[发明专利]一种基于深度学习算法的海流动力优化预报方法

权利要求书

1.一种基于深度学习算法的海流动力优化预报方法，其特征在于：所述海流动力优化预报方法采用的海流动力优化预报模型为其中，

SSHA(x₀,y₀,t₀-Δt)和SSHA(x₀,y₀,t₀-2Δt)为欧拉预报因子，

SSHA(x₀-dx,y₀-dy,t₀-Δt)和SSHA(x₀-2dx,y₀-2dy,t₀-2Δt)为拉格朗日预报因子，A₁、A₂、A₃和A₄为4个预报因子对应的预报系数，x₀和y₀为预报点的经纬度坐标，t₀为预报时刻，Δt为预报时间步长，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离，SSHA为海表面高度异常场。

2.根据权利要求1所述的海流动力优化预报方法，其特征在于，所述海流动力优化预报模型的预报结果用于通过地转关系反演得到海区流场的预报结果。

3.根据权利要求1所述的海流动力优化预报方法，其特征在于，所述海流动力优化预报模型符合中尺度涡旋的局地变化和空间变化规律，筛选出的预测最优化预报因子分别满足欧拉场和拉格朗日场的观点。

4.根据权利要求3所述的海流动力优化预报方法，其特征在于，从欧拉场和拉格朗日场的观点出发选取预报点海表面高度异常的最优化预报因子，具体为：

从欧拉观点出发，预报点海表面高度异常的变化受到该点上一时刻海表面高度异常的影响，选取t₀-Δt和t₀-2Δt两个时刻预报点的局地海表面高度异常SSHA(x₀,y₀,t₀-Δt)和SSHA(x₀,y₀,t₀-2Δt)作为预报因子，其中，x₀和y₀为预报点的经纬度坐标，t₀为预报时刻，Δt为预报时间步长，在模型建立中预报时间步长选取为7天；

从拉格朗日观点出发，预报点海表面高度异常的变化和之前时刻预报点上游位置海表面高度异常有关，选取t₀-Δt和t₀-2Δt时刻预报点上游位置点的海表面高度异常值SSHA(x₀-dx,y₀-dy,t₀-Δt)和SSHA(x₀-2dx,y₀-2dy,t₀-2Δt)作为预报因子，其中，dx和dy为一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离。

5.根据权利要求4所述的海流动力优化预报方法，其特征在于，根据局地的海洋层结和海底地形以及海洋中尺度过程确定一个时间步长范围内预报点在东西方向和南北方向最可能的运动距离dx和dy的数值。

6.根据权利要求5所述的海流动力优化预报方法，其特征在于，通过预报海区各点最大滞后相关系数的位置确定各点在t时刻前上游点的位置，进而计算得到海区各点在东西向和南北向最可能的位置偏移dx和dy的数值。

7.根据权利要求1或6所述的海流动力优化预报方法，其特征在于，4个预报因子对应的预报系数A₁、A₂、A₃和A₄采用最小二乘法根据过往每一天的海表面高度异常时间序列确定。