[发明专利]基于信息嵌合深度FFNN模型的温盐重构方法及系统

说明书

本发明涉及一种基于信息嵌合深度FFNN模型的温盐重构方法及系统，具体涉及海洋数据预测技术领域。所述方法包括：将经纬度和经纬度处的海表数据输入训练好的FFNN模型得到经纬度处各层的温度EOF振幅、经纬度处各层的盐度EOF振幅、经纬度处各层的温度增量和经纬度处各层的盐度增量；根据经纬度处各层的温度EOF集合、经纬度处各层的温度EOF振幅和经纬度处各层的温度增量得到经纬度处各层的重构温度；根据经纬度处各层的盐度EOF集合、经纬度处各层的盐度EOF振幅和经纬度处各层的盐度增量得到经纬度处各层的重构盐度。本发明可提高重构的数据精度。

技术领域

本发明涉及海洋数据预测技术领域，特别是涉及一种基于信息嵌合深度FFNN模型的温盐重构方法及系统。

背景技术

从卫星数据估计海洋内部的技术被称为水下温盐反演或重构。这种技术被视为遥感的延伸，即所谓的中深层海洋遥感。由于实际应用的需要，大多采用统计方法，主要包括两类方法。

一种方法是直接构造表面场与剖面之间的广义回归关系。著名的模块化海洋数据同化系统(MODAS)率先使用多元线性回归方法(MLR)从海表温度和海平面高度重建三维场。基于MODAS的类似技术，科学家利用各种卫星数据估算了次表层温度/盐度场(T/S)。人工智能技术的进步启发了研究人员使用人工智能算法来代替传统的线性方法。这些算法包括人工神经网络、自组织神经网络、支持向量机、随机森林、基于果蝇优化算法的广义回归神经网络等。基于经验正交函数(EOF)模态的提取方法也可推导海表和水下耦合的垂直投影模态。这种算法包括单EOF重构(sEOF-R)、最大经验模态(GEM)与耦合模态重构(CPR)和多元EOF重构(mEOF-R)方法。

除上述纯统计方法外，另一研究路线是利用简化的动力学模型，如表层准地转(SQG)方法。作为一种重构方法，SQG算法很早之前就已用于对流层风场的反演，即位涡反演。SQG方法在海洋中进行的首次重构仅利用了SQG模态。LapeyreKlein提出了将表层浮力与次表层PV耦合的有效SQG(eSQG)方法。Yan et al.(2021)首次实现了利用SQG密度重构进行水下温盐反演(LS-mEOFs算法)，将密度重构场投影到经验模态上，并利用最小二乘拟合确定mEOFs的振幅。

总的来说，先前研究中以机器学习为代表的多种模型和多个因子的对比充分说明了“信息”对海洋重构的重要性，时间因子、经纬度信息等作为外源性输入改进了机器学习的效果。然而，可以采用的信息事实上不仅如此。经验正交函数(EOF)模态是非常经典的工具，其通过时空分解的方式将数据降维，从而将庞大的再分析数据集中的有效信息凝练出来。通过经验模态的方式提取历史再分析数据中的信息，可以有效弥补了现场观测不足的问题，从而显著提升温盐反演的效果。然而，LS-mEOFs等算法把EOF作为一种强约束，即认为完全依赖EOF合成的温盐已经是准确的。但是，LS-mEOFs反演温盐在西北太平洋海域的效果总体劣于随机森林等机器学习算法，能够说明其并非利用EOF的最好方式，所以得到的结果也并不准确。

尽管理论上来讲，通过几个主要模态的叠加就能够解释海洋中的绝大部分信号，然而由于历史数据提取的模态很难反映出跃层的剧烈变化，且在误差无处不在的现实情况中，表层拟合无法保证振幅的准确性。另一方面，现有的改进型海洋剖面合成系统(ISOP；Improved Synthetic Ocean Profile)则仅仅将EOF作为一种弱约束，考虑了温盐剖面相对于EOF叠加解的增量，但其在重构中将气候态作为静态的初猜场的方式，导致跃层深度等参数均不准确。

综上所述，现有的基于前馈神经网络(FFNN)等机器学习模型的温盐重构方法得到的温盐重构结果并不准确。

发明内容

本发明的目的是提供一种基于信息嵌合深度FFNN模型的温盐重构方法及系统，可提高重构的数据精度。

为实现上述目的，本发明提供了如下方案：

一种基于信息嵌合深度FFNN模型的温盐重构方法，包括：