码头前沿水域潮流观测与分析预报的应用

为满足当前港口工程对精细化潮流预报的需求,通过比较准调和分析、流体动力——数学模型、最小二乘法三种潮流预报方法,认为最小二乘法的调和分析方法最为适用于小尺度水域的潮流预报。该方法选择以定点及漂流观测获取码头前沿水域的实测流况资料,通过分析实测资料,了解所在水域的潮流特征,再结合最小二乘法调和分析,对前沿水域进行定点的潮流预报。     

Tikhonov正则化法在重力场最小二乘配置逼近理论中的应用

最小二乘配置法由于其能融合不同种类重力观测数据进行局部重力场逼近的特性而受到广泛关注,但最小二乘配置结果的不稳定严重影响该方法的推广应用。 基于对重力观测量协方差矩阵的谱分解,分析出该协方差矩阵存在病态性,协方差矩阵的求逆过程是信号放大的非平稳过程,微小的观测误差会被协方差矩阵的小奇异值放大,从而导致配置结果的不稳定且精度偏低。 引入 Tikhonov 正则化算法,通过 L 曲线法选择正则化参数,利用正则化参数修正重力观测量协方差矩阵的小奇异值,能抑制其对观测误差的放大影响。 通过以 EGM2008 重力场模型分别计算的山区、丘陵和海域重力异常作为基础数据确定相应区域大地水准面的实验,验证了本文算法的有效性。     

一种水声定位数据后置处理方法

文章给出了定位数学模型和递推最小二乘算法,并且讨论了数据后置处理的过程和最小二乘法在数据后置处理中的应用,最后详细介绍了水池试验数据的处理结果。实验结果表明,利用递推最小二乘法能够有效地对定位结果进行平滑处理。     

适用于有色观测噪声数据的AR模型谱估计

本文在考察有色噪声背景下对时间序列的AR—模型谱进行了估计。我们是采取两步功率谱进行估计的:第一步推导适用于有色观测噪声数据的修正尤—瓦方程。第二步根据修正尤—瓦方程提出用最小二乘法得到时间序列的AR模型系数{ai}的无偏估计。最后通过计算机模拟验证了我们所讨论的结果。     

基于最小二乘的磁性目标磁矩确定方法

磁性目标产生明显的磁异常是磁探测的前提,而磁性目标的磁异常分布主要取决于目标磁矩。针对常用的消元法确定磁矩未能顾及目标磁矩测量过程中误差的影响,基于磁矩测量模型,提出采用最小二乘法来确定磁性目标磁矩,并通过仿真实验和实测数据验证方法的有效性。研究结果表明:最小二乘法有效地利用了磁矩测量中的测量数据,可以有效减弱测量中误差对目标磁矩各分量的影响。为了解决实际测量中目标磁矩分量计算结果的不稳定性问题,建议增加观测数据。研究结果可为磁性目标的有效探测提供理论依据。     

潮流准调和分析方法探讨

潮汐和潮流的调和分析是海洋水文资料分析的基础方法,通常采用最小二乘法处理调和分析过程产生的矛盾方程,但以往受到计算能力和程序语言的限制,导致矛盾方程的求解方法较为复杂,不利于海洋科技工作者掌握和使用。本文以短周期观测潮流数据的准调和分析方法为例,探讨了潮流准调和分析方法中矛盾方程的解法,对以往的正规方程解法进行了推导和说明,同时,提出了更为简洁的矩阵表示方法,对2种方法的优劣及特点进行了分析,认为矩阵方法更适合程序化在计算机上进行分析计算;在此基础上采用江苏大丰附近海域观测的三周日潮流数据作为实例进行计算,运用矩阵解法求出其调和常数、椭圆要素以及余流,并对同时期潮流数据进行了预报,预报结果能很好地吻合原数据。     

基于遗传算法-支持向量机模型在热带气旋强度预报中的应用

利用遗传算法对支持向量机(SVM)模型参数进行寻优,找到最优参数组合后代入SVM模型中,得到基于遗传算法的支持向量机模型(GA-SVM),利用此模型对热带气旋强度进行预报实验。该模型对热带气旋强度12 h、24 h和48 h的预报平均绝对误差分别为3.01 m/s、4.46 m/s和6.57 m/s;比最小二乘回归法的预报精度分别提高了12%、11%、14%。     

基于LS-SVM的多系统融合GNSS-MR潮位反演

针对单系统GNSS-MR潮位监测中反演精度和时间分辨率低的问题,提出了一种基于LS-SVM的多系统融合潮位反演方法.利用香港HKQT站连续30 d的GPS、BDS、Galileo、GLONASS卫星观测数据进行实验,比较了基于滑动窗口最小二乘法、SVR、LS-SVM三种多系统融合方法.结果表明:基于LS-SVM的多系统...     

