优化配置方法的抽样点基于海洋表面温度的变化

文摘

原位观察是一种最直接和有效的方式去理解海洋,但它通常是有限的空间和时间范围。确定最优抽样策略,有效利用可用资源最大化的信息内容收集海洋数据成为一个开放的问题。历史的海表面温度(SST)、数据集包含的空间变异性信息海温和先验知识可以用来优化采样点的配置。这里,一个配置方法基于的可变性SST的采样点进行了研究。首先,为了在海洋领域的空间变异性SST采样,田野的历史海温资料进行了分析。然后,则算法用于集群子样品字段使采样点的配置更合适。最后,为了评估的新配置方法的采样性能采样点,对海温场重建算法基于压缩传感的方法。结果表明,采样点的提出优化配置方法明显优于传统的随机采样点分布方法的重建精度。这些结果提供了一种新方法,用于配置采样点的海洋原位观测和有限的资源。

1。介绍

风场是一个关键的输入(大气和海洋预报和预测系统1],它总是作为边界条件,数值天气预报(NWP)和海洋预测模型(2,3]。海温揭示了动量的交流过程中,热量、水分、气体,它用于模型上层海洋环流与热结构在不同时间尺度(4,5]。所以也就不足为奇了海温资料高分辨率影响天气天气系统的形成和随后的进化(6,7]。这种模式正越来越多地用于操作海洋应用包括离岸操作,海上运输,海上安全,海洋污染控制和波和冲浪模型。这些应用程序的基础上,有效探索海洋,定期、及时和准确的海面温度测量是必要的。原位观察是在海洋探索最有效的方法之一。海底观测网络(如浮标网络)和移动观测平台是两种常用的原位观察的方法。海洋观测的目的是获取数据,反映了因素的分布特征在目标的海洋区域。通常,更多的采样点放置在目标区域,高场的重建精度可以达到,越有可能反映的真实状态的温度海域。然而,移动观测平台和固定观测网络能源约束。因此,如何设计有效的抽样方法与现实的约束,解决优化布置问题的采样点和海洋温度场的重建误差降到最低,并揭示了海洋温度场分布特征已经成为海洋观测领域的关键问题。

常见的抽样策略最优标准(8]。这些标准意味着不确定性最小化采样领域通过选择观察的位置。朱et al。9)提出了一种优化方法的大规模海洋取样方差最小化克里格。每个采样点的位置是由集成克里格方差决定。这种方法是有效的,但遭受沉重的计算复杂度。Guestrin et al。10)提出了一个基于高斯模型的采样算法优化传感器。张和Sukhatme [11)提出了一个抽样方案估算采样使用机器人的船和一个传感器网络领域。上述采样策略试图寻找的子集采样位置,最重要的是减少海洋模型预测的不确定性。然而,采样地点的选择不可避免地需要大的成本计算。

领域的最新进展压缩感知(CS) (12,13)表明,可以重建领域使用随机测量,的维度字段。因此,使用CS重构字段可能提供一种新的机会设计一个简单但有效的策略在海洋观测。此外,随着采样点不需要放置在特定的位置,这一点轻量级抽样方案可以很容易地应用于移动平台。Poduri et al。14)提出了一种随机抽样方法基于压缩传感理论的机器人。无角的et al。15)提出了一个基于标准的轨迹规划算法在CS模式样本。陈等人。16使用CS)提出了一个分布式自适应采样的解决方案的特点。通常这些抽样方案基于CS进行随机抽样。因为他们不考虑变量的空间变化,该地区的重建效果不能令人满意的高动态变化。

由于大型风和洋流的影响,海温变化空间的分布。例如,中国东海黑潮的主要区域在情理之中,明显的水文特征。随着高空间变异性的地区总是包含抽样的最大信息字段,密集的观察或multiple-samplings在这些领域是必要的。如何配置采样点是原位观测的关键问题与资源约束。在这里,我们提出一个最佳配置方法基于可变性的SST的采样点。本文组织如下。部分2简要描述了采样点的优化配置方法。然后一节3介绍了数值模拟和相应的结果。最后,总结和讨论了部分4。

2。最优配置采样点的方法

我们的目标是设计一个抽样法测量采取更多地区的空间变异性高海温较低的地区而采取比较测量风场的空间变异性。如何选择最合适的采样点收集最大信息海温抽样的基本任务。的历史海温资料取样字段包含丰富的先验知识可以用来优化采样点的配置。采样率计算标准根据分析结果设计。为了使采样点的配置更准确,聚类算法则是用来在子样品字段中的数据做进一步的处理。最后,CS重建算法重建对海温场的采样性能评价新抽样方法。说明新抽样方法如图1。

