一种海洋表层流场预测系统及其方法

本发明涉及海洋环境要素预报领域，尤其涉及一种海洋表层流场预测系统及其方法。

背景技术：

1、近岸海域，海洋流场直接影响到沿岸海洋工程设施的设计与建设，流速会影响舰船航向，引起船舶偏航。数值模式基于物理规律和初始条件，通过离散化空间和时间，利用数值方法求解运动方程，从而模拟未来一段时间内的大气或海洋状态[1]。数值模式预报流场的精度和可靠性取决于多个因素，包括模式的复杂程度、网格分辨率、边界条件的准确性等。机器学习在预报流场方面的应用是一种新兴的方法，它利用机器学习算法从历史数据中学习流场的复杂关系，并用于未来流场的预测。机器学习方法不需要求解海洋动力方程，而是直接从数据中学习流场的模式和规律。机器学习预报流场的优势在于能够处理大规模、高维度的数据，并且可以从数据中学习到非线性关系和复杂的模式。常见的流场预报机器学习方法有：针对于时序信号的长短期记忆网络(long short-term memory，lstm)[2]；可以学习和表示复杂的非线性关系的人工神经网络(artificial neural network，ann)[3]；可以提取流场数据中的空间特征的卷积神经网络(convolutional neural networks,cnn)[4]。然而，机器学习预报方法也面临着数据需求量大、模型解释性差、容易过拟合等挑战。此外，单一的机器学习模型难以同时兼顾信号的时空间特性，而海洋中的运动大多受到周围环境和前一时刻海洋时空状态的作用。

2、为了解决单一模型难以直接处理时空间信号的问题，前人开发了基于eof-lstm耦合模型的预报方法，eof-lstm是一种结合了经验正交函数(empirical orthogonalfunctions，eof)和lstm方法的模型，用于处理具有空间和时间结构的数据[5]，可准确预报海冰路径，该方法却不曾用于流场预报。eof用于从多维空间数据中提取主要的空间模态，而ceof模型(complex empirical orthogonal functions)则是eof方法的扩展，用于处理复杂的数据集，其中包含复数形式的变量。在以往的研究中，有人通过对黑潮延伸体的传播路径的希伯特变换，将其转换为复数形式，使用ceof-lstm模型预报未来路径[6]，然而，这种方法仅涉及单一因子的相位变换，而未考虑耦合分量变化的机制。在海流和风场的预报中，经、纬向的速度作为水平流速的分量，显然将其当成独立因子单独预报不够合理。

3、[参考文献]

4、[1]a mehra,i rivin.a real time ocean forecast system for the northatlantic ocean[j].tao:terrestrial,atmospheric and oceanic sciences,2010,21(1):2.

5、[2]c bayindir.predicting the ocean currents using deep learning[j].arxiv preprint arxiv:190608066,2019.

6、[3]a kavousi-fard,w su.a combined prognostic model based on machinelearning for tidal current prediction[j].ieee transactions on geoscience andremote sensing,2017,55(6):3108-3114.

7、[4]n thongniran,p vateekul,k jitkajornwanich,et al.spatio-temporaldeep learning for ocean current prediction based on hf radar data；proceedingsof the 2019 16th international joint conference on computer science andsoftware engineering(jcsse),f,2019[c].ieee.

8、[5]q zheng,w li,q shao,et al.a mid-and long-term arctic sea iceconcentration prediction model based on deep learning technology[j].remotesensing,2022,14(12):2889.

9、[6]x wu,g han,w li,et al.a hybrid deep learning model for predictingthe kuroshio path south of japan[j].frontiers in marine science,2023,10:1112336.

技术实现思路

1、针对现有技术存在技术问题，本发明提供一种海洋表层流场预测系统及其方法，结合了ceof和机器学习方法的预测模型，用于预报流场的空间和时间动态变化。该发明的内容涉及以下几个方面：

2、一种海洋表层流场预测系统，所述海洋表层流场预测系统基于机器学习网络，所述海洋表层流场预测系统包括动力学预报因子处理模块、流速复函数形式转化模块、主要模态及其时间系数提取模块和海洋表层流场机器学习预测模型；其中：

3、所述动力学预报因子处理模块通过处理采集的海表温度、海表盐度和风速的海洋环境要素动力学预报因子获得；

4、所述流速复函数形式转化模块通过复函数处理采集海洋环境中流速的纬向分量(u)以及经向分量(v)；即：

5、us,t＝u(s,t)+iv(s,t)＝us,t+ivs,t

6、其中：s为流速在经纬位置,s＝1,2…,m，t为时间点,t＝1,2,…,n，u为m×n的复数矩阵；

7、所述主要模态及其时间系数提取模块通过分别对动力学预报因子处理模块进行经验正交函数分解以及对流速复函数形式转化模块进行复函数经验正交分解获得；

8、所述海洋表层流场预测模型通过拆分时间系数预测海洋表层流场趋势。

9、所述主要模态及其时间系数提取模块通过分别对动力学预报因子处理模块进行经验正交函数分解以及对流速复函数形式转化模块进行复函数经验正交分解获得；包括：

10、根据所述流速复函数形式转化模块按照如下公式计算获得海洋流场复协方差矩阵；

11、

12、其中，uh表示u的共轭转置矩阵，r为m×m的协方差矩阵，捕捉了流场数据中不同空间点之间的统计相关性；

13、根据流场复协方差矩阵按照如下公式计算获得海洋流场特征值和特征向量；

14、r＝eλeh

15、其中，λ是m×m的对角矩阵，其对角线上的元素是特征值；e是m×m的特征向量矩阵，包含了协方差矩阵r的特征向量；

16、选择对应于最大的前k个特征值的特征向量按照如下公式构建海洋流场动态矩阵：

17、ek＝[e1,e2,…,ek]

