[发明专利]基于机器学习的海洋大气折射率预测方法

说明书

本发明公开了一种基于机器学习的海洋大气折射率预测方法，包括：首先，提取中尺度数值模式预报气象参数与探空实测气象参数的数据特征并获取两种数据的分布情况；然后，采用双线性插值、神经网络拟合等对齐方法进行时空层面的数据预处理，以获得两种气象参数之间的差异规律和气象参数的变化规律；接下来，基于提供的两种气象参数，引入梯度提升决策树等机器学习模型，从而提出融入探空实测气象参数特征的中尺度数值模式预报气象参数修正机制；最后，基于预报气象参数修正机制，利用气象参数到大气折射率的映射关系，进一步提出新型大气折射率预报机制。所提出的大气折射率预测方法较传统中尺度数值模式而言，预测结果更加准确，且克服了实测数据分布的局限性，更具有实用性和拓展性。

技术领域

本发明涉及无线电气象学和电波科学技术，特别涉及一种基于机器学习的海 洋大气折射率预测方法。

背景技术

由于海洋环境湿度、气压、风速、波浪等气候因素会随海面高度变化而变 化，海面上空的大气折射率也会发生相应改变。由于大气折射率的分布不同导 致电磁波射线的曲率半径也有所不同，根据射线曲率半径与地球半径的比值可 以将大气折射分为负折射、无折射、标准折射、超折射、临界折射等。当折射 率的改变满足一定条件时便形成了大气波导，导致超视距现象和雷达盲区的出 现，这对海上低空范围的通信、探测、导航等系统的性能影响显著。因此，针 对海洋大气折射率的探测、预测，对于构建无缝、可靠、安全的海洋信息感知 及通信至关重要。

对大气折射率传统的预报方法主要包括基于探空实测和中尺度数值预报模 式。前者能够提供精准的大气折射率信息但高度依赖数据集的获取，进而严重 限制了其适应性，后者实用性更高但在量化大气折射率精度方面仍存不足。因 此，亟需探寻能够有效提高中尺度数值预报模式精准度的大气折射率预测新机 制。近年来，大数据及机器学习技术方兴未艾，已经广泛应用于图象识别、自 然语言处理等各个领域，并取得了优异的预测效果，而针对海洋大气折射率预 报的相关工作亟待展开。考虑探空数据获取大气折射率曲线的准确性以及数值 模式预报大气折射率的实用性，基于上述所说的两种数据，利用机器学习理论 方法，有望深入挖掘数据之间的内在规律和联系，构建探空数据驱动的中尺度 数值模式大气折射率预测模型，提高传统方法预测的准确性、实用性、拓展性。

发明内容

有鉴于此，本发明提出一种基于机器学习的海洋大气折射率预测方法。

上述方法可以具体包括：获取中尺度数值模式预报气象参数与探空实测气 象参数的数据特征及其分布情况；采用双线性插值、神经网络拟合等对齐方法 进行时空层面的数据预处理，获得两种气象参数之间的差异规律和气象参数的 变化规律；基于提供的两种气象参数，引入梯度提升决策树等机器学习模型， 得到融入探空实测气象参数特征的中尺度数值模式预报气象参数修正机制；基 于预报气象参数修正机制，利用气象参数到大气折射率的映射关系，得到新型 大气折射率预报机制。

其中，上述中尺度数值模式预报气象数据与探空实测气象数据的数据特征 包括：以Python的netCDF4、numpy模块为例提取数据特征，中尺度数值模式 预报气象参数提供24个时间段的数据，包括海面水汽压、气温、气压、水汽混 合比等参数，实用性更高但在精度方面存在不足；探空实测气象参数提供2个 时间段的数据，包括气压、水汽压、水汽混合比、高度、温度、露温、风向和 风速等参数，精度高但拓展性低。

上述中尺度数值模式预报气象数据与探空实测气象数据的分布情况包括： 以本发明所用数据为例，中尺度数值模式预报数据集中分布在南海区域其间距 分辨率约为25km，在某一时刻，数据量可达711450个，具有数据密集且体量 大的特点；探空实测数据在全球均有分布，分布极为稀疏且相距较远，共计只 有536个。