2.1。分析风场的分布特征

海洋是一个极其复杂的动力系统,并有很强的时空变异性。地质统计学是一个伟大的工具来分析自然现象的时空变异性。半变异函数用于定量评估地质统计学的物理变量的空间变化。在这里,物理变量SST的价值。假设风场值在一个特定的位置指出的是 ,这个过程据说是二阶平稳如果的意思是相同的在每个位置及其空间协方差只依赖于空间位置之间的距离和位置 。半变异函数可以写成 在这里,是常数距离和步骤是所有成对的点的数量吗 ,而和 代表对海温在位置的值和位置 。实际上,经验半变异函数总是由正定安装参数模型(如指数、高斯和球形),和高斯模型中使用的情况如下: 在哪里是珍品,比例因子。变化的范围(高斯模型的偏差范围是什么)。窗台上的 代表了最大的空间差异。槛越大越大,变量的梯度大小的变化。一般来说,最大的方向变化梯度是分区的大小方向(17]。

图2(一个)显示了月平均海温场空间在2009年2月在中国东海。如图2(一个)字段和温柔,区分高可变性海温变化SST场采样区域分为16子样品由虚线字段。子样品场图的左上角2(一个)为例(如图2 (b))来描述过程中采样点的优化配置方法。

对海温的空间变异性分析利用地质统计学在每个子样品。如图3半变异函数(即安装在四个不同的方向。,南临NE-SW SE-NW和n)。比较四个方向的基石,结果表明,风场的梯度大小与窗台上的价值是一致的。更多的取样点应放置在该地区高可变性减轻对海温场的误差估计。此外,对于每个子领域,考虑到窗台上的最大和最小值之间的比例在四个方向,一个伟大的比率显示在这个子样品领域海温分区现象更明显。如果比例小,这意味着在这个子样品没有明显的分带现象。

一个假定平均采样率和采样率的下限 。与此同时,影响因子的梯度大小设置设置和分区现象的影响因素 。每个子样品的采样率字段如下: 在哪里 四个方向的最大门槛吗子样品的领域。 是四个方向的最大门槛子样品所有字段,而 是四个方向的最低门槛子样品所有字段。之间的比率是最大的基石和最小的四个方向的基石吗子样品的领域。是最大比率最大基石和四个方向的最小西尔斯在所有子样品字段。之间的最小比例最大基石和四个方向的最小西尔斯在所有子样品领域和范围的影响因素 ,在(3)是0.50.6,0.30.5和0.50.7。一个大的变化梯度大小意味着之间的区别 和 很大。然后我们需要增加的价值和减少的价值梯度的大小是影响采样率的主要因素。当梯度大小的变化很小,我们需要减少的价值和增加的价值使分区现象影响采样率的主要因素。

如图2风场的梯度大小是18°C。温度梯度的大小在这个领域是大型和分区现象是显而易见的。所以抽样方案将梯度大小影响采样率的主要因素。然后在每个子样品的采样点数量字段计算如下: 在哪里 采样点的数量吗子样品的领域。的采样率吗th子样品,它可以计算(3),而是数据点的数量的子样品。

2.2。配置采样点的方法

节2。1,只有空间变异性的海温分布在整个采样领域进行了分析。在一些高可变性子样品字段,如在图的子字段2 (b),温度梯度的大小是9°C这意味着它仍然含有丰富的空间信息的海温分布。所以有必要做进一步分析在这些子样品字段区分高与温柔的可变性SST字段。在这里,聚类算法则是用来做进一步的处理在每个子字段的海温资料。

尽管则在50年前第一次被提出,它仍然是最广泛使用的算法聚类(Jain, 2010)。通过使用则算法,数据对象是集群集群。这些集群应符合下列条件:数据对象,找到集群基于测量对象之间的相似性,相似性在同一集群高而在不同的集群对象之间的相似性很低。

以对海温数据点为数据对象,海温资料在子样品的领域分为对象集群在图所示4(a),希望下面的集群现象:在同一集群的数据对象在地理上相邻海温价值及其密切得多。集群包含更少的数据对象具有较大的空间梯度的大小变化风场分布,如集群三世如图4集群(a)。它包含更多的数据对象具有较小的空间梯度的大小变化风场分布,如集群我如图4(一)。

采样点的最佳配置的目的是收集最富有信息与有限的资源(时间和精力)。为了寻求与最富有的采样点信息,所有集群在一个子样品现场放置与相同数量的采样点。然后用大集群变化梯度的大小与更高的采样率采样,同时使用更小的空间集群变化是较低的采样率采样。所以每个集群在一个子样品的采样点数量字段 在哪里 采样点的数量吗th子样品字段时的采样率是th子样品,它可以计算(3)。与此同时,采样点的数量吗th子样品,集群的数量吗子样品的领域。

