本发明涉及卫星测高数据应用技术领域,尤其涉及一种基于卫星测高数据的海平面变化预测领域。
背景技术:
近年来,海平面的升高带来了海岸侵蚀,还会造成了盐水入侵、洪涝等灾害,给人类的生存环境和生命财产安全造成严重威胁。而越来越多的研究表明,海平面仍处于加速上升中。因此,海平面变化预测的方法不仅有重要的学术价值,对海洋生态环境的改善还具有重大的现实意义。
利用验潮数据得到的海面高数据精度高、时间序列长,存在测量成本高、分布不均匀、测量周期长等缺点,而且测得的数据为点数据,不能在大空间尺度范围进行测量,而卫星测高技术可以长时序的获取大空间尺度的海面高度信息,已经积累了30多年的高精度全球海面高度数据,为全球海平面变化建模预测提供了数据基础。
目前,预测海面高的方法是随机动态模型为经验的数学统计模型,然而海平面变化具有复杂的机理,传统方法对于非平稳非线性的时间序列预测存在较大局限性,而且往往是针对某个验潮站数据进行计算。季节性差分自回归滑动平均(seasonalautoregressiveintegratedmovingaverage,sarima)模型是由box和jenkins提出的一种时间序列预测方法,该方法主要应用在经济金融、交通运输和工程管理等领域,还未应用于海平面变化预测领域。sarima模型能够充分考虑卫星测高数据中周期性特征,不仅能够解决卫星测高数据不平稳问题,而且去周期化后数据表现为一种纯粹的随机过程,能够很好的对海平面变化进行预测。由于卫星测高数据具有地理空间分布的多点特性,在测高数据预处理和sarima模型构建方面尚未有解决方案。鉴于卫星测高数据和sarima模型的优点,本发明提出一种卫星测高数据和sarima模型相结合进行海平面变化的预测方法。
技术实现要素:
(一)要解决的技术问题
本发明提供了一种基于卫星测高数据的海平面变化预测方法,该方法利用sarima模型对长时间序列的卫星测高数据进行处理,来预测海平面变化。
(二)技术方案
本发明包含以下步骤:
(1)将卫星测高数据进行预处理,得到数量为g个月份的海面高数据sshu(1≤u≤g);
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数。
(2)以第一个月份数据的左上角坐标点(x1,y1)为第一个网格中心点,网格宽度w取最大轨道间距的一半,依次计算网格中心点经纬度坐标并储存在lij中;
其中,i和j表示从网格左上角起算第i列第j行。
(3)对各月海面高数据sshu,以网格中心点lij为圆心,以r为搜索半径,找到w个海面高数据,计算每个海面高数据sshuv(1≤u≤g,1≤v≤w)的插值权重puv,并计算在第u个月网格中心点lij处的海面高数据插值结果sshuij;
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数,v表示以网格中心点lij为圆心,在r搜索半径内的w个海面高数据的序数,i和j表示从网格左上角起算第i列第j行。
(4)确定网格中心点lij处的海面高预测模型参数,即季节性差分自回归滑动平均(seasonalautoregressiveintegratedmovingaverage,sarima)模型参数;
(5)将步骤(4)确定的sarima模型参数带入模型中,计算第t个月各网格中心点lij处的海面高预测值sshtij',从而得到研究区域内每个网格中心点lij处的海面高预测值。
进一步,所述步骤(1)中g应大于120。
进一步,所述步骤(2)中网格中心点坐标的计算方法为:
其中,i和j表示从网格左上角起算第i列第j行。
进一步,所述步骤(3)中r取网格宽度的2倍,即2w。
进一步,所述步骤(4)中sarima(p,d,q)(p,d,q)[s]模型表达式为:
ap(ls)=(1-α1ls-α2l2s-l-αplps)
θq(l)=(1+θ1l+θ2l2+l+θqlq)
bq(ls)=(1+β1ls+β2l2s+l+βqlqs)
其中,s表示周期,δ表示非季节性差分,δs表示s期季节性差分,d表示非季节差分次数,d表示季节性差分次数,sshtij'(t≥g)表示第t个月网格中心点lij处的海面高预测值,l表示滞后算子,μt表示白噪声,φp(l)和ap(ls)分别表示非季节与季节自回归特征多项式,θq(l)和bq(ls)分别表示非季节与季节移动平均算子,p表示非季节的最大滞后阶数,p表示季节最大滞后阶数,q表示自回归最大滞后阶数,q表示移动平均算子的最大滞后阶数。
(三)有益效果
本发明的优点体现在:
本发明以sarima模型为基础,能够充分考虑卫星测高数据中周期性特征,不仅能够解决卫星测高数据不平稳问题,而且去周期化后数据表现为一种纯粹的随机过程。而且该模型主要应用在经济金融、交通运输和工程管理等领域,还未应用于海平面变化预测领域。通过将卫星测高数据与sarima模型相结合,可以对大空间尺度海平面变化进行预测。
附图说明
图1为本发明实施的步骤流程图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述:
参照图1,本发明的具体实施步骤为:
