基于相空间重构与模糊神经网络耦合的海温预测模型

在海温预报中引入混沌理论,将相空间重构理论与模糊神经网络相结合,建立了海温预测模型.通过相空间重构,把一维海温时间序列拓展为多维序列,而多维序列包含着各态历经的信息,从而挖掘出了丰富的海温变化空间的信息,有利于模糊神经网络的训练.利用建立好的模糊神经网络模型,对海温预报问题进行了建模、训练和预测.实际的预测结果表明,该模型预报精度较高,预测结果可以为业务工作提供一定的参考与借鉴.     

基于BP神经网络方法的近岸数值海温预报释用技术

为了提高近岸精细化海温预报精度,利用神经网络方法,分析了海温数值预报及观测数据在释用中的作用,研究了定点近岸海温影响因子的最优配置方案,建立了定点海温精细化数值预报释用模型,评估了释用模型性能。误差分析结果显示,数值海温产品及其观测在建模中起到了降低和稳定模型误差的作用;释用模型将定点数值预报的误差从2.2°C减少至0.7°C;预报误差较调训误差略高,但考虑到预报误差的稳定性,数值释用与人工经验预报水平持平,因此,该方法具有十分广阔的拓展空间和应用前景。     

卷积神经网络在近岸表层海温预报中的应用

针对数值预报和人工经验预报在近岸定点表层海温(sea surface temperature, SST)预报中预报准确度不高,将近岸台站定点SST预报转换为多元时间序列预测任务,应用卷积神经网络(convolutional neural networks, CNN)构建近岸台站定点SST时间序列变化模型,对近岸台站每日最高海温、最低海温、平均海温进行预报,并与人工经验方法和长短期记忆网络(long short-termmemory,LSTM)方法进行对比试验。结果显示,在测试数据中相比人工经验预报,CNN方法全年日最高海温预报平均绝对误差(mean absolute error, MAE)为0.36℃,平均下降0.14℃,均方根误差(root mean squared error, RMSE)为0.49℃,平均下降0.21℃,日最低海温预报MAE为0.36℃,平均下降0.17℃, RMSE为0.63℃,平均下降0.24℃,日平均海温预报MAE为0.30℃, RMSE为0.47℃,预报性能和LSTM模型预报性能相当。研究表明CNN应用于近岸SST预报具有可行性,能够有效地提高SST预报准...     

基于DINEOF的风云极轨气象卫星海表温度重构方法研究

海表温度是表征海洋表层热力状况的重要海洋参数,日均全天候覆盖的海温观测数据可为服务台风监测及其他海洋灾害时空演变的精细化预报提供数据支撑。可见光红外扫描辐射计和中分辨率光谱成像仪反演的海温产品具有较高的空间分辨率,但是红外遥感反演的海温产品受到云、雾和霾的影响,在云下存在大面积、无规律的缺值;微波辐射计反演的海温产品空间分辨率低,但可穿透云层,实现全天候海温观测。本文基于风云三号B、C、D三颗极轨气象卫星红外和微波遥感仪器反演的海温资料,利用经验正交函数插值法(DINEOF)重构得到全球海表温度产品。与全球分析场日平均海温OISST数据进行比较可知：原始海温资料的均方根误差为0.59~0.70℃,DINEOF重构后海温资料均方根误差降至0.10~0.34℃;相关系数从0.33~0.48提升到0.78~0.98。多传感器重构海温数据空间分布上连续可信,能够监测不同季节的海温变化特征及暖池空间模态。风云三号气象卫星微波遥感的加入显著提升了重构海温的空间连续覆盖率和时间分辨率。     

基于相似系数的海温中长期统计预报方法研究

海温是认知和研究大气、海洋物理性质和演变规律的重要海洋环境动力要素之一,也是海洋预报组成中不可或缺的组成部分,对海温的分布及演变规律进行研究对海洋经济、环保和国防安全具有重要的意义。本文提出了一种基于相似系数的海温统计预报方法,利用数理统计分析方法,构建基于相似系数的统计预报模型来实现海温的单点时间序列预报。在南海海域海温预报中长期实验中,该方法比气候态预报和ARIMA预报方法的结果更优,证明该方法的有效性并为海温的中长期预报提供了新思路。     

三种基于均生函数的统计模型在厄尔尼诺预测中的应用

为了探究厄尔尼诺的预测方法,提高其预报准确度与预报时效,本文基于均生函数的基本原理,在普通均生函数模型中分别加入气候序列的本征模函数和预报因子变量,构建了基于EEMD(Ensemble EmpiricalModeDecomposition)的均生函数模型和多变量均生函数模型;并应用三种方案对NINO3区海温指数进行了预报试验。结果表明,两种改进模型对厄尔尼诺的预报效果好于普通均生函数模型,是提高预报准确度的有效手段;同时,利用统计的预报模型,可以在一定程度上有效延长厄尔尼诺的预报时效,具有一定实践意义。     

