基于余水位配置的海洋潮汐推算研究

基于余水位的配置模型,利用长期验潮站实测水位结合临近短期验潮站天文潮位来恢复短期站的实际水位,并对其进行误差分析,证明基于余水位配置的海洋潮汐推算的可行性与实用性.     

风与余水位延迟效应关系的研究

针对实测水位资料中存在余水位的问题,进行气象因素中风与余水位的相关性以及风对余水位的延迟效应的研究。用统计分析法对青岛站数据分析得出,偏北风对减水贡献较大,偏南风对增水贡献较大;进一步对比分析得出:风对余水位的影响有一定的延迟性,延迟时间的长短与风速的大小成线性关系,风速越大延迟时间越短,造成的余水位变化幅度越大。通过本文分析可以为进一步研究余水位的特性、改进水位预报精度提供一定的参考。     

基于区域潮汐场模型的水位控制可行性研究

探讨了基于区域潮汐场模型的水位控制方法中的基准面确定问题,发现余水位控制方法在传递余水位的同时隐含了平均海面传递的事实,因而使区域各点与验潮站的平均海面处于同一历元,而深度基准面的确定误差是该方法的主要误差之一.根据渤海的某次水深测量作业,研究了区域深度基准面的精化,验证了平均海面的传递理论.最后分析了该方法存在的问题...     

基于灰度预测的变长度经验模态分解方法研究

经验模态分解是目前分解非线性非平稳信号的有效方法,但其在应用时存在容易导致信号分解失真的端点效应问题。通过对现有的压制方法所存在的不足进行改进,提出了基于灰度预测的变长度经验模态分解方法,在端点处向外对称延拓一部分原始信号使其变成新的信号,进而利用基于灰度预测的经验模态分解方法计算固有模态函数。每得到一个固有模态函数之后,在两端切掉一定长度的序列,即预测不准确序列,从而避免因该序列被代入下一个固有模态函数的求解而导致中间信号被污染;随后利用正弦叠加信号和非线性非平稳信号等仿真数据进行分解实验。实验结果表明:无论是正弦叠加信号还是非线性非平稳信号,基于灰度预测的变长度经验模态分解方法的计算结果误差均小于常规经验模态分解和基于灰度预测的经验模态分解方法,同时对端点处相位信息的处理也更准确。     

基于EMD的BP神经网络海水温度时间序列预测研究

为提高非线性和非平稳海水温度时间序列的预测能力,提出了一种基于经验模态分解(Empirical Mode Decomposition.简称EMD)的BP神经网络预测方法.该方法首先对原始序列进行经验模态分解,将其分解为多个平稳性得到很大改善的本征模态函数(Intrinsic Mode Function,简称IMF)之和,然后时每个本征模态函数进行预测,最后再根据EMD方法的完备性把预测结果相加得出原始序列的预测结果.预测试验结果表明.基于EMD的BP神经网络预测的精度比单纯用BP神经网络预测有很大提高.     

基于余水位精化潮高模型的水位生成研究

研究了基于余水位精化潮高模型的水位生成方法。所提方法首先构建网格潮汐场模型,其次采用余水位提高内插模型精度。通过网格搜索策略实现了水深点所属网格的快速定位及水位生成,探索了该模型在水位改正及预报中的应用。实验表明：所提方法既可应用于水位改正又可用于水位预报,且较现有方法在精度上有所提高。     

基于潮汐模型与余水位监控法的实例分析

介绍了基于潮汐模型与余水位监控的水位改正法在成山角东侧近海区域定线制多波束测量中的应用情况。结合本实例应用,总结了依适用性检测、验潮站布设方案设计、水位改正值计算等的实施步骤及技术细节。在本次测量中,由沿岸成山角站实现了邻近无潮点附近整个测区的水位控制,水位改正中误差约为0.064m。这证明潮汐模型在近海区域已能满足水深测量工程应用需求,且在严密论证的前提下可在工程实践中完全代替传统水位改正方法。     

基于潮汐模型与余水位监控法的海图测量水位改正及应用

面对近年海图测量逐渐由近海向外延伸的发展现状,其对水位改正的要求越来越高,水位改正是海图测量中的一个尤为重要的技术环节,对保证测量精度起着极其重要作用。实际测量作业中,在一些潮汐性质变化复杂的海域,采用传统水位改正方法面临设站数量多、难度大、易丢失、精度难保证等难点。针对测区潮波分布的复杂性与特殊性,基于POM模式,采用"混合"同化法同化由T/P卫星测高数据反演的沿迹潮汐参数构建了高分辨率高精度的潮汐模型,利用余水位的空间相关性,称之为基于潮汐模型与余水位监控的水位改正法。通过海图测量实例中基于潮汐模型与余水位监控法的应用,对测量成果精度进行了分析和验证,为海图测量在水位改正方法的选择提供了技术支持,进而对保证测量精度有着重要的现实意义。     

基于变分模态分解和注意力机制的浪高预测

针对海洋中的海浪高度数据存在非线性和非平稳性的特点,海浪高度的预测就变得相对复杂.基于变分模态分解(VMD),在引入注意力机制(AM)的基础上,对传统长短期记忆(LSTM)神经网络算法进行了改进,提出了一种基于混合模型的海浪高度预测算法.算法通过预处理、预测和重构3个主要步骤,对海浪高度的时间序列进行预测.为了比较和说...     

