CN117610303A - 气象海洋环境的精细化模拟仿真方法和装置 - Google Patents
气象海洋环境的精细化模拟仿真方法和装置 Download PDFInfo
- Publication number
- CN117610303A CN117610303A CN202311692242.7A CN202311692242A CN117610303A CN 117610303 A CN117610303 A CN 117610303A CN 202311692242 A CN202311692242 A CN 202311692242A CN 117610303 A CN117610303 A CN 117610303A
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- subset
- observation
- marine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 126
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims description 31
- 230000001419 dependent effect Effects 0.000 claims description 21
- 239000013535 sea water Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000009792 diffusion process Methods 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000009499 grossing Methods 0.000 description 3
- 150000003839 salts Chemical class 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241001274197 Scatophagus argus Species 0.000 description 1
- 239000005442 atmospheric precipitation Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种气象海洋环境的精细化模拟仿真方法和装置，所述方法包括：采集得到气象海洋数据集；所述气象海洋数据集，包括大气海洋观测数据子集、气象监测点观测数据子集和气象海洋数值模式预报数据子集；对所述气象海洋数据集进行数据预处理，得到标准气象海洋数据集；利用标准气象海洋数据集，构建得到气象海洋环境模拟仿真模型；利用所述气象海洋环境模拟仿真模型，对所述气象海洋仿真范围信息进行处理，得到气象海洋环境仿真结果信息。本发明方法能够模拟复杂气象海洋环境，同时满足环境复杂度符合行动计划难度、构建方法简便灵活、仿真环境动态真实的要求。
Description
技术领域
本发明涉及气象统计分析和计算机技术领域，尤其涉及一种气象海洋环境的精细化模拟仿真方法和装置。
背景技术
目前,随着现代海洋科技，特别是信息化技术在现代海洋科技及海洋工程装备中的广泛应用，海上作业行动及装备效能受到气象海洋环境因素的影响和制约问题日益突出。在气象海洋环境仿真模拟领域，如何构建逼近实际的气象海洋仿真环境，直接关系到海上作业的保障性能，是环境仿真人员在建模仿真过程中必须高度关注和重点把握的问题。
气象海洋环境复杂多变，对装备效能、海上行动及决策制定有着重大影响，是海洋环境中不可缺少的重要组成部分。气象海洋环境的格点数据构成了气象海洋环境的场模型，且遵循一定的物理分布及变化规律，是对环境的精确模拟。如何模拟复杂气象海洋环境，同时满足环境复杂度符合行动计划难度、构建方法简便灵活、仿真环境动态真实的要求，是当前急需解决的问题。
发明内容
本发明所要解决的技术问题在于，提供一种气象海洋环境的精细化模拟仿真方法和装置，进而模拟复杂气象海洋环境，同时满足环境复杂度符合行动计划难度、构建方法简便灵活、仿真环境动态真实的要求。
为了解决上述技术问题，本发明实施例第一方面公开了一种气象海洋环境的精细化模拟仿真方法，包括：
S1，采集得到气象海洋数据集；所述气象海洋数据集，包括大气海洋观测数据子集、气象监测点观测数据子集和气象海洋数值模式预报数据子集；每个数据子集，包括若干个观测数据；所述观测数据，包括数据属性、数据取值、数据采集信息；所述数据采集信息，包括数据采集时间和数据采集地点；
S2，对所述气象海洋数据集进行数据预处理，得到标准气象海洋数据集；
S3，利用标准气象海洋数据集，构建得到气象海洋环境模拟仿真模型；
S4，采集得到气象海洋仿真范围信息；利用所述气象海洋环境模拟仿真模型，对所述气象海洋仿真范围信息进行处理，得到气象海洋环境仿真结果信息；所述气象海洋环境仿真结果信息，用于表征所述气象海洋环境参数的仿真结果。
所述对所述气象海洋数据集进行数据预处理，得到标准气象海洋数据集，包括：
S21，对所述气象海洋数据集进行数据清理处理，得到清洗数据集；
S22，对所述清洗数据集进行数据规约处理，得到规约数据集；
S23，对所述规约数据集进行采集信息统一处理，得到规范数据集；
S24，对所述规范数据集进行边界检查和类别一致性检查处理，得到一致性数据集；
S25，基于每个数据属性，对一致性数据集中的具有相同数据属性的观测数据进行组合，得到所述数据属性的基础仿真数据子库；
S26，对所有数据属性的基础仿真数据子库进行组合，得到标准气象海洋数据集。
所述对所述清洗数据集进行数据规约处理，得到规约数据集，包括：
S221，确定所述清洗数据集中的大气海洋观测数据子集的数据属性范围；
S222，对所述清洗数据集中的大气海洋观测数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述大气海洋观测数据子集的数据属性范围内，得到第一判别结果；将所述第一判别结果为否的观测数据，从所述大气海洋观测数据子集中删除；
S223，确定所述清洗数据集中的气象监测点观测数据子集的数据属性范围；
S224，对所述清洗数据集中的气象监测点观测数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述气象监测点观测数据子集的数据属性范围内，得到第二判别结果；将所述第二判别结果为否的观测数据，从所述气象监测点观测数据子集中删除；
S225，确定所述清洗数据集中的气象海洋数值模式预报数据子集的数据属性范围；