基于T-S模糊神经网络的信息融合在赤潮预测预警中的应用

基于T-S模型的模糊神经网络不但具有模糊逻辑和神经网络两者的优点,又具有很好的学习能力。将基于T-S模型的模糊神经网络的信息融合算法应用在赤潮的预测预警中,研究各种理化因子与赤潮藻类浓度间非线性对应规律和有效预测赤潮藻类浓度。仿真实验表明这种方法具有有效的赤潮预测预警功能。     

全新世以来泰国湾古气候演化历史———来自地球化学和矿物学证据

为了对海表温度(SeaSurfaceTemperature,SST)和海表盐度(SeaSurfaceSalinity,SSS)数据进行精确的短期预报,基于多站位海洋观测浮标获取的海表温度和海表盐度数据,利用反向传播(BackPropagation,BP)和径向基函数(RadialBasisFunction,RBF)两种神经网络方法开展了短期预测。首先,在预测时长固定为5d的情况下,对比不同训练时长的预测结果的均方误差(MeanSquaredError,MSE),进而确定以20d的观测数据作为训练集的预测结果均方误差最小。然后,以 PAPA 站观测浮标获取的2009年1月、4月、7月和10月各月的前20d温盐数据作为训练集,分别训练BP和 RBF神经网络,将训练好的2种神经网络模型应用于各月第21至25日的温盐数据预测。结果表明:BP和 RBF神经网络均能有效预测海表温盐数据的季节性变化,但 RBF神经网络对不同预测时间的整体预测效果优于 BP神经网络。多站点数据的预测实验进一步验证了 RBF神经网络模型具有较强适用性和更高的准确性。RBF神经网络模型可以作为海表温盐数据短期预报的有力工具。     

基于BP神经网络的长江口北支河槽容积分析

根据实测水文及泥沙等资料,采用现在较成熟的且应用广泛的BP人工神经网络建立了北支0m以下河槽容积与大通流量、大通输沙量及北支分流比3个因子问的神经网络模型,网络结构为3.1-7-1,通过选择合适的参数,模型训练较好,预测结果与线性回归模型预测结果相近,说明BP神经网络模型能够广泛应用于河口水文等方面的预报.     

基于多变量LSTM神经网络模型的PDO指数预测研究

利用1921–2020年的海平面气压、海平面高度、热含量数据以及海冰密集度作为太平洋年代际振荡（Pacific Decadal Oscillation, PDO）指数的预报要素,建立了关于PDO指数时间序列预测的多变量长短期记忆（Long Short Term Memory, LSTM）神经网络模型,对比分析了2011–2020年不同时间序列预测模型的PDO指数预测结果,最后利用多变量LSTM神经网络模型实现了2021–2030年的PDO指数预测。结果显示,多变量LSTM神经网络模型的预测值与观测值经过交叉验证后的平均相关系数和均方根误差分别为0.70和0.62;PDO未来10年将一直处于冷位相,PDO神经网络指数出现两次波动,于2025年出现最小值。相比于其他时间序列预测模型,本文采用的多变量LSTM神经网络模型预测结果误差小、拟合效果好,可以作为一种新型的预测PDO指数的手段。     

基于支持向量回归的海面高度统计预报方法研究

本文提出一种基于支持向量回归的统计预报方法,通过经验正交分解对原始数据矩阵进行时空分解,提取出空间模态和时间系数。由于海面高度变化具有非线性、大惯性的特点,对时间系数进行小波分析,能有效滤除其中的高频信号,得到表征海面高度变化的低频信号。利用支持向量回归方法对小波分解后的低频信号构建预报模型。最后,进行小波重构,还原时间序列长度,实现未来7天的海面高度预报。通过黑潮附近海域的海面高度预报结果验证,该预报方法的预报效果优于整合滑动平均自回归预报方法。本文通过机器学习的算法实现了海面高度的预报,为海洋预报方法提供了新的思路。     

Sea Level Change Analysis and Models Identification Based on Short Tidal Gauge Measurements in Alexandria,Egypt

Sea level change analysis and models identification are important factors used for coastal engineering applications. Moreover, sea level change modeling is used widely to evaluate and study shoreline and climate changes. This study intends to analyze and model Alexandria, Egypt sea level change by investigating yearly tide gauge data collected in a short duration (2008–2011). The time-frequency method was used to evaluate the meteorological noise frequencies. Two models were used to predict the time series data: Neural Network Autoregressive Moving Average (NNARMA) and Adaptive Neuro-Fuzzy Inference System (ANFIS). The time-frequency analysis and models identification results showed that no extreme events were detected for Alexandria point during the monitoring period. Therefore, the NNARMA and ANFIS models can be used to identify the sea level change. The estimates of the models were compared with the three different statistics, determination coefficient, root mean square errors, and auto-correlation function. Comparison of these results revealed that the NNARMA model performs better than the ANFIS model for the study area.     

