案优于常数块体参数化方案;在太平洋40°N～20°S区域内,采用前者得到的年平均海表温度比Pathfinder卫星资料高约0.21℃,而采用后者得到的年平均海表温度比Path-finder卫星资料高约0.63℃。(2)HYCOM数值模式很好地模拟了赤道及北太平洋的气候态海表温度变化及西太平洋暖池空间分布的月变化。特别是实验2(采用COADS数据集和非常数块体参数化方案),在太平洋40°N～20°S区域内,冬、春两季平均SST仅比Pathfinder卫星数据集高0.02℃。(3)不同海气通量数据会对模拟结果产生明显影响。对比采用COADS数据集的实验2结果与采用ECMWF数据集的实验4结果可以发现,在模拟区域的西北部,实验2比实验4的年平均SST高约1℃;在模拟区域的东南部,实验4比实验2的年平均SST高约1℃。两者差的最大值出现在58°N、140°E附近及中国渤海,实验2比实验4的年平均SST高约4℃。