S226，对所述清洗数据集中的气象海洋数值模式预报数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述气象海洋数值模式预报数据子集的数据属性范围内，得到第三判别结果；将所述第三判别结果为否的观测数据，从所述气象海洋数值模式预报数据子集中删除；
S227，对完成判别的大气海洋观测数据子集、气象监测点观测数据子集和气象海洋数值模式预报数据子集进行组合，得到规约数据集。
所述对所述规约数据集进行采集信息统一处理，得到规范数据集，包括：
S231，对所述规约数据集的同一数据子集所包含的相同数据属性的观测数据，设置统一数据采集时间和统一数据采集地点；
S232，对每个数据子集所包含的相同数据属性的观测数据，根据统一数据采集时间和统一数据采集地点，对所述观测数据进行采集时间和采集地点对齐处理，得到规范观测数据；
S233，对每个数据子集的每个数据属性的观测数据执行S232，得到所述数据子集对应的规范数据子集；所述规范数据子集，包括大气海洋观测规范数据子集、气象监测点观测规范数据子集和气象海洋数值模式预报规范数据子集；
S234，对所有的规范数据子集进行组合处理，得到规范数据集。
所述对所述规范数据集进行边界检查和类别一致性检查处理，得到一致性数据集，包括：
S241，对所述规范数据集的每个规范数据子集中的每个数据属性，预设对应的取值范围；所述取值范围的边界值，包括取值范围上界值和取值范围下界值；
S242，对所述规范数据集的每个规范数据子集的每个观测数据，根据其数据属性的取值范围，判别所述观测数据取值是否在所述取值范围内；当在所述取值范围内时，不对所述观测数据进行处理；当不在所述取值范围内时，设定所述观测数据取值为与其最接近的所述取值范围的边界值；
S243，对每个规范数据子集的所有观测数据完成S242后，得到所述规范数据子集对应的边界规范数据子集；
S244，对大气海洋观测规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为自变量，以所述观测数据的数据取值为因变量，进行自回归-滑动平均建模，分别得到所述类数据属性的回归模型；利用所述回归模型，对所述自变量进行计算处理，得到回归数据取值；判别所述回归数据取值与对应的因变量值之差的绝对值，是否大于设定的第一回归判别阈值；若大于所述第一回归判别阈值，将所述观测数据从所述大气海洋观测规范数据子集对应的边界规范数据子集中删除，若小于所述第一回归判别阈值，不对所述观测数据进行处理；
S245，对所述大气海洋观测规范数据子集对应的边界规范数据子集的所有观测数据，执行S244，得到所述大气海洋观测一致性数据子集；
S246,对气象监测点观测规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为自变量，以所述观测数据的数据取值为因变量，进行聚类分析处理，分别得到所述类数据属性的聚类结果信息；所述聚类结果信息，包括所述类数据属性的所有观测数据所属的聚类类别；
S247,确定每个聚类类别所包括的观测数据数目；设定数据量阈值；将所述观测数据数目小于数据量阈值的聚类类别所包括的观测数据，从所述边界规范数据子集中删除；
S248,对所述气象监测点观测规范数据子集对应的边界规范数据子集的所有观测数据，执行S246和S247，得到所述气象监测点观测一致性数据子集；
S249，对所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为已知自变量，以所述观测数据的数据取值为已知因变量，利用所述已知自变量和已知因变量构建得到待逼近曲线，利用函数逼近法对所述待逼近曲线进行曲线拟合，得到所述类数据属性的最佳一致逼近多项式f(Ix)；利用所述最佳一致逼近多项式f(Ix)，对所述已知自变量进行计算处理，得到近似因变量；判别所述近似因变量与对应的已知因变量之差的绝对值，是否大于设定的第二回归判别阈值；若大于所述第二回归判别阈值，将所述观测数据从所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集中删除，若小于所述第二回归判别阈值，不对所述观测数据进行处理；
S2410,对所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集的所有观测数据，执行S249，得到所述气象海洋数值模式预报一致性数据子集；
S2411，对所述大气海洋观测一致性数据子集、气象监测点观测一致性数据子集、气象海洋数值模式预报一致性数据子集进行组合处理，得到一致性数据集。
所述利用标准气象海洋数据集，构建得到气象海洋环境模拟仿真模型，包括：
S31，构建得到初始化气象海洋环境模拟仿真模型；所述初始化气象海洋环境模拟仿真模型，包括未知参数和预测方程组；
S32，利用所述标准气象海洋数据集，对所述初始化气象海洋环境模拟仿真模型中的未知参数进行求解，得到未知参数求解值；
S33，将所述未知参数求解值代入所述预测方程组，得到气象海洋环境模拟仿真模型。
所述初始化气象海洋环境模拟仿真模型的预测方程组，其表达式为：
其中，[x,y,z]为预测点在大地坐标系下的位置坐标，t为预测时间,u和v为海浪水平方向的x轴和y轴的速度、w为海浪垂直速度；表示微分算子，/>[i,j,k]为x轴、y轴和z轴上的单位量；f为科氏力参数；φ为海洋的动力学压力，φ＝P/ρo，ρo为海水参考密度；/>和vθ分别为粘性系数和粒子扩散系数，g为重力常数；ρ为海水的现场密度，P为气象海洋环境的压力；C表示计算粒子浓度；Fu、Fv、FC为分别x轴、y轴和z轴方向上的外界强迫项，Du、Dv、DC为x轴、y轴和z轴方向上的耗散项；/> 和/>分别表示u、v和w的湍流项，KM和KC分别为海面垂直涡旋粘度和湍流扩散系数；其中，/>vθ、C、Fu、Fv、FC、Du、Dv、DC、KM、KC为未知参数。
本发明实施例第二方面公开了一种气象海洋环境的精细化模拟仿真装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行所述的气象海洋环境的精细化模拟仿真方法。
本发明实施例第三方面公开了一种计算机可存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行所述的气象海洋环境的精细化模拟仿真方法。
本发明实施例第四方面公开了一种信息数据处理终端，所述信息数据处理终端用于实现所述的气象海洋环境的精细化模拟仿真方法。
本发明的有益效果为：
1、本发明提出了一种气象海洋环境的精细化模拟仿真方法和装置，基于有效的气象海洋探测数据、实时观探测数据和气象海洋数值预报模式产品，利用气象海洋统计学方法和气象海洋数值预报技术，构建气象海洋环境仿真的引擎，形成海洋环境精细化模拟与仿真***，实现目标区域典型三维流场、边界层结构和温盐分布以及海洋中尺度涡、海洋锋、海洋跃层等海洋过程的模拟仿真，以研究目标区域气候特点及气象海洋要素的时空分布特征及变化规律，并为海上实际作业需求提供气象海洋环境的仿真模拟产品。