作为新抽样方法不需要在特定位置样本,取样点是随机放置在每个集群。图4(b)给出一个示例子样品的取样点的配置字段集群分为3块和采样点是由橙色圆点表示。

2.3。评价方法

对海温场可以重建基于抽样数据和重建误差可以用来评估抽样抽样法的性能。计算机科学是一个新的采样理论常被用来构造一个数据字段。在CS,维的信号可以表示为哪一个 ,在那里是一组标准正交基,稀疏的描述吗 。如果有最多非零元素,信号可以恢复 测量。

海温场的重建是一个盲目的稀疏重建的问题。有许多算法可以重构稀疏的信号没有先验知识,如英国石油公司、SP,桑普,ASMP,跺脚。ASMP不仅继承了回溯细化高度CoSaMP / SP也不需要稀疏作为输入参数。因此,ASMP算法(18这里使用)海温场的重建算法。

在这里,我们以一子样品字段为一个重构单元。一个假设风场数据的矢量测量 ,那里的 矩阵采样点位置的编码矩阵吗观测矩阵和吗 。假设的估计是 ,重建的基本问题是能量的损失降到最低 。数学表达式如下: 的标准正交基DCT基础和吗 。

3所示。实验

为了测试新的采样策略的性能,东部的东海(22°N30°N, 122°E130°E)被选为实验场。海温资料(从数据库中获得美国国家海洋信息中心)是2008年2月到2009年1月的水平分辨率 。所以完全有4096海温数据网格点。为便于分析,实验区域分为16子样品字段一样。实验区域的划分和子样品字段如图5。

重建误差是用来评估抽样新抽样方法的性能。相比之下,我们还进行了一次传统的随机抽样方法。采样点的数量为新的取样方法和随机抽样方法是928。和平均采样率约为22%。把这个采样率的原因是,在大多数的几个月重建误差与采样率显著减少了22%。的海温资料测量两种方法由ASMP重建算法输入阈值为1.3。

随机抽样方法(RS),所有子样品字段使用相同的采样率(22%)。采样点是随机放置在每个子样品字段。优化配置方法的采样点(OS)。首先,每个子样品的采样率字段和获得的采样点的数量分布特征分析。然后每个子样品字段分为3组。和采样点的数量在每个集群都是一样的和被放置在每个集群随机采样点。两种方法的采样点位置如图6 (b)采样点是由白色的圆点表示。

表1显示操作系统和RS的抽样数量分布在每个子样品在2008年2月。字段在表数量1对应于子样品抽样现场图5 (b)。

从表可以看出1和图6采样点的数量远远超过平均数量(58)子样品领域9、10、13、15对海温的变化更明显。采样点的数量较低的子领域的变化小于平均抽样数量。

图7是两种方法的重建误差分布从2008年2月到2009年1月。可以看出,操作系统有一个较低的重建误差和RS在所有的几个月相比,特别是在较大的月变化梯度的大小,如2月、3月和4月。操作系统优于RS重建误差降低10 - 16%。

图8显示相对应的重建误差的区别这两种抽样方法。在大多数的几个月,从2008年2月到2008年6月和2008年10月到2009年1月,操作系统的重建误差远远低于RS在西北的实地采样。和本地区只是一个地区的重大变化。这些结果表明,该操作系统时更有效率相同数量的测量是用RS。此外,在东南部海域的梯度变化幅度很小,重建误差的不同操作系统和RS很小。

图9显示的是操作系统和RS重建SST场2月和8月。RC_HS代表原始的SST场RC_OS代表最优配置的海温场重构方法的抽样点,与RC_RS代表了重建的SST的随机抽样方法。可以看出,操作系统的重建SST场显著提高RS在西北的采样领域高可变性。领域的可变性较低(如采样的东南部字段),操作系统和RS的性能是相似的。

4所示。结论

如何选择最合适的采样点最大收集信息的主要任务是海洋原位观察。一个新的最优配置方法的抽样点提出了基于风场的可变性。风场的变化是由地质统计学和检查则算法用于集群二次抽样字段。基于CS重构方法用于构造抽样字段验证新抽样方法。结果表明,新方法有效地使用有限的测量采样点和采样领域有显著改善高可变性。这些结果为采样点的配置提供一个指导方针的先验知识海洋原位观察。虽然抽样点的新配置方法展现出了伟大的承诺,仍然有一些约束之前,因为它需要大量的数据进行分析。所以一些挑战仍在应用的实时配置采样点的自适应采样策略。作为未来的工作,我们将研究采样点的在线配置方法与实时信息的约束。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是由中国国家自然科学基金(没有。41676088),中国国家重点研究和开发项目(2017 yfc1404100 2017 yfc1404102),中央大学的基础研究基金(HEUCF041705),重点实验室的基础的海洋环境信息技术、和黑龙江省自然科学基金(没有。QC2017067)。