融合多源重力数据的Tikhonov正则化配置法

针对最小二乘配置法在融合处理多源重力数据过程中可能出现的病态性问题,特别引入Tikhonov正则化方法,对配置法计算模型进行正则化改造,建立了相应的正则化配置模型。使用EGM2008位模型模拟产生航空重力和海面船测重力数据进行了融合处理仿真实验,实际验证了正则化处理方法的有效性。     

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。     

白噪声Kalman滤波模型在GPS单向授时中的应用

全球定位系统(GPS)的应用越来越广泛,尤其是高精度的星载原子钟使得授时的精度得到了很大的提高。针对GPS授时过程中接收机受到各种噪声的影响,利用Kalman滤波原理,建立状态方程和观测方程,对噪声进行分类并加以讨论。运用Kalman滤波原理对接收机钟差数据进行分析,计算结果表明Kalman滤波可提高GPS单向授时精度。     

一类带乘性噪声多通道非线性系统的平滑算法

在各通道乘性噪声不同的情况下,针对多通道带乘性噪声非线性系统的状态估计问题,提出1种状态平滑算法。该算法运用扩展卡尔曼滤波方法先根据全部观测数据对状态进行滤波估计,并存储一步预测估计值和一步预测估计误差的方差,利用存储的数据进行递推运算,得到状态的固定域平滑估计。仿真结果表明平滑算法较滤波算法精确性更高,稳定性更强。     

基于CT非线性模型的水下目标跟踪算法比较

针对水下目标跟踪非线性跟踪精度问题,假设目标机动模型为恒转速运动模型,贝叶斯框架下,因扩展卡尔曼滤波跟踪方法进行模型在估计点的泰勒展开,忽略一阶以上高阶项,存在模型误差,比较了扩展卡尔曼滤波、无迹卡尔曼滤波、容积卡尔曼滤波在高斯噪声干扰下滤波误差均方根,以及3种方法运行时间。仿真证明,非线性系统下状态维度为5,容积卡尔曼滤波跟踪的精度高于无迹卡尔曼滤波,无迹卡尔曼滤波高于扩展卡尔曼滤波。该研究为海上目标非线性测量系统提供仿真实例,为进一步滤波算法改进提供基础。     

Parameter sensitivity of three Kalman filter schemes for assimilation of water levels in shelf sea models

In applications of data assimilation algorithms, a number of poorly known assimilation parameters usually need to be specified. Hence, the documented success of data assimilation methodologies must rely on a moderate sensitivity to these parameters. This contribution presents a parameter sensitivity study of three well known Kalman filter approaches for the assimilation of water levels in a three dimensional hydrodynamic modelling system. The filters considered are the ensemble Kalman filter (EnKF), the reduced rank square root Kalman filter (RRSQRT) and the steady Kalman filter. A sensitivity analysis of key parameters in the schemes is undertaken for a setup in an idealised bay. The sensitivity of the resulting root mean square error (RMSE) is shown to be low to moderate. Hence the schemes are robust within an acceptable range and their application even with misspecified parameters is to be encouraged in this perspective. However, the predicted uncertainty of the assimilation results are sensitive to the parameters and hence must be applied with care. The sensitivity study further demonstrates the effectiveness of the steady Kalman filter in the given system as well as the great impact of assimilating even very few measurements.     