2、本发明方法在对实际数据预处理过程中，提出了多维度的数据筛选方法，从数据属性、数值分布、数据采样信息等多个维度对数据进行校准，并通过对同一类型的观测数据提取观测模型，利用观测模型对数据进行再次校准，保证了观测数据的可靠性，进而确保了所构建的仿真模型的准确性和高效性。
附图说明
图1为本发明方法的实施流程图。
具体实施方式
为了更好的了解本发明内容，这里给出一个实施例。
图1为本发明方法的实施流程图。
为了构建出适用于模拟实际环境的复杂气象海洋环境，即环境复杂度符合行动计划难度、构建方法简便灵活、仿真环境动态真实，本发明从气象海洋统计学及数值模式相结合，提出了复杂气象海洋仿真环境的构建方法体系。以为目标区域构建复杂度适宜的气象海洋仿真环境，使其更加符合区域气候及气象海洋要素的时空分布特征及变化规律，提高环境模型的真实性。
本发明基于有效的气象海洋探测数据、训练场实时观探测数据和气象海洋数值预报模式产品，利用气象海洋统计学方法、海洋中尺度过程诊断分析技术、和气象海洋数值预报技术，构建气象海洋环境仿真的引擎，形成西太平洋海洋环境精细化模拟与仿真***，实现目标区域典型三维流场、边界层结构和温盐分布以及海洋中尺度涡、海洋锋、海洋跃层等海洋过程的模拟仿真，以研究目标区域气候特点及气象海洋要素的时空分布特征及变化规律。
为了解决上述技术问题，本发明实施例第一方面公开了一种气象海洋环境的精细化模拟仿真方法，包括：
S1，采集得到气象海洋数据集；所述气象海洋数据集，包括大气海洋观测数据子集、气象监测点观测数据子集和气象海洋数值模式预报数据子集；每个数据子集，包括若干个观测数据；所述观测数据，包括数据属性、数据取值、数据采集信息；所述数据采集信息，包括数据采集时间和数据采集地点；
S2，对所述气象海洋数据集进行数据预处理，得到标准气象海洋数据集；
S3，利用标准气象海洋数据集，构建得到气象海洋环境模拟仿真模型；
S4，采集得到气象海洋仿真范围信息；利用所述气象海洋环境模拟仿真模型，对所述气象海洋仿真范围信息进行处理，得到气象海洋环境仿真结果信息。所述气象海洋环境仿真结果信息，用于表征所述气象海洋环境参数的仿真结果。
所述采集得到气象海洋数据集，包括：
S11，收集得到大气海洋观测数据子集；所述大气海洋观测数据子集，包括常规观测数据和非常规观测数据。常规观测数据包括固定站点的探空观测数据和地面观测数据、海洋站观测数据、船舶观测数据、浮标监测数据等。非常规观测数据包括雷达观测数据、卫星遥感数据、飞机报观测数据等。
步骤S11中所述的各类观测、遥感、监测数据，均是对大气海洋环境为观测目标而获得的。飞机报观测数据的时空分布取决于飞机航班及其航线(AIRCFT)。卫星遥感数据包括直接观测的辐射亮温，反演的得到的GPS温湿廓线、SSMI大气可降水量、AIRS大气问答廓线、Quik SCAT、海面风QSCAT等数据。雷达观测数据包括雷达径向风、反射率等。雷达观测数据的时间空间分辨率高，但是数据空间范围小。
S12，收集得到气象监测点观测数据子集；所述气象监测点观测数据子集，包括气象监测点的各种监测仪器的记录数据，所述监测仪器，包括气象监测飞行器、风廓线雷达、能见度仪等。
S13，收集得到气象海洋数值模式预报数据子集；所述气象海洋数值模式预报数据子集，从气象海洋数值模式预报产品中获取，包括高精度的Nemo海洋数值模式预报产品，其可提供三维逐时海洋温度、盐度、海表面动力高度、海流、海冰、海水密集度等十余种海洋数值预报产品。
所述对所述气象海洋数据集进行数据预处理，得到标准气象海洋数据集，包括：
S21，对所述气象海洋数据集进行数据清理处理，得到清洗数据集；
S22，对所述清洗数据集进行数据规约处理，得到规约数据集；
S23，对所述规约数据集进行采集信息统一处理，得到规范数据集；
S24，对所述规范数据集进行边界检查和类别一致性检查处理，得到一致性数据集；
S25，基于每个数据属性，对一致性数据集中的具有相同数据属性的观测数据进行组合，得到所述数据属性的基础仿真数据子库；
S26，对所有数据属性的基础仿真数据子库进行组合，得到标准气象海洋数据集。
所述数据清理处理，包括填补缺失值、光滑噪声数据、平滑或删除野值点；所述光滑噪声数据，是首先判别得到噪声数据，再根据噪声数据的前后数据，对噪声数据进行平滑处理；所述噪声数据，是其取值小于观测数据的传感器的探测灵敏度，或大于观测数据的传感器的测量上限的值。所述野值点的判别，可以采用卡尔曼滤波方法。对于缺失值的填补值的确定，可对缺失值的前后一定采样区间内的测量值取平均得到。
所述对所述清洗数据集进行数据规约处理，得到规约数据集，包括：
S221，确定所述清洗数据集中的大气海洋观测数据子集的数据属性范围；
S222，对所述清洗数据集中的大气海洋观测数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述大气海洋观测数据子集的数据属性范围内，得到第一判别结果；将所述第一判别结果为否的观测数据，从所述大气海洋观测数据子集中删除；
S223，确定所述清洗数据集中的气象监测点观测数据子集的数据属性范围；
S224，对所述清洗数据集中的气象监测点观测数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述气象监测点观测数据子集的数据属性范围内，得到第二判别结果；将所述第二判别结果为否的观测数据，从所述气象监测点观测数据子集中删除；
S225，确定所述清洗数据集中的气象海洋数值模式预报数据子集的数据属性范围；
S226，对所述清洗数据集中的气象海洋数值模式预报数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述气象海洋数值模式预报数据子集的数据属性范围内，得到第三判别结果；将所述第三判别结果为否的观测数据，从所述气象海洋数值模式预报数据子集中删除；
S227，对完成判别的大气海洋观测数据子集、气象监测点观测数据子集和气象海洋数值模式预报数据子集进行组合，得到规约数据集。
所述大气海洋观测数据子集的数据属性范围，包括浪高、海浪速度、海流、辐射亮温和海面风等；
所述气象海洋数值模式预报数据子集的数据属性范围，包括三维逐时海洋温度、盐度、海表面动力高度、海流、海冰、海洋的动力学压力、气象海洋环境的压力、海水密集度等；
所述气象监测点观测数据子集的数据属性范围，包括海面气象参数属性、能见度等；
所述对所述规约数据集进行采集信息统一处理，得到规范数据集，包括：
S231，对所述规约数据集的同一数据子集所包含的相同数据属性的观测数据，设置统一数据采集时间和统一数据采集地点；