(1)将卫星测高数据进行预处理,得到数量为g个月份的海面高数据sshu(1≤u≤g);
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数。预处理包括共线处理、区域选择、自交叉点平差、椭球统一、框架统一和互交叉点平差。g应大于120。
(2)以第一个月份数据的左上角坐标点(x1,y1)为第一个网格中心点,网格宽度w取最大轨道间距的一半,依次计算网格中心点经纬度坐标并储存在lij中;
其中,网格中心点坐标的计算方法为:
其中,i和j表示从网格左上角起算第i列第j行。
(3)对各月海面高数据sshu,以网格中心点lij为圆心,以r为搜索半径,找到w个海面高数据,计算每个海面高数据sshuv(1≤u≤g,1≤v≤w)的插值权重puv,并计算在第u个月网格中心点lij处的海面高数据插值结果sshuij;
其中,u表示对参与建模的海面高数据月份按时间先后顺序进行排列的序数,v表示以网格中心点lij为圆心,在r搜索半径内的w个海面高数据的序数,i和j表示从网格左上角起算第i列第j行。r取网格宽度的2倍,即2w。
计算权重puv的公式为:
其中,ruv(1≤u≤g,1≤v≤w)表示海面高数据点到网格中心点之间的距离,即
计算海面高数据插值结果sshuij的公式为:
其中,w表示以网格中心点lij为圆心r范围内海面高数据的总个数,sshuv表示海面高数据值,puv表示海面高数据sshuv对应的权重。
(4)确定网格中心点lij处的海面高预测模型参数,即季节性差分自回归滑动平均(seasonalautoregressiveintegratedmovingaverage,sarima)模型参数;
其中,sarima(p,d,q)(p,d,q)[s]模型表达式为:
ap(ls)=(1-α1ls-α2l2s-l-αplps)
θq(l)=(1+θ1l+θ2l2+l+θqlq)
bq(ls)=(1+β1ls+β2l2s+l+βqlqs)
其中,s表示周期,δ表示非季节性差分,δs表示s期季节性差分,d表示非季节差分次数,d表示季节性差分次数,sshtij'(t≥g)表示第t个月网格中心点lij处的海面高预测值,l表示滞后算子,μt表示白噪声,φp(l)和ap(ls)分别表示非季节与季节自回归特征多项式,θq(l)和bq(ls)分别表示非季节与季节移动平均算子,p表示非季节的最大滞后阶数,p表示季节最大滞后阶数,q表示自回归最大滞后阶数,q表示移动平均算子的最大滞后阶数。
确定sarima模型参数的具体过程为:
①d、s、p和q的确定。在网格中心点lij处,利用步骤(3)中所得的海面高数据插值结果sshuij进行一阶普通差分,并利用adf检验判断数据是否为平稳序列,若是进行下一步计算,否则进行更高阶普通差分,直至数据为平稳时间序列,此时差分阶数n为d的取值。利用普通差分后的数据计算并生成自相关函数图a1和偏自相关函数图p1,从图a1中选择显著不为零的点k0作为s和函数可能截尾处qc作为q的候选值,从图p1中选择函数可能截尾处pa
作为p的候选值。
普通差分公式为:
其中,sshuij表示在网格中心点lij处海面高数据插值结果,dn(sshuij)表示对sshuij进行n阶普通差分结果。
adf检验过程为:
其中,dn(sshuij)表示对sshuij进行n阶普通差分结果,sshuij表示在网格中心点lij处海面高数据插值结果,
在显著性水平α=0.05下,检验假设h0:δ=0,统计量
计算自相关函数的公式为:
其中,k表示滞后期,
计算偏自相关函数的公式为:
dn(sshuij)=φp1dn(ssh(u-1)ij)+φp2dn(ssh(u-2)ij)+…+φppdn(ssh(u-p)ij)+εuij
其中,φpp表示偏自相关函数值,p表示滞后期,φpa表示p阶自回归过程第a个回归系数,dn(sshuij)表示对sshuij进行n阶普通差分结果值,εuij表示白噪声。
②p、d、q和l的确定。在n阶普通差分的基础上进行一阶季节性差分,并利用adf检验判断数据是否为平稳序列,若是进行下一步计算,否则进行更高阶季节性差分,直至数据为平稳时间序列,此时差分阶数m为d的取值。利用季节性差分后的数据计算并生成自相关函数图a2和偏自相关函数图p2,从图a2中选择函数可能截尾处qf作为q的候选值,从图p2中选择函数可能截尾处pb作为p的候选值。
季节性差分公式为:
其中,u表示对月份按时间先后顺序进行排列的序数,sshuij表示在网格中心点lij处海面高数据插值结果,l表示滞后算子,dms(sshuij)表示对dn(sshuij)进行m阶季节性差分结果值。
③利用步骤①②得到的多组模型参数,通过贝斯叶信息准则(bic),确定bic值最小的模型参数组为最佳模型参数。
bic定义为:
bic=-2×ln(f)+k×ln(n)
其中,k表示模型中未知参数的个数,f表示极大似然函数,n表示样本数量。
(5)将步骤(4)确定的sarima模型参数带入模型中,计算第t个月各网格中心点lij处的海面高预测值sshtij',从而得到研究区域内每个网格中心点lij处的海面高预测值。