基于BP网络的海洋生产总值预测

Lapedest和Farber首次应用人工神经网络进行预测以来,国内外专家学者不断将其与经济学结合,应用于宏观经济预测、企业经济战略预测、证券市场预测等领域。针对当前我国对海洋经济系统研究有限及海洋经济数据缺乏等特点,文章通过建立BP网络,对我国2010年的海洋生产产值做出预测。     

基于小波变换和LSTM神经网络的格陵兰岛近海海域海平面变化预测

海平面变化包含多种不同时间尺度信息，传统的预测方法仅对海平面变化趋势项、周期项进行拟合，难以利用海平面变化的不同时间尺度信号，使得预测精度不高。本文基于深度学习的预测模型，提出一种融合小波变换（wavelet transform，WT）与LSTM （long short-term memory，LSTM）神经网络的海平面异常组合预测模型。首先利用小波分解得到反映海平面变化总体趋势的低频分量和刻画主要细节信息的高频分量；然后通过LSTM神经网络对代表不同时间尺度的各个分量预测和重构，实现海平面变化的非线性预测。基于该模型的海平面变化预测的均方根误差、平均绝对误差和相关系数分别为12.76 mm、9.94 mm和0.937，预测精度均优于LSTM和EEMD-LSTM预测模型，WT-LSTM组合模型对区域海平面变化预测具有较好的应用价值。     

基于EEMD和ARIMA的海温预测模型研究

类型丰富、时空分辨率高的海洋探测数据,为信号分解和机器学习算法的应用提供了可能。本文针对如何建立有效的海温预测模型这一问题,使用高时空分辨率的海表温度(SST)融合产品,引入信号处理领域的集合经验模态分解(EEMD)和机器学习领域的自回归积分滑动平均模型(ARIMA)。首先利用最适于分解自然信号的EEMD方法,将海温数据分解成多个确定频率的序列;再利用ARIMA分别对各个频率的序列进行预测,最后将各个序列的预测结果进行组合。该方法在丰富数据的支撑下,比以往直接使用海温数据所建立的预测模型精度更高,为更好地进行海温预测提供了新方法。     

基于经验模态分解削弱多波束残余误差的方法

针对多波束水深数据中存在的系统性残余误差,提出了基于经验模态分解方法来削弱残余误差的方法:首先利用经验模态分解方法对多波束测深数据作一维分解,将非线性、非平稳的多波束测深数据分解成准线性子波,然后构建水深数据趋势项与残余项,利用中央波束趋势项建立整体数据趋势项,最后加以水深数据残余项还原海底地形,削弱残余误差影响。通过实测多波束测深数据验证方法的有效性。     

沉积物粒度组分空间预测的神经网络残余kriging方法

针对近海表层沉积物粒度组分空间变异的尺度差异性,提出了基于广义回归神经网络残余kriging的沉积物粒度组分空间预测方法,并以海州湾沉积物粒度数据为基础,分析了其在沉积物粒度组分空间预测和底质类型制图中的应用效果。结果表明,广义回归神经网络残余kriging方法能够获得比普通kriging方法更高的沉积物粒度组分空间预测精度,并且其底质类型的总体空间预测精度达到85%以上,相应的Kappa系数也在0.8以上,显示底质制图的预测类型与样本的实测类型具有较高的一致性。新方法对于开展定量化的沉积物粒度组分空间预测和底质类型制图具有参考价值。     

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,longshort-termmemory)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24 h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(radialbasisfunctionneuralnetwork,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。     

A forecasting model for wave heights based on a long short-term memory neural network

To explore new operational forecasting methods of waves, a forecasting model for wave heights at three stations in the Bohai Sea has been developed. This model is based on long short-term memory(LSTM) neural network with sea surface wind and wave heights as training samples. The prediction performance of the model is evaluated,and the error analysis shows that when using the same set of numerically predicted sea surface wind as input, the prediction error produced by the proposed LSTM model at S...     

基于神经网络的潮汐预报方法初探

文章运用非调和法,直接从引起潮汐现象的天文因素入手,以2002年香港验潮站实测资料为例,用神经网络对潮汐知识进行了学习仿真,对未知结果进行了预报。将预报结果和潮汐表比较,结果表明,此方法可行,预报精度比潮汐表略有提高。     

北部湾冬季强风的主分量神经网络预报方法研究

本文首先分析造成北部湾冬季强风的天气动力学机理，在此基础上以相关分析法确定强风的预报因子(气压梯度、气温梯度、高层风速等因子)与预报量之间存在着较好的相关性；进而采用人工神经网络与主分量分析(PCA)相结合的方法建立了北部湾冬季强风的预报模型．该预报方法所构造的预报模型对历史样本风速拟合平均绝对误差为1．80m/s，对独立样本风速试报的平均绝对误差为1．46m/s．计算结果表明，该方法的拟合效果及预报稳定性较好，可在预报业务中应用．     

基于二元LSTM神经网络的船舶运动预测算法研究

在海况环境下,进行船舶运动预测时.由于惯性传感器采集系统本身的电学特性,会产生误差偏移,影响预测的准确性.针对这一问题,在常规长短期记忆网络(LSTM)的基础上,设计改良了一种二元的LSTM网络架构.在船舶运动仿真平台上进行模拟船舶升沉运动实验,并通过惯性传感系统测量仿真平台实时积分位移进行计算验证.验证统计该网络预测...     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...