S232，对每个数据子集所包含的相同数据属性的观测数据，根据统一数据采集时间和统一数据采集地点，对所述观测数据进行采集时间和采集地点对齐处理，得到规范观测数据；
所述对所述观测数据进行采集时间和采集地点对齐处理，包括：
当所述观测数据的采集时间间隔，大于所述统一数据采集时间的时间间隔时，对相邻的所述观测数据进行插值处理，得到所述统一数据采集时间处的观测数据值，将其作为规范观测数据；
当所述观测数据的采集时间间隔，小于所述统一数据采集时间的时间间隔时，对所述观测数据进行抽样处理，得到与所述统一数据采集时间一致的观测数据，将其作为规范观测数据；
当所述观测数据的采集空间间隔，大于所述统一数据采集地点的空间间隔时，对相邻的所述观测数据进行插值处理，得到所述统一数据采集地点处的观测数据值，将其作为规范观测数据；
当所述观测数据的采集空间间隔，小于所述统一数据采集地点的空间间隔时，对所述观测数据进行抽样处理，得到与所述统一数据采集地点一致的观测数据，将其作为规范观测数据。
S233，对每个数据子集的每个数据属性的观测数据执行S232，得到所述数据子集对应的规范数据子集；所述规范数据子集，包括大气海洋观测规范数据子集、气象监测点观测规范数据子集和气象海洋数值模式预报规范数据子集；
S234，对所有的规范数据子集进行组合处理，得到规范数据集；
所述对所述规范数据集进行边界检查和类别一致性检查处理，得到一致性数据集，包括：
S241，对所述规范数据集的每个规范数据子集中的每个数据属性，预设对应的取值范围；所述取值范围，包括取值范围上界值和取值范围下界值；
S242，对所述规范数据集的每个规范数据子集的每个观测数据，根据其数据属性的取值范围，判别所述观测数据取值是否在所述取值范围内；当在所述取值范围内时，不对所述观测数据进行处理；当不在所述取值范围内时，设定所述观测数据取值为与其最接近的所述取值范围的取值范围上界值或取值范围下界值；
S243，对每个规范数据子集的所有观测数据完成S242后，得到所述规范数据子集对应的边界规范数据子集；
S244，对大气海洋观测规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为自变量，以所述观测数据的数据取值为因变量，进行自回归-滑动平均建模，分别得到所述类数据属性的回归模型；利用所述回归模型，对所述自变量进行计算处理，得到回归数据取值；判别所述回归数据取值与对应的因变量值之差的绝对值，是否大于设定的第一回归判别阈值；若大于所述第一回归判别阈值，将所述观测数据从所述大气海洋观测规范数据子集对应的边界规范数据子集中删除，若小于所述第一回归判别阈值，不对所述观测数据进行处理；
S245，对所述大气海洋观测规范数据子集对应的边界规范数据子集的所有观测数据，执行S244，得到所述大气海洋观测一致性数据子集；
S246,对气象监测点观测规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为自变量，以所述观测数据的数据取值为因变量，进行聚类分析处理，分别得到所述类数据属性的聚类结果信息；所述聚类结果信息，包括所述类数据属性的所有观测数据所属的聚类类别；
S247,确定每个聚类类别所包括的观测数据数目；设定数据量阈值；将所述观测数据数目小于数据量阈值的聚类类别所包括的观测数据，从所述边界规范数据子集中删除；
S248,对所述气象监测点观测规范数据子集对应的边界规范数据子集的所有观测数据，执行S246和S247，得到所述气象监测点观测一致性数据子集；
S249，对所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为已知自变量，以所述观测数据的数据取值为已知因变量，利用所述已知自变量和已知因变量构建得到待逼近曲线，利用函数逼近法对所述待逼近曲线进行曲线拟合，得到所述类数据属性的最佳一致逼近多项式f(Ix)；利用所述最佳一致逼近多项式f(Ix)，对所述已知自变量进行计算处理，得到近似因变量；判别所述近似因变量与对应的已知因变量之差的绝对值，是否大于设定的第二回归判别阈值；若大于所述第二回归判别阈值，将所述观测数据从所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集中删除，若小于所述第二回归判别阈值，不对所述观测数据进行处理；
S2410,对所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集的所有观测数据，执行S249，得到所述气象海洋数值模式预报一致性数据子集；
S2411，对所述大气海洋观测一致性数据子集、气象监测点观测一致性数据子集、气象海洋数值模式预报一致性数据子集进行组合处理，得到一致性数据集；
所述利用函数逼近法对所述待逼近曲线进行曲线拟合，可以采用最佳一致线性逼近方法。所述最佳一致逼近多项式f(Ix)，其表达式为：
f(Ix)＝αP1(Ix)P1+αP1-1(Ix)P1-1+…+α2(Ix)2+α1(Ix)+α0，
其中，P1为所述最佳一致逼近多项式f(Ix)的阶数，α0,α1,α2,…,αP1为所述最佳一致逼近多项式f(Ix)的系数；
所述利用标准气象海洋数据集，构建得到气象海洋环境模拟仿真模型，包括：
S31，构建得到初始化气象海洋环境模拟仿真模型；所述初始化气象海洋环境模拟仿真模型，包括未知参数和预测方程组；
S32，利用所述标准气象海洋数据集，对所述初始化气象海洋环境模拟仿真模型中的未知参数进行求解，得到未知参数求解值；
S33，将所述未知参数求解值代入所述预测方程组，得到气象海洋环境模拟仿真模型。
所述初始化气象海洋环境模拟仿真模型的预测方程组，其表达式为：
其中，[x,y,z]为预测点在大地坐标系下的位置坐标，t为预测时间,u和v为海浪水平方向的x轴和y轴的速度、w为海浪垂直速度；表示微分算子，/>[i,j,k]为x轴、y轴和z轴上的单位量；f为科氏力参数；φ为海洋的动力学压力，φ＝P/ρo，ρo为海水参考密度；/>和vθ分别为粘性系数和粒子扩散系数，g为重力常数；ρ为海水的现场密度，P为气象海洋环境的压力；T，S，P分别为气象海洋环境的温度，盐度和压力；C表示计算粒子浓度；Fu、Fv、FC为分别x轴、y轴和z轴方向上的外界强迫项，Du、Dv、DC为x轴、y轴和z轴方向上的耗散项。/>和/>分别表示u、v和w的湍流项，KM和KC分别为海面垂直涡旋粘度和湍流扩散系数；其中，/>vθ、C、Fu、Fv、FC、Du、Dv、DC、KM、KC为未知参数。
所述利用所述标准气象海洋数据集，对所述初始化气象海洋环境模拟仿真模型中的未知参数进行求解，得到未知参数求解值，包括：
利用所述标准气象海洋数据集中的海浪速度、海洋的动力学压力、海水密集度的测量数据为已知量，将所述已知量代入到所述预测方程组中，利用离散化方法对所述预测方程组中的未知参数进行求解，得到未知参数求解值。
