1.一种基于随机森林算法的声速剖面估计方法,其特征在于,包括以下:样本数据获取,所述样本数据包括遥感参数、Argo数据以及WOA13数据;
输入数据处理,对所述遥感参数进行数据转换得到输入数据,根据预设条件划分为训练集数据和测试集数据;
输出数据处理,对所述Argo数据以及WOA13进行数据转换得到输出数据,后根据所述预设条件的同等条件划分为训练集数据和测试集数据;
将所述训练集数据输入RF模型进行模型训练得到训练好的RF模型,将所述测试集数据输入训练好的RF模型得到投影系数集;
根据所述投影系数集进行剖面重构;
具体的,所述遥感参数的SSTA获取自美国国家海洋大气管理局数据中心,SSHA获取自AVISO数据集,选用的时间分辨率为1天,空间分辨率为0.25°×0.25°;Argo数据获取自中国Argo资料中心的《全球海洋Argo散点资料集》;WOA13数据为温度盐度多年统计,空间分辨率
0.25°的全年平均温盐剖面;
具体的,所述输入数据处理包括,
将所述遥感参数中SSTA以及SSHA所对应的经纬度取余弦值得到LAT以及LON数据,将Argo数据通过声速经验公式转换得到SSP数据的测量时间按正常年转化为1‑365的序号、闰年转化为1‑366的序号的方式转化得到数据DATE,将SSHA、SSTA、LAT、LON以及DATE作为模型输入标签;
具体的,所述输出数据处理包括,
将WOA13数据通过Del Grosso声速经验公式换算成背景稳态剖面;
将Argo数据通过声速经验公式转换得到SSP数据,将所述SSP数据表示为矩阵C,所述矩阵C为D×S阶矩阵,其中D为深度上的采样点数,S为样本数量,将矩阵C减去背景稳态剖面得到声速异常矩阵E,所述声速异常矩阵E为D×S阶矩阵;
计算所述声速异常矩阵E的协方差矩阵R:
T
R=E×E;
通过以下矩阵计算公式对所述声速异常矩阵E进行主成分提取,R×K=K×λ;
其中K是一个特征矩阵,它的每一列代表了声速异常矩阵的一个主成分即正交经验函数EOF,而λ则是一个对角矩阵,角线上每一个数字代表了对应列主成分所能表示的扰动方差,选用5阶的EOF作为重构声速扰动的主成分模态以确定基本扰动模态;
具体的,所述投影系数集通过以下方式进行计算,
通过下式提取基本扰动模态中的每一阶模态的投影系数,
其中c代表一条样本,c0为背景稳态剖面,Kn表示五阶的EOF模态,an为五阶模态对应投影系数,再主动对Kn增加一列均为1的常数列,作为常数模态K0,通过回归算法计算到每一个样本的前六阶系数,形成投影系数集A,所述投影系数集为一个6×S阶矩阵,包括投影系数A0‑A5,其中A0作为常数系数,A1‑A5为选用的主成分总阶数,S为样本数量,将投影系数A0‑A5作为模型输出标签;
具体的,根据所述投影系数集进行剖面重构包括,
将所述投影系数A0‑A5代入 中,计算得到的剖面即为重构的剖面。
2.一种基于随机森林算法的声速剖面估计装置,其特征在于,包括以下:样本数据获取模块,用于获取样本数据,所述样本数据包括遥感参数、Argo数据以及WOA13数据;
输入数据处理模块,用于对所述遥感参数进行数据转换得到输入数据,根据预设条件划分为训练集数据和测试集数据;
输出数据处理模块,用于对所述Argo数据以及WOA13进行数据转换得到输出数据,根据所述预设条件的同等条件划分为训练集数据和测试集数据;
投影数据集计算模块,用于将所述训练集数据输入RF模型进行模型训练得到训练好的RF模型,将所述测试集数据输入训练好的RF模型得到投影系数集;
剖面重构模块,用于根据所述投影系数集进行剖面重构;
具体的,所述遥感参数的SSTA获取自美国国家海洋大气管理局数据中心,SSHA获取自AVISO数据集,选用的时间分辨率为1天,空间分辨率为0.25°×0.25°;Argo数据获取自中国Argo资料中心的《全球海洋Argo散点资料集》;WOA13数据为温度盐度多年统计,空间分辨率
0.25°的全年平均温盐剖面;
具体的,所述输入数据处理包括,
将所述遥感参数中SSTA以及SSHA所对应的经纬度取余弦值得到LAT以及LON数据,将Argo数据通过声速经验公式转换得到SSP数据的测量时间按正常年转化为1‑365的序号、闰年转化为1‑366的序号的方式转化得到数据DATE,将SSHA、SSTA、LAT、LON以及DATE作为模型输入标签;
具体的,所述输出数据处理包括,
将WOA13数据通过Del Grosso声速经验公式换算成背景稳态剖面;
将Argo数据通过声速经验公式转换得到SSP数据,将所述SSP数据表示为矩阵C,所述矩阵C为D×S阶矩阵,其中D为深度上的采样点数,S为样本数量,将矩阵C减去背景稳态剖面得到声速异常矩阵E,所述声速异常矩阵E为D×S阶矩阵;
计算所述声速异常矩阵E的协方差矩阵R:
T
R=E×E;
通过以下矩阵计算公式对所述声速异常矩阵E进行主成分提取,R×K=K×λ;
其中K是一个特征矩阵,它的每一列代表了声速异常矩阵的一个主成分即正交经验函数EOF,而λ则是一个对角矩阵,角线上每一个数字代表了对应列主成分所能表示的扰动方差,选用5阶的EOF作为重构声速扰动的主成分模态以确定基本扰动模态;
具体的,所述投影系数集通过以下方式进行计算,
通过下式提取基本扰动模态中的每一阶模态的投影系数,
其中c代表一条样本,c0为背景稳态剖面,Kn表示五阶的EOF模态,an为五阶模态对应投影系数,再主动对Kn增加一列均为1的常数列,作为常数模态K0,通过回归算法计算到每一个样本的前六阶系数,形成投影系数集A,所述投影系数集为一个6×S阶矩阵,包括投影系数A0‑A5,其中A0作为常数系数,A1‑A5为选用的主成分总阶数,S为样本数量,将投影系数A0‑A5作为模型输出标签;
具体的,根据所述投影系数集进行剖面重构包括,
将所述投影系数A0‑A5代入 中,计算得到的剖面即为重构的剖面。