引用

1. c . j . Donlon m·马丁j·斯塔克j . Roberts-Jones e·菲德勒和w·威默,“操作海表面温度和海冰分析系统(口),“环境遥感,卷116,不。2、140 - 158年,2012页。视图:出版商的网站|谷歌学术搜索
2. m·j·马丁,A·海恩斯和m . j . Bell”数据同化的泡沫操作短程海洋预报系统:方案的描述及其影响,”季度皇家气象学会杂志》上,卷133,不。625 B, 981 - 995年,2007页。视图:出版商的网站|谷歌学术搜索
3. K.-H。搜索引擎优化,j。e . Schemm w . Wang和a . Kumar“北方夏季动力学振动模拟NCEP气候预测系统:海洋表面温度的影响,“每月天气回顾,卷135,不。5,1807 - 1827年,2007页。视图:出版商的网站|谷歌学术搜索
4. d . g . Wang Dommenget, c .妇女”的评价CMIP3和CMIP5模拟技术模拟风场的空间结构的变化,“气候动力学,44卷,不。1 - 2、95 - 114年,2015页。视图:出版商的网站|谷歌学术搜索
5. h·陈,e·k·施奈德和z,“内部机制生成decadal-to-multidecadal可变性的SST在大西洋耦合GCM”气候动力学,46卷,不。5 - 6,1517 - 1546年,2015页。视图:出版商的网站|谷歌学术搜索
6. j . Thiebaux e·罗杰斯,w . Wang和b . Katz,“一个新的高分辨率混合实时全球海洋表面温度分析,“美国气象学会的公告,卷84,不。5,645 - 656年,2003页。视图:谷歌学术搜索
7. c .关和m . j . McPhaden“海洋过程影响一分之二十世纪转变ENSO SST变化”杂志的气候卷,29号19日,6861 - 6879年,2016页。视图:出版商的网站|谷歌学术搜索
8. a·阿尔瓦雷斯和b . Mourre glider-mooring观测网络,最佳抽样设计”大气和海洋技术杂志》上卷,29号4、601 - 612年,2012页。视图:出版商的网站|谷歌学术搜索
9. j . Yu朱x, x,“优化大尺度海洋取样方差最小化的克里格”学报》2010年第八届世界大会在智能控制和自动化,WCICA 20102010年7月,页7050 - 7054。视图:出版商的网站|谷歌学术搜索
10. c . Guestrin a . Krause, a·p·辛格“算法在高斯过程中传感器位置,”ICML学报2005:22日国际会议上机器学习2005年8月,页265 - 272。视图:出版商的网站|谷歌学术搜索
11. b .张和g . s . Sukhatme”自适应抽样估算一个标量场使用机器人船和一个传感器网络,”学报2007年IEEE机器人与自动化国际会议上,ICRA ' 07IEEE,页3673 - 3680年,2007年4月。视图:出版商的网站|谷歌学术搜索
12. e . j .萤石、j·伯格和t .道,“强大的不确定性原则:准确的信号重建的高度不完整的频率信息,“电气和电子工程师学会交易信息理论,52卷,不。2、489 - 509年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
13. d . l . Donoho“压缩传感,”电气和电子工程师学会交易信息理论,52卷,不。4、1289 - 1306年,2006页。视图:出版商的网站|谷歌学术搜索|MathSciNet
14. 美国Poduri、g .马克特和g . s . Sukhatme 2010年,基于压缩传感的轻量级抽样大型机器人组,http://citeseerx.ist.psu.edu/viewdoc/summary。
15. r·胡默尔s Poduri f .盘旋,密特拉,和g . Sukhatme”任务设计压缩传感与移动机器人”《2011年IEEE机器人与自动化国际会议上,ICRA 2011IEEE,页2362 - 2367年,2011年5月。视图:出版商的网站|谷歌学术搜索
16. b . Chen p Pandey, d . Pompili”一个使用智能水下机器人自适应抽样方案,”学报》第九IFAC会议上操纵和控制海洋工艺,获得2012年,45卷,第356 - 352页,2012年9月。视图:出版商的网站|谷歌学术搜索
17. l .王”定量分析基于变差函数的空间异质性,”统计与决策4卷,页26 - 27日,2006。视图:谷歌学术搜索
18. h·吴和s .王”自适应稀疏匹配追踪算法稀疏重建。”IEEE信号处理信件,19卷,不。8,471 - 474年,2012页。视图:出版商的网站|谷歌学术搜索

版权

版权©2017张刘et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。