所述海水密集度，包括海水参考密度和海水的现场密度；
所述气象海洋仿真范围信息，为气象海洋预报的预测点在大地坐标系下的位置坐标和预测时间；
利用所述气象海洋环境模拟仿真模型，对所述气象海洋仿真范围信息进行处理，得到气象海洋环境仿真结果信息，包括：
将所述位置坐标和预测时间输入所述气象海洋环境模拟仿真模型，得到海浪速度、海洋的动力学压力、海水密集度的仿真结果；
本发明公开了一种气象海洋环境的精细化模拟仿真装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行所述的气象海洋环境的精细化模拟仿真方法。
所述气象海洋环境的精细化模拟仿真装置，利用气象海洋仿真模型引擎，对基础数据库进行处理，得到气象基础仿真数据；气象基础仿真数据包括：海洋区域的三维海流速度场、温度分布数据、盐度数据；大气边界层的温度、气压、相对湿度、风速的数据；
在利用气象海洋环境的精细化模拟仿真装置进行仿真前，首先对气象海洋环境仿真模型进行配置，以统计分析数据库为数据源，通过目标区域、月份和天气现象等进行仿真的模型配置，提供基础模型的编辑功能；以基础模型库为数据源，通过目标区域、月份和天气现象等进行仿真的模型配置，并提供基础模型的编辑功能；基于不用的统计分析模型、关键技术和气象海洋数值模型，“拼接组合”后生成仿真环境框架，并提供气象海洋数值模型的接口调试功能。
气象海洋环境的精细化模拟仿真装置进行环境仿真时，主要包括气象海洋环境仿真产品选择、***运行、记录监控和产品输出等过程，具体步骤为：
气象海洋环境仿真产品选择，气象海洋环境仿真的模拟，具体包括:典型区域的三维流场、边界层结构、温盐分布、海洋典型过程等，可以选择一个特定产品或全部产品进行模拟仿真。
气象海洋环境仿真***运行，导入基础数据库和参数配置后，运行仿真模拟***。
气象海洋环境仿真***记录监控，记录下仿真运行过程中的关键节点和调试信息，以供查询运行的进度及准确性。
气象海洋环境仿真结果输出，输出目标区域的特定仿真结果，用于研究其时空变化规律。
本发明公开了一种计算机可存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行所述的气象海洋环境的精细化模拟仿真方法。
本发明公开了一种信息数据处理终端，所述信息数据处理终端用于实现所述的气象海洋环境的精细化模拟仿真方法。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种气象海洋环境的精细化模拟仿真方法，其特征在于，包括：
S1，采集得到气象海洋数据集；所述气象海洋数据集，包括大气海洋观测数据子集、气象监测点观测数据子集和气象海洋数值模式预报数据子集；每个数据子集，包括若干个观测数据；所述观测数据，包括数据属性、数据取值、数据采集信息；所述数据采集信息，包括数据采集时间和数据采集地点；
S2，对所述气象海洋数据集进行数据预处理，得到标准气象海洋数据集；
S3，利用标准气象海洋数据集，构建得到气象海洋环境模拟仿真模型；
S4，采集得到气象海洋仿真范围信息；利用所述气象海洋环境模拟仿真模型，对所述气象海洋仿真范围信息进行处理，得到气象海洋环境仿真结果信息；所述气象海洋环境仿真结果信息，用于表征所述气象海洋环境参数的仿真结果。
2.如权利要求1所述的气象海洋环境的精细化模拟仿真方法，其特征在于，所述对所述气象海洋数据集进行数据预处理，得到标准气象海洋数据集，包括：
S21，对所述气象海洋数据集进行数据清理处理，得到清洗数据集；
S22，对所述清洗数据集进行数据规约处理，得到规约数据集；
S23，对所述规约数据集进行采集信息统一处理，得到规范数据集；
S24，对所述规范数据集进行边界检查和类别一致性检查处理，得到一致性数据集；
S25，基于每个数据属性，对一致性数据集中的具有相同数据属性的观测数据进行组合，得到所述数据属性的基础仿真数据子库；
S26，对所有数据属性的基础仿真数据子库进行组合，得到标准气象海洋数据集。
3.如权利要求2所述的气象海洋环境的精细化模拟仿真方法，其特征在于，所述对所述清洗数据集进行数据规约处理，得到规约数据集，包括：
S221，确定所述清洗数据集中的大气海洋观测数据子集的数据属性范围；
S222，对所述清洗数据集中的大气海洋观测数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述大气海洋观测数据子集的数据属性范围内，得到第一判别结果；将所述第一判别结果为否的观测数据，从所述大气海洋观测数据子集中删除；
S223，确定所述清洗数据集中的气象监测点观测数据子集的数据属性范围；
S224，对所述清洗数据集中的气象监测点观测数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述气象监测点观测数据子集的数据属性范围内，得到第二判别结果；将所述第二判别结果为否的观测数据，从所述气象监测点观测数据子集中删除；
S225，确定所述清洗数据集中的气象海洋数值模式预报数据子集的数据属性范围；
S226，对所述清洗数据集中的气象海洋数值模式预报数据子集的每个观测数据，判别所述观测数据的数据属性是否在所述气象海洋数值模式预报数据子集的数据属性范围内，得到第三判别结果；将所述第三判别结果为否的观测数据，从所述气象海洋数值模式预报数据子集中删除；
S227，对完成判别的大气海洋观测数据子集、气象监测点观测数据子集和气象海洋数值模式预报数据子集进行组合，得到规约数据集。
4.如权利要求2所述的气象海洋环境的精细化模拟仿真方法，其特征在于，所述对所述规约数据集进行采集信息统一处理，得到规范数据集，包括：
S231，对所述规约数据集的同一数据子集所包含的相同数据属性的观测数据，设置统一数据采集时间和统一数据采集地点；
S232，对每个数据子集所包含的相同数据属性的观测数据，根据统一数据采集时间和统一数据采集地点，对所述观测数据进行采集时间和采集地点对齐处理，得到规范观测数据；
S233，对每个数据子集的每个数据属性的观测数据执行S232，得到所述数据子集对应的规范数据子集；所述规范数据子集，包括大气海洋观测规范数据子集、气象监测点观测规范数据子集和气象海洋数值模式预报规范数据子集；
S234，对所有的规范数据子集进行组合处理，得到规范数据集。
5.如权利要求2所述的气象海洋环境的精细化模拟仿真方法，其特征在于，所述对所述规范数据集进行边界检查和类别一致性检查处理，得到一致性数据集，包括：
S241，对所述规范数据集的每个规范数据子集中的每个数据属性，预设对应的取值范围；所述取值范围的边界值，包括取值范围上界值和取值范围下界值；
