[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

说明书

本发明公开了一种基于深度学习算法的海流动力优化预报方法，属于海洋信息预报技术领域，其综合考虑岛链外海区流场主要受到海洋中尺度过程控制，利用遗传算法确定最优化预报因子和预报模型，考虑中尺度涡旋的局地变化和空间变化规律，确保模型的最优化预报因子分别符合欧拉场和拉格朗日场的观点，通过将深度学习算法中的算子拟合算法和动力预报方法相结合，提高了海流动力预报的准确性和计算速度，对于海洋中尺度过程的流场预报一方面根据深度学习算法的算子拟合算法和遗传算法筛选出模型简单、预测精度高的的预报模型和预报因子，另一方面利用涡旋的物理特性明确预报模型和最优化因子的物理意义，具有较高的预报准确性和可信度。

技术领域

本发明涉及海洋信息预报技术领域，尤其涉及一种基于深度学习算法的海流动力优化预报方法。

背景技术

卫星高度计自上世纪70年代出现以来，在全球海洋动力探测和研究方面发挥了巨大作用。卫星高度计是一种星载主动式微波遥感器，由一台脉冲发射器、一台灵敏接收器和一台精确计时钟构成。脉冲发射器从海面上空向海面发射一系列极其狭窄的雷达脉冲，接收器检测经海面反射的电磁波信号，再由计时钟精确测定发射和接收的时间间隔△T，便可算出由高度计质心到星下点瞬时海面的距离，其计算公式为：R＝c×ΔT/2，式中c是电磁波的传播速度，R是卫星和海表面之间的距离。利用高度计可以实现对海表面高度、有效波高和海表面地形等动力参数的测量，反演获取海流、海浪、潮汐、海表面风等动力参数信息。此外，卫星高度计资料还可应用于地球结构和海洋重力场的研究。表1给出了目前国内外已经发射的载有雷达高度计的卫星信息。

表1载有高度计的卫星信息

卫星高度计产品的核心参数包括时间变量、空间变量和要素变量。其中时间变量为高度计资料的观测日期，数值采用关联日期的表达方式，即与初始日期1950年1月1日0时0分0秒的时间间隔。空间变量包括观测网格点的经纬度坐标和边界坐标。要素变量包括绝对动力地形(ADT)和海表面高度异常(SLA)及其对应的绝对地转流(ugos、vgos)和地转流异常(ugosa、vgosa)。其中绝对动力地形(ADT)等于平均动力地形(MDT)和海表面高度异常(SLA)之和，包含有海流、潮汐和中尺度涡旋等海洋动力学的信息。平均动力地形(MDT)是多年平均海面高度与大地水准面之差，是卫星高度计数据后续反演应用的一个重要基准面。平均动力地形在计算中采用两个标准，一种是通过计算1993-1999年为期7年的平均海面高度获得，另一种是通过计算1993-2012年20年平均海面高度获得。海表面高度异常(SLA)数据由于去除了20年平均海表面高度的影响，因此可以代表由海洋中尺度过程引起的动力高度，通过地转方程可以计算由中尺度涡旋引起的海表面流场(ugosa，vgosa)：

其中u和v分别是经向和纬向地转流，η是海面高度异常，x和y分别是纬向和经向水平距离，g是重力加速度，f是科氏常数。

人工神经网络是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。神经网络预报算法由大量简单神经元组合而成，具有自组织、自学习、高容错性等特征，在处理复杂、非线性、模糊关系问题方面有着独特的优势。近年来，人工神经网络较多的应用在水文预报领域，尤其在潮汐预报中得到了较好的运用。