海洋资料同化对气候季节-年际预测技巧及初始场的影响试验

集合卡尔曼滤波(Ensemble Kalman filter, EnKF)是一种国内外广泛使用的海洋资料同化方案, 用集合成员的状态集合表征模式的背景误差协方差, 结合观测误差协方差, 计算卡尔曼增益矩阵, 有效地将观测信息添加到模式初始场中。由于季节、年际预测很大程度上受到初始场的影响, 因此资料同化可以提高模式的预测性能。本文在NUIST-CFS1.0预测系统逐日SST nudging的初始化方案上, 利用EnKF在每个月末将全场(full field)海表温度(sea surface temperature, SST)、温盐廓线(in-situ temperature and salinity profiles, T-S profiles)以及卫星观测海平面高度异常(sea level anomalies, SLA)观测资料同化到模式初始场中, 对比分析了无海洋资料同化以及加入同化后初始场的区别、加入海洋资料同化后模式提前1~24个月预测性能的差异以及对于厄尔尼诺-南方涛动(El Niño-southern oscillation, ENSO)预测技巧的影响。结果表明, 加入海洋资料同化能有效地改进初始场, 并且呈现随深度增加初始场改进越显著的特征。加入同化后, 对全球SST、次表层海水温度的平均预测技巧均有一定的提高, 也表现出随深度增加预测技巧改进越明显的特征。但加入海洋资料同化后, 模式对ENSO的预测技巧有所下降, 可能是由于模式误差的存在, 使得同化后的预测初始场从接近观测的状态又逐渐恢复到与模式动力相匹配的状态, 加剧了赤道太平洋冷舌偏西、中东部偏暖的气候平均态漂移。     

基于集合同化方法的南海北部最优观测实验

根据集合同化理论及最优观测方法,应用基于ROMS模式的南海北部区域模拟结果作为集合样本,对该区域的最优观测廓线以及最优观测航次进行了评估和选择.最优观测方法是一种不需要直接同化观测,而通过最小化分析场误差方差理论值来选择最优观测点的方法.最优观测方法根据卡曼滤波理论中协方差矩阵的更新方程,使用一组模式或观测得到的历史样...     

集合变换卡尔曼滤波数据同化方法中的协方差局地化

在集合数据同化中,协方差局地化（covariance localization,CL）方法的使用存在限制。集合转换卡尔曼滤波（ensemble transform Kalman filter,ETKF）作为集合平方根滤波的变种方法,是一种应用较广、计算高效的数据同化方法。本文分析了CL方法应用于ETKF方法的困难,从而改进CL方法使其可以适用于ETKF方法。另外,结合浅水方程,利用Askey函数作为多元局地化函数,提出了一种适用于多元数值模型的CL方法。通过具体实验验证,得到了较好的分析结果。     

光谱预处理方法对硝酸盐测量模型影响实验研究及软件设计

基于Savitzky-Golay(SG)卷积平滑、正态变量变换(SNV)、一阶导数法、附加散射校正(MSC)和小波去噪(WDS)等信号处理方法,对水中硝酸盐偏最小二乘(PLS)测量模型的影响进行实验研究,采用评估均方差(RMSEE)、预测标准差(RMSEP)、相关系数(R)、预测值与样本浓度值回归关系显著性F检验对预处理效果进行考察。实验结果表明,经SG卷积平滑预处理的PLS模型预测准确性优于其他处理方法。同时编写了该5种光谱预处理方法软件,实现了光谱数据采集与预处理、谱图绘制和光谱保存等功能。     

现代海洋/大气资料同化方法的统一性及其应用进展

海洋／大气资料同化的理论基础是用数值模式作为动力学强迫对观测信息进行提炼，或者说，从包含观测误差(噪声)的空间分布不均匀的实测资料中依据动力系统自身的演化规律(动力学方程或模式)来确定海洋／大气系统状态的最优估计。本文对主要的现代海洋／大气资料同化方法，包括最优插值(()ptimal Interpolation，简称()Ⅰ)、变分方法(3—Dimensional Variational和4—Dimensional Variational，分别简称3DVAR和4DVAR)和滤波方法(Filtering)的原理、算法设计和实际应用进行系统地回顾，并对这些资料同化方法的优缺点进行分析和讨论。在滤波框架下，所有的现代资料同化方法都被统一了：()Ⅰ和3DVAR是不随时间变化的滤波器，4DVAR和卡曼滤波是线性滤波器，即非线性滤波的退化情形；而集合滤波能构建非线性的滤波器，因为集合在某种程度上体现了系统的非高斯信息。一个非线性滤波器的主要优点是能计算和应用随时间变化的各阶误差统计距，如误差协方差矩阵。将非线性滤波器计算的随时间变化的误差协方差矩阵引入到（）Ⅰ或4DVAR中，也许能实质性地改进这些传统方法。在实际应用中，方法的优劣可能取决于所选用的数值模式和可获得的计算资源，因此需针对不同的问题选取不同的资料同化方法。由于各种资料同化方法具有统一性，因此可建立测试系统来评价这些方法，从而对各种方法获得更深入的理解，改进现有的资料同化技术，并提高人们对海洋／大气环境的预测能力。