S242，对所述规范数据集的每个规范数据子集的每个观测数据，根据其数据属性的取值范围，判别所述观测数据取值是否在所述取值范围内；当在所述取值范围内时，不对所述观测数据进行处理；当不在所述取值范围内时，设定所述观测数据取值为与其最接近的所述取值范围的边界值；
S243，对每个规范数据子集的所有观测数据完成S242后，得到所述规范数据子集对应的边界规范数据子集；
S244，对大气海洋观测规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为自变量，以所述观测数据的数据取值为因变量，进行自回归-滑动平均建模，分别得到所述类数据属性的回归模型；利用所述回归模型，对所述自变量进行计算处理，得到回归数据取值；判别所述回归数据取值与对应的因变量值之差的绝对值，是否大于设定的第一回归判别阈值；若大于所述第一回归判别阈值，将所述观测数据从所述大气海洋观测规范数据子集对应的边界规范数据子集中删除，若小于所述第一回归判别阈值，不对所述观测数据进行处理；
S245，对所述大气海洋观测规范数据子集对应的边界规范数据子集的所有观测数据，执行S244，得到所述大气海洋观测一致性数据子集；
S246,对气象监测点观测规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为自变量，以所述观测数据的数据取值为因变量，进行聚类分析处理，分别得到所述类数据属性的聚类结果信息；所述聚类结果信息，包括所述类数据属性的所有观测数据所属的聚类类别；
S247,确定每个聚类类别所包括的观测数据数目；设定数据量阈值；将所述观测数据数目小于数据量阈值的聚类类别所包括的观测数据，从所述边界规范数据子集中删除；
S248,对所述气象监测点观测规范数据子集对应的边界规范数据子集的所有观测数据，执行S246和S247，得到所述气象监测点观测一致性数据子集；
S249，对所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集的每一类数据属性的观测数据，以所述观测数据的数据采集信息为已知自变量，以所述观测数据的数据取值为已知因变量，利用所述已知自变量和已知因变量构建得到待逼近曲线，利用函数逼近法对所述待逼近曲线进行曲线拟合，得到所述类数据属性的最佳一致逼近多项式f(Ix)；利用所述最佳一致逼近多项式f(Ix)，对所述已知自变量进行计算处理，得到近似因变量；判别所述近似因变量与对应的已知因变量之差的绝对值，是否大于设定的第二回归判别阈值；若大于所述第二回归判别阈值，将所述观测数据从所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集中删除，若小于所述第二回归判别阈值，不对所述观测数据进行处理；
S2410,对所述气象海洋数值模式预报规范数据子集对应的边界规范数据子集的所有观测数据，执行S249，得到所述气象海洋数值模式预报一致性数据子集；
S2411，对所述大气海洋观测一致性数据子集、气象监测点观测一致性数据子集、气象海洋数值模式预报一致性数据子集进行组合处理，得到一致性数据集。
6.如权利要求1所述的气象海洋环境的精细化模拟仿真方法，其特征在于，所述利用标准气象海洋数据集，构建得到气象海洋环境模拟仿真模型，包括：
S31，构建得到初始化气象海洋环境模拟仿真模型；所述初始化气象海洋环境模拟仿真模型，包括未知参数和预测方程组；
S32，利用所述标准气象海洋数据集，对所述初始化气象海洋环境模拟仿真模型中的未知参数进行求解，得到未知参数求解值；
S33，将所述未知参数求解值代入所述预测方程组，得到气象海洋环境模拟仿真模型。
7.如权利要求6所述的气象海洋环境的精细化模拟仿真方法，其特征在于，所述初始化气象海洋环境模拟仿真模型的预测方程组，其表达式为：
其中，[x,y,z]为预测点在大地坐标系下的位置坐标，t为预测时间,u和v为海浪水平方向的x轴和y轴的速度、w为海浪垂直速度；表示微分算子，/>[i,j,k]为x轴、y轴和z轴上的单位量；f为科氏力参数；φ为海洋的动力学压力，φ＝P/ρo，ρo为海水参考密度；/>和vθ分别为粘性系数和粒子扩散系数，g为重力常数；ρ为海水的现场密度，P为气象海洋环境的压力；C表示计算粒子浓度；Fu、Fv、FC为分别x轴、y轴和z轴方向上的外界强迫项，Du、Dv、DC为x轴、y轴和z轴方向上的耗散项；/> 和/>分别表示u、v和w的湍流项，KM和KC分别为海面垂直涡旋粘度和湍流扩散系数；其中，/>vθ、C、Fu、Fv、FC、Du、Dv、DC、KM、KC为未知参数。
8.一种气象海洋环境的精细化模拟仿真装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的气象海洋环境的精细化模拟仿真方法。
9.一种计算机可存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的气象海洋环境的精细化模拟仿真方法。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1-7任一项所述的气象海洋环境的精细化模拟仿真方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311692242.7A CN117610303B (zh) | 2023-12-11 | 2023-12-11 | 气象海洋环境的精细化模拟仿真方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311692242.7A CN117610303B (zh) | 2023-12-11 | 2023-12-11 | 气象海洋环境的精细化模拟仿真方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117610303A true CN117610303A (zh) | 2024-02-27 |
| CN117610303B CN117610303B (zh) | 2024-05-10 |
Family
ID=89949842
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311692242.7A Active CN117610303B (zh) | 2023-12-11 | 2023-12-11 | 气象海洋环境的精细化模拟仿真方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117610303B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060092420A (ko) * | 2005-02-17 | 2006-08-23 | 인하대학교 산학협력단 | 연안해역의 수질 관리 시스템 |