18、其中，ek是包含前k个主要特征向量的特征向量矩阵，大小为m×k，ei代表第i个主要特征向量；

19、一种海洋表层流场预测系统及其方法通过如下公式将原始数据矩阵u投影到海洋流场动态矩阵获得对应的时间系数；

20、

21、其中，是主要模态的空间结构矩阵(ek)的共轭转置，ak是k×n的时间系数矩阵，其每一行对应一个主要模态的时间系数序列。

22、本发明还采用技术方案予以实施：

23、一种海洋表层流场预测系统及其方法，包括以下步骤：

24、通过动力学处理采集海洋环境中海表温度、海表盐度和风速的确定因子获得动力学预报因子处理模块；

25、通过复函数处理采集海洋环境中流速数据获得流速复函数形式转化模块；

26、通过分别对所述动力学预报因子处理模块进行经验正交函数分解以及对所述流速复函数形式转化模块进行复函数经验正交分解获得主要模态及其时间系数提取模块；

27、所述海洋表层流场机器学习预测模型通过主要模态及其时间系数提取模块中历史时间系数预报未来时间系数得到海洋表层流场未来变化趋势；其中：所述海洋表层流场预测模型训练阶段：

28、利用历史数据训练海洋表层流场预测模型，以学习并模拟海洋流场数据中的长期依赖关系和时间序列特征；

29、使用训练完成的海洋表层流场预测模型预测未来一定时间内的海洋水平流场，并将预测结果与实际观测海洋环境数据进行对比，以验证海洋表层流场预测模型的预测精度。

30、进一步地，所述复函数形式转化模块为复函数处理采集海洋环境中流速的纬向分量(u)以及经向分量(v)为：

31、us,t＝u(s,t)+iv(s,t)＝us,t+ivs,t

32、其中：s为流速在经纬位置,s＝1,2…,m，t为时间点,t＝1,2,…,n。

33、进一步地，所述海洋流场动态矩阵对流速复函数形式转化模块的经向分量和纬向分量组合成复数形式的总流速矢量获得过程；包括：

34、根据所述流速复函数形式转化模块按照如下公式计算获得海洋流场复协方差矩阵；

35、

36、其中，uh表示u的共轭转置矩阵，r为m×m的协方差矩阵,捕捉了流场数据中不同空间点之间的统计相关性；

37、根据流场复协方差矩阵按照如下公式计算获得海洋流场特征值和特征向量；

38、r＝eλeh

39、其中，λ是m×m的对角矩阵，其对角线上的元素是特征值；e是m×m的特征向量矩阵，包含了协方差矩阵r的特征向量；

40、选择对应于最大的前k个特征值的特征向量按照如下公式构建海洋流场动态矩阵：

41、ek＝[e1,e2,…,ek]

42、其中，ek是包含前k个主要特征向量的特征向量矩阵，大小为m×k，ei代表第i个主要特征向量；

43、通过如下公式将原始数据矩阵u投影到海洋流场动态矩阵获得对应的时间系数；

44、

45、其中，是主要模态的空间结构矩阵(ek)的共轭转置，ak是k×n的时间系数矩阵，其每一行对应一个主要模态的时间系数序列。

46、进一步地，所述方法还包括使用matlab或python编程语言实现海洋表层流场模型的自动化训练与预测流程，并通过误差对比展现本发明的预报准确性。

47、本发明的有益效果在于：

48、1、本发明公开并详细说明了一种融合了海洋动力学、复数经验正交函数(ceof)分析和机器学习技术的海洋水平流场预测的新方法，称为“海洋动力-ceof-机器学习融合预测海流方法”。本发明可实现对流场时空动态变化的精确预测，尤其是在预测近岸海域流场方面具有显著优势，因而对沿海地区海洋工程设施的规划与建设具有重要意义。具体而言，本发明首先分别运用ceof方法从流场数据以及运用eof方法从动力学因子数据中提取关键的空间特征及其时间系数分别，继而利用机器学习算法和海洋动力学原理对主要模态的时间系数时序数据进行深入分析，以准确捕捉并预测流场的变化趋势。此外，本发明具有高度的灵活性和适应性，可适应各海域和时间段的流场数据，并显著提高预测的精确度和效率。

49、2、本发明提出的海洋动力-ceof-机器学习模型在单一的机器学习模型中加入了海洋动力学分析和ceof分析。ceof分析则能够更好地处理复数形式的输入特征，而机器学习能够捕捉到数据中的长期依赖关系，因此能够更有效地处理复杂的流场数据的时空依赖特征，提高海洋表层流场预测的准确度与效率。