(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111382855.1 (22)申请日 2021.11.22 (65)同一申请的已公布的文献号 申请公布号 CN 113821986 A (43)申请公布日 2021.12.21 (73)专利权人 中国海洋大学 地址 266100 山东省青岛市崂山区松岭路 238号 (72)发明人 马纯永　王菲菲　高占文　梁达　 陈戈　 (74)专利代理 机构 青岛海昊知识产权事务所有 限公司 37201 代理人 刘艳青 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 7/00(2006.01) G06F 111/08(2020.01) G06F 113/08(2020.01) G06F 119/08(2020.01)(56)对比文件 CN 105894439 A,2016.08.24 CN 109543 356 A,2019.0 3.29 CN 112883564 A,2021.0 6.01 CN 107784667 A,2018.0 3.09 KR 10-1513591 B1,2015.04.14 孙春健.卫星遥感重构海 洋次表层研究进 展. 《海洋信息》 .2018, 刘长东.海 洋多源数据获取及基 于多源数据 的海域管理信息系统. 《中国博士学位 论文全文 数据库》 .20 09, He Honglin.Uncertai nty analysis of eddy flux measurements i n typical ecosystem s of ChinaFlux. 《ECOLOGICAL INFORMATICS》 .2010, 刘炜.基于随机森林算法的吴堡站测流断面 形态预测. 《人民黄河》 .2018, 马纯永.Altimeter Observati on-Based Eddy Nowcasting Using an Improved Co nv- LSTM Netw ork. 《remote sensi ng》 .2019, 审查员 白硕 (54)发明名称 基于随机森林的涡旋海面信号与水下关键 参数反演方法 (57)摘要 一种基于随机森林的涡旋海面信号与水下 关键参数反演方法， 该方法对Argo浮标数据和基 于SLA的涡旋识别与追踪数据集求交集； 统计交 集内涡旋识别数据的主要参数与水下温度异常 数据的相关性， 得到相关性参数； 基于随机森林 算法并结合得到的相关性参数， 预测水下温度 异 常极值； 基于概率密度函数对水下温度异常极值 所处深度进行统计 分析， 并得到水下深度的概率 分布数据。 本发明利用随机森林算法， 根据涡旋 海表层信号反演出涡旋的水下温度异常极值及 其所处深度的信息， 并将反演结果与实际数据做 精确性检验， 能够完成对全球涡旋水下温度异常关键参数的反演与精确性统计， 对于海洋中尺度 涡旋的水 下研究具有参 考价值。 权利要求书3页 说明书11页 附图5页 CN 113821986 B 2022.02.22 CN 113821986 B 1.一种基于随机森林的涡旋海面信号与水下关键参数反演方法， 其特征在于， 该方法 包括以下步骤： (1)对Argo浮标数据和基于SLA的涡旋识别与追踪数据集 求交集； 所述交集具体为： 1)求浮标与涡 心连线的延长线与涡旋边界的交点； 2)求交点与涡 心的距离； 3)提取位于涡旋内部的A rgo浮标； 交点与涡心的总距离为L1， 浮标与涡心的总距离为L2， a＝L2/L1， 若a<＝1， 则判定Argo 浮标位于涡旋内部， 以此方法遍历Argo浮标数据， 得到Argo 温度异常数据与基于SLA的涡旋 识别数据的交集数据集； (2)统计交集内涡旋识别数据的主要参数与水下温度异常数据的相关性， 得到相关性 参数； 所述 步骤(2)具体为： 1)首先导入滤波函数， 使Ybf(t)＝Yfb(t)的初始条件同时会消除数据的瞬变； Ybf(t)＝Yfb(t) 是在最小二乘框架下工作， 其中， Yfb和Ybf为初始值 初始参数设置如下： 零相位低通滤波器参数设置如下： 2)再调用核密度估计函数， 高斯核密度估计公式如下： 其中h是带宽； 对温度异常和深度数据 经过高斯核密度处理后得到一个二维数组表， 返 回二维数组值从小到大的索引值， 得到温度异常极值、 深度及其索引值x,y,z， 对x,y按照z 的升序进行排列， 即可 得到全球涡旋海表面信号与水 下温度异常数据的二维索引表； (3)基于随机森林算法并结合 步骤(2)得到的相关性 参数， 预测水 下温度异常 极值； (4)基于概率密度函数对水下温度异常极值所处深度进行统计分析， 并得到水下深度 的概率分布数据。 2.如权利要求1所述的反演方法， 其特征在于， 所述步骤(1)中， 所述步骤(1)中Argo浮权　利　要　求　书 1/3 页 2 CN 113821986 B 2标数据收集要超过20年。 3.如权利要求1所述的反演方法， 其特征在于， 所述步骤(2)中， 所述相关性参数包括涡 旋海表面信号的半径、 振幅、 动能。 4.如权利要求1所述的反演方法， 其特征在于， 所述步骤(3)中： 使用步骤(2)得到的涡 旋与水下特征信息的二 维索引表文件， 在随机森林算法中导入 该文件， 使用涡旋的半径、 动 能、 振幅作为主要输入量， 浮标距离涡心的距离、 经纬度等信息作为辅助输入量， 来预测水 下温度异常 极值。 5.如权利要求 4所述的反演方法， 其特 征在于， 所述 步骤(3)具体为： 1)首先对二维索引表文件使用网格搜索， 即网格搜索和交叉验证； 对训练数据集采用 随机森林 预测， 得到温度异常 极值的预测结果。 训练集划分公式如下： ∈是均值 为0， 方差为1的正态分布数据集， 变量数m为 正整数； {xm}来自平均集合正态分布数据集EXiXj＝ρ|i‑j|迭代后的结果， ρ 是从[0,1]的均匀分布 中选择的。 βm＝c[(h‑|m‑k|)+]2， m＝1， ...， 30 βm是子集， k是聚类中心， h为分组系数； 2)对训练数据集进行拟合处理， 然后进行标准归一化处理； 标准归一化采用的是Z ‑ score标准化， 其思路是把所有数据归一到均值 为0方差为1的分布中， 公式如下： Xscale＝(X ‑Xmean)/σ 其中， Xmean是特征的均值； σ： 每组特征值 的标准差； X： 每一个特征值； Xscale： 归一化 后的特征值； 3)对训练数据集进行随机森林预测， 得到基于涡旋海面信号的水下温度异常极值反演 结果， 随机森林算法公式如下： 其中， 为预测因子， x为输入值， y为输出值 使用 公式并应用不平等 函数EZ2≥(EZ)2带入到上式 中得到 对公式两边积分可得到输入值x和预测值y的分布情况， 同时可得到均方误差φA(x)， 平 均均方误差 经过随机森林 预测算法处 理可得到最后的温度异常预测值y。 6.如权利 要求1所述的反演方法， 其特征在于， 所述步骤(4)是将步骤(2)中得到的Argo 温度异常数据与基于SLA的涡旋识别数据的交集数据集中的涡旋 半径、 振幅、 动能及温度异 常及其所处深度信息， 基于涡旋的半径、 动能、 振幅作为主要输入量， 使用核密度估计的概 率密度函数来预测水 下温度异常 极值所处深度的情况。权　利　要　求　书 2/3 页 3 CN 113821986 B 3