一个中国边缘海的风-浪-流预报系统

海洋预报是进行海上活动的安全保障,海洋预报系统技术已经成为现代海洋气象业务的技术支撑。海洋观测、数据同化、数值模拟和高性能计算机等技术的进步极大地推动着海洋业务化预报的发展。采用大气数值模式（WRF）、海洋数值模式（CROCO）和海浪数值模式（SWAN）的多模式高分辨率离线耦合方式,添加南京信息工程大学“海洋数值模拟与观测实验室”团队自主研发的一系列海洋模式参数化方案,包括浪致混合参数化方案、亚中尺度参数化方案、海山诱导混合参数化方案以及涡旋诱导的沿等密度面和跨等密度面混合参数化方案,并通过同化技术和最新的人工智能技术与观测资料相结合,构建一种面向中国边缘海的风浪流多参数耦合预报系统,用于海上风电功率的预报和其他海洋灾害预警。实际观测资料的验证表明,该预报系统能较准确地模拟海上风场、海流、海温、波浪、潮汐等海洋气象要素。同时实现了按需实时可视化全景展示。     

渤海三维海洋温度和海流数值预报

"十·五"期间,我国开展了三维海洋温度和海流数值预报的业务化研究工作.经过3年的努力,渤海三维海洋温度和海流数值预报系统研制完成,并于2003年10月,开始试预报.本文对该预报系统以及运行情况进行了介绍,并分析了所存在的问题和发展方向.     

平稳随机序列分析在水温预报中的应用

目前国内外进行海水温度预报主要是应用数理统计方法,平稳随机序列分析法就是其中之一。本文根据海水温度自身前后期之间的关系,采用平稳随机序列分析法,用小麦岛海洋站３６ａ（１９６０～１９９５年）逐旬表层水温观测资料,建立多元线性回归方程,从而算出未来时刻的水温预报值。     

Spark平台下的海表面温度并行预测算法

面对海量的海表面温度数据,如何使用大数据处理平台和新的处理技术来实时处理、分析并预测海表面温度数据,是一个亟待解决的问题。本文基于现阶段的时间序列方法和专家意见,首先,将类比合成方法引入到海表面温度预测应用中;其次,基于Spark平台提出了一种改进的快速DTW算法SparkDTW;最后,为了充分利用通过时间序列挖掘得到的信息,将SparkDTW与SVM相结合,提出了SparkDTW+SVM混合模型,为海表面温度预测的应用研究提供了较好的理论基础和技术支持。实验结果表明,SparkDTW算法预测精度优于SVM,提高了海表面温度预测效率,验证了将类比合成方法应用在海表面温度预测的可行性;SparkDTW+SVM在精度方面要优于SparkDTW和SVM,表明SVM模型能充分利用时间序列挖掘的信息,验证了SparkDTW+SVM在海表面温度预测的有效性。     

SST PREDICTION FOR EAST CHINA SEA AND ADJACENT WATERS

An empirical orthogonal function analysis has been applied to solving the forecast problem of the monthly mean sea surface temperature for the East China Sea and the adjacent waters. The data matrix of the original sea surface temperature fields can be separated into two components, /'. e. the spatial and the temporal components. According to the properties of its spatial component that almost does not change with time and through the extrapolation of its temporal component, the prediction for large area sea surface temperature will be achieved. The time coefficients for temporal component are predicted by means of traverse and vertical time series method.On the basis of forecasting for these two years, it has been proved that the method objectively reflected the internal relations and interactions of sea surface temperature among the stations of water area. The results of the suggested method are better than the predicted method for a collection of each individual stations. The mean absolute error of p     

基于机器学习的青岛市区近岸海雾集成预报方法

利用2014—2017年青岛小麦岛海洋站观测资料,采用机器学习方法建立了青岛市区近岸海雾集成预报模型,通过主成分分析方法对预报因子进行了优选。结果表明:采用能见度、风向、风速、气压、露点、气温、海温、气温露点差、气海温差、相对湿度、云量、气温24h变温12个预报因子建立的海雾集成预报模型,对2018年海雾预报的TS评分约为0.64,海雾预报正确率约为0.783,具有较好的预报能力,为海雾预报提供了新的方法。     

有限区域海面风场数值模式的建立

目前,国内外大尺度天气预报数值模式已经取得很大成就,如在预报地面气旋系统的移动和发展等方面。然而,这些模式的铅直分辨率一般不高,通常不包括边界层的动力过程,因而,在预报海面风场上,数值天气预报模式还没有令人满意的效果。目前所用的边界层预报模式尽管具有较高的水平分辨率和垂直分辨率,但要求大量的计算和资料,很难用于日常业务预报;另一种边界层诊断模式,用到的风场数据是气象工作者从天气形势(大尺度)分析中,通过差值等方法获得的,缺乏针对性,而且精度较低(WMO,1988;WMO,1990)。 作者认为,适于海洋要素预报的风场模式应是定位于有限区域,或称中尺度模式,并根据台站的具体资料来源和工作状况力争建立一套适于海洋要素预报的中尺度风场数值模式。鉴于以上,作者建立了一个适于海洋要素预报的有限区域海面风场数值模式。模式采用符合动力及热力学条件的简化方程组对大尺度风场进行加密,通过数值模拟得到适于海洋要素预报的有限区域海面风场。并将该模式运用于渤海这一有限区域,获得了良好的效果,说明该模式对海洋要素预报具有很好的应用前景。