| US10395114B1 (en) * | 2018-04-20 | 2019-08-27 | Surfline\Wavetrak, Inc. | Automated detection of features and/or parameters within an ocean environment using image data |
| CN110826183A (zh) * | 2019-10-08 | 2020-02-21 | 广州博进信息技术有限公司 | 一种多维动态海洋环境标量场的构建交互方法 |
| CN110991822A (zh) * | 2019-11-18 | 2020-04-10 | 天津大学 | 一种基于倾斜影像建模的三维水动力数值模拟方法 |
| KR102118643B1 (ko) * | 2019-12-26 | 2020-06-03 | 주식회사 환경과학기술 | 예보지식기반의 표준화된 해양기상예보생산시스템 및 방법 |
| CN114201933A (zh) * | 2021-12-10 | 2022-03-18 | 天津大学 | 一种鱼类早期阶段资源分布情况的模拟方法 |
| US20220326211A1 (en) * | 2021-03-15 | 2022-10-13 | Harbin Engineering University | Marine Transportation Platform Guarantee-Oriented Analysis and Prediction Method for Three-Dimensional Temperature and Salinity Field |
| CN115859116A (zh) * | 2022-12-19 | 2023-03-28 | 浙江大学 | 一种基于径向基函数回归插值法的海洋环境场重建方法 |
| CN116011294A (zh) * | 2023-02-06 | 2023-04-25 | 哈尔滨工程大学 | 一种六自由度rov作业仿真平台的搭建方法 |
| CN116644608A (zh) * | 2023-06-14 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种基于海洋环境数据的实海域船舶运动预报方法及*** |
| CN116992793A (zh) * | 2023-09-27 | 2023-11-03 | 长江三峡集团实业发展(北京)有限公司 | 一种海上风能资源仿真模拟方法、装置、设备及介质 |
-
2023
- 2023-12-11 CN CN202311692242.7A patent/CN117610303B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060092420A (ko) * | 2005-02-17 | 2006-08-23 | 인하대학교 산학협력단 | 연안해역의 수질 관리 시스템 |
| US10395114B1 (en) * | 2018-04-20 | 2019-08-27 | Surfline\Wavetrak, Inc. | Automated detection of features and/or parameters within an ocean environment using image data |
| CN110826183A (zh) * | 2019-10-08 | 2020-02-21 | 广州博进信息技术有限公司 | 一种多维动态海洋环境标量场的构建交互方法 |
| CN110991822A (zh) * | 2019-11-18 | 2020-04-10 | 天津大学 | 一种基于倾斜影像建模的三维水动力数值模拟方法 |
| KR102118643B1 (ko) * | 2019-12-26 | 2020-06-03 | 주식회사 환경과학기술 | 예보지식기반의 표준화된 해양기상예보생산시스템 및 방법 |
| US20220326211A1 (en) * | 2021-03-15 | 2022-10-13 | Harbin Engineering University | Marine Transportation Platform Guarantee-Oriented Analysis and Prediction Method for Three-Dimensional Temperature and Salinity Field |
| CN114201933A (zh) * | 2021-12-10 | 2022-03-18 | 天津大学 | 一种鱼类早期阶段资源分布情况的模拟方法 |
| CN115859116A (zh) * | 2022-12-19 | 2023-03-28 | 浙江大学 | 一种基于径向基函数回归插值法的海洋环境场重建方法 |
| CN116011294A (zh) * | 2023-02-06 | 2023-04-25 | 哈尔滨工程大学 | 一种六自由度rov作业仿真平台的搭建方法 |
| CN116644608A (zh) * | 2023-06-14 | 2023-08-25 | 青岛哈尔滨工程大学创新发展中心 | 一种基于海洋环境数据的实海域船舶运动预报方法及*** |
| CN116992793A (zh) * | 2023-09-27 | 2023-11-03 | 长江三峡集团实业发展(北京)有限公司 | 一种海上风能资源仿真模拟方法、装置、设备及介质 |
Non-Patent Citations (5)
| Title |
|---|
| SEAN WILLIAMS等: "Adaptive Extraction and Quantification of Geophysical Vortices", IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GRAPHICS, 3 November 2011 (2011-11-03) * |
| 张尧;谢欣;陶爱峰;王岗;陈新平;郑金海;: "Boussinesq相位解析的海岸水动力学数学模型研究进展", 海洋通报, no. 05, 15 October 2018 (2018-10-15) * |
| 李响;王辉;吴辉碇;刘克威;孙兰涛;: "海上大气边界层数值预报技术发展概论", 海洋预报, no. 01, 15 February 2010 (2010-02-15) * |
| 覃东升;: "海洋力学环境分布式交互仿真***设计与实现", 信息***工程, no. 10, 20 October 2018 (2018-10-20) * |
| 邓健;黄立文;文元桥;牟军敏;: "气候变化条件下基于海洋三维高分辨环境模拟的航海仿真研究", 武汉理工大学学报(交通科学与工程版), no. 04, 15 August 2009 (2009-08-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117610303B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rautenhaus et al. | Visualization in meteorology—a survey of techniques and tools for data analysis tasks | |
| Safi et al. | Flying with the wind: scale dependency of speed and direction measurements in modelling wind support in avian flight | |
| Krajewski et al. | Towards better utilization of NEXRAD data in hydrology: An overview of Hydro-NEXRAD | |
| Podobnikar | Methods for visual quality assessment of a digital terrain model | |
| Schenkel et al. | An examination of tropical cyclone position, intensity, and intensity life cycle within atmospheric reanalysis datasets | |
| Powell et al. | Estimating maximum surface winds from hurricane reconnaissance measurements | |
| Serinaldi | Multifractality, imperfect scaling and hydrological properties of rainfall time series simulated by continuous universal multifractal and discrete random cascade models | |
| Giebel et al. | Shortterm forecasting using advanced physical modelling-the results of the anemos project | |
| CN105157590A (zh) | 一种基于三维激光扫描技术的建构物健康监测*** | |
| CN102955160A (zh) | 基于三维激光雷达技术的输电线路杆塔参数确定方法 | |
| Boreggio et al. | Evaluating the differences of gridding techniques for Digital Elevation Models generation and their influence on the modeling of stony debris flows routing: A case study from Rovina di Cancia basin (North-eastern Italian Alps) | |
| Bierdel et al. | Accuracy of rotational and divergent kinetic energy spectra diagnosed from flight-track winds | |
| Yilmaz et al. | Comparison of data reduction algorithms for Li DAR‐derived digital terrain model generalisation | |
| Liu et al. | A novel entropy-based method to quantify forest canopy structural complexity from multiplatform lidar point clouds | |
| Wei et al. | The performance of the US Navy's RELO ensemble, NCOM, HYCOM during the period of GLAD at-sea experiment in the Gulf of Mexico | |
| CN115408962A (zh) | 基于cfd模拟和测风激光雷达的风场重建方法及*** | |
| Du et al. | Wave boundary layer model in SWAN revisited | |
| Lawson | Predictability of idealized thunderstorms in buoyancy–shear space | |
| Akpınar et al. | Spatial characteristics of wind and wave parameters over the Sea of Marmara | |
| Ali | On the selection of an interpolation method for creating a terrain model (TM) from LIDAR data | |
| Song et al. | Prediction of significant wave height based on EEMD and deep learning | |
| CN117610303B (zh) | 气象海洋环境的精细化模拟仿真方法和装置 | |
| Karpatne et al. | A guide to earth science data: Summary and research challenges | |
| CN116361621A (zh) | 基于风云四号卫星的大气波导监测诊断方法和*** | |
| CN115248075A (zh) | 一种多源声学大数据融合的水声探测效能评估*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |