本发明涉及计算机，尤其是一种海洋近惯性流的预测方法及系统。
背景技术：
1、海洋内部具有的接近局地惯性频率(f0)的海水运动通常被称作近惯性振荡，它广泛存在于全球海洋的不同深度中，海面非稳定风力驱动是其生成的主要原因。热带气旋过境能够激发显著的近惯性振荡。能量传输与混合过程中，近惯性振荡在海洋垂直和水平的能量传输中扮演着重要角色，特别是它们在混合表层和深层水体中的热量和营养盐时的功能。对气候系统的影响上，通过影响海洋表层的温度和流速，近惯性振荡间接影响海洋与大气之间的能量和物质交换，这对全球气候系统的调控有着不可忽视的影响。模型预测的提升方面，精确估算和模拟近惯性振荡能量有助于提升气候模型和天气预测模型的准确性，尤其是在预测风暴和其它极端天气事件方面。环境监测与管理上，对近惯性振荡的研究能够增强对海洋生态环境变化的监测能力，特别是在全球变暖和人类活动影响日益加剧的今天。近惯性内波对海洋内部动力、热力和生态环境的影响巨大，对全球海洋能量收支平衡起着十分重要的作用，对认识海洋环境变化、改善热带气旋的预报以及防灾减灾都具有重要意义。因此，近惯性振荡的生成、演变规律及其作用机理一直是海洋学领域研究的热点问题。
2、关于海洋近惯性流这一领域的研究现状涵盖了从直接观测到高级数值模拟的多种方法。以下是一些主要的方法和它们的研究进展：
3、(1)直接观测方法：直接观测是估算近惯性振荡能量的一种直接方式，包括使用浮标、argo浮标、卫星遥感技术以及锚定设备等。这些设备可以提供水温、盐度、流速等数据，通过这些数据可以计算出近惯性振荡的动能，如通过分析漂流浮标记录的海洋流场数据和卫星获取的风场数据，可以直接计算风生近惯性能量。
4、(2)频谱分析方法：频谱分析是通过分析海洋物理量的时间序列来识别近惯性振荡的特征频率。通常使用快速傅里叶变换(fft)来获得频谱，并从中识别近惯性频率的能量峰。
5、(3)数值模拟方法：数值模拟是使用计算机模型来模拟海洋的物理过程，并估算近惯性振荡能量的一种传统方法。模型通常基于海洋动力学的基本方程，如navier-stokes方程，并通过时间步进来模拟海洋状态的演变。如通过模拟风场和海洋流动的相互作用，可以估算风对海洋表层的应力，进而计算近惯性能量的输入。
6、(4)统计分析方法：统计分析方法通过对历史观测数据进行统计分析来估算近惯性振荡的能量，包括回归分析、方差分析等技术。
7、(5)考虑热带气旋影响的估算方法：热带气旋是影响海洋近惯性振荡能量估算的另一个重要因素。研究表明，热带气旋可以显著增加海洋近惯性能量，特别是在低纬度地区，通过将热带气旋的风场数据纳入数值模式，可以更准确地估算热带气旋对近惯性能量的贡献。
8、这些方法每一种都有其特定的适用条件和局限性，选择合适的方法通常需要考虑具体的研究目标、可用数据和资源。
9、相关技术具有以下缺点：
10、(1)基于观测数据的频谱分析法：观测数据一般来自于放置在海洋中的潜标、浮标及其他锚系观测设备提供的海洋数据、卫星等遥感技术获取的风场数据，利用带通滤波和频谱分析方法，分析海洋观测数据的频谱特性，识别出近惯性振荡的频率范围，并据此估算其强度。频谱分析法对数据样本量需求较大，若采样率过低或数据不足可能无法准确识别近惯性振荡；其次是频谱法无法展现近惯性振荡在空间和时间上大尺度的变化；
11、(2)数值模拟方法：这是基于海洋动力学理论构建近惯性振荡数学模型的方法。其局限在于：该方法的准确性取决于数学模型的准确性和完整性，但构建完全准确模拟近惯性运动较为困难，另外该方法还需要大量的计算资源，需要大规模或是高分辨率的模拟，计算成本相当高；
12、(3)统计分析方法：统计分析方法虽然能利用大量的历史数据，有助于理解长期趋势和变化，但是受到数据质量和可用性的限制；
13、直接观测方法：直接观测方法虽然能提供直接和准确的海洋物理属性数据，减少了模式不确定性的影响，但是空间和时间覆盖有限，成本较高。
技术实现思路
1、有鉴于此，本发明实施例提供一种海洋近惯性流的预测方法及系统，提高预测的准确性。
2、本发明实施例的一方面提供了一种海洋近惯性流的预测方法，包括：
3、获取多源观测数据；
4、对所述多源观测数据进行数据预处理，得到用于预测过程的目标数据；
5、构建气象模式预测的第一风场以及融合构建的热带气旋期的第二风场；
6、根据所述第一风场和所述第二风场作为模型驱动，构建三维fvcom模型，生成流场模拟结果；
7、将所述三维fvcom模型生成的所述流场模拟结果与所述目标数据进行资料同化处理，得到同化后的海流数据；
8、根据未同化的海流数据与所述同化后的海流数据，提取近惯性流，并提取所述近惯性流的细致信号特征；
9、根据所述细致信号特征，提取得到近惯性风应力；
10、获取预训练好的序列图神经网络tgcn模型，分析所述近惯性风应力与所述近惯性流之间的关联性，构建得到构建近惯性流的预测系统，完成对海洋近惯性流的预测。
11、可选地，所述多源观测数据包括海流数据、水深地形数据、风场资料、台风路径资料以及海岸线数据，所述对所述多源观测数据进行数据预处理，得到用于预测过程的目标数据，包括：
12、使用dbcscan聚类算法剔除所述多源观测数据中的异常值；
13、使用时空kriging插值方法对所述多源观测数据进行缺失值填补；
14、使用中值滤波法对反演的流场进行平滑处理。
15、可选地，所述构建气象模式预测的第一风场，包括：
16、选用ecmwf的全球预报模式获取预测风场；
17、从ecmwf的数据服务平台获取风场预报数据；
18、通过数据处理工具，从所述预测风场、风场预报数据中选择提取研究时段、研究区域、研究高度范围内的风场数据，构建得到所述第一风场；
19、所述融合构建的热带气旋期的第二风场，包括：
20、从noaa的ncei数据中心获取ccmp再分析数据；
21、根据数据处理工具从所述ccmp再分析数据中选择提取研究时段、研究区域的再分析风场数据；
22、根据获取的台风路径资料确定台风的最大风速与最大半径，并编写holland模型的计算函数；
23、将ccmp风场数据作为背景风场，使用holland模型计算的台风风场结果对所述背景风场进行修正与叠加，获得热带气旋期风场，作为所述第二风场。
24、可选地，所述根据所述第一风场和所述第二风场作为模型驱动，构建三维fvcom模型，生成流场模拟结果，包括：
25、通过网格生成软件生成网格文件，以采用三角网格描述研究区域的地形和水域结构；
26、将水深数据通过双线性插值方法插值到所述网格文件的网格点上；
27、配置三维fvcom模型参数，所述三维fvcom模型参数包括海水密度、水平混合系数、垂直混合系数、海水粘性系数；
28、配置三维fvcom模型的边界条件，所述边界条件包括海面气压、风速以及陆地边界条件；
29、将所述第一风场和所述第二风场作为模型驱动，根据模型要求配置网格文件、边界条件和驱动数据文件；
30、启动三维fvcom模型运行，监控三维fvcom模型输出和运行状态，获取三维fvcom模型输出的流场模拟结果，所述流场模拟结果包括海洋流速、海表风应力。
31、可选地，所述将所述三维fvcom模型生成的所述流场模拟结果与所述目标数据进行资料同化处理，得到同化后的海流数据，包括：
32、随机生成一组粒子，每个粒子代表系统可能的状态；
33、对每个粒子使用模型输出进行状态预测；
34、对每个先验粒子执行局地扰动获得提议粒子；
35、计算提议权重，并对所述提议权重进行标准化处理；
36、根据标准化处理后的提议权重重新抽取粒子，保留高拟合度的粒子；
37、使用重新采样后的粒子集合，使用加权平均计算状态的估计值；
38、对同化系统的模拟精度进行定量评估。
39、可选地，所述根据未同化的海流数据与所述同化后的海流数据，提取近惯性流，并提取所述近惯性流的细致信号特征，包括：
40、根据近惯性流频率范围定义初始频率集合和伸缩长度；
41、根据所述初始频率集合和所述伸缩长度，配置四阶butterworth带通滤波器；
42、通过所述四阶butterworth带通滤波器对未同化的海流数据与所述同化后的海流数据进行正向滤波和反向滤波处理，获得双向滤波结果，进而获得不同集合的近惯性流提取结果；
43、利用变分模态分解对近惯性流提取结果进行模态分解与重构，获得近惯性流信号。
44、可选地，所述利用变分模态分解对近惯性流提取结果进行模态分解与重构，获得近惯性流信号，包括：
45、将所述近惯性流提取结果输入vmd算法进行分解；
46、确定分解成的模态数目，调节正则化参数，控制分解过程中模态之间的平滑度和稀疏性；
47、使用交替方向乘子法的迭代优化算法进行vmd分解；
48、设定初始的模态函数和拉格朗日乘子参数；
49、迭代优化完成后，获得分解后的各个模态；
50、使用模态幅值的平方作为每个模态能量的估计，对每个模态计算能量；
51、将所有模态的能量进行归一化处理；
52、将归一化处理后的能量作为权重的参考依据，为每个模态赋予一个权重；
53、将每个模态分量根据其对应的权重进行加权组合，得到最终的重构信号；
54、通过绘制原始信号与重构信号的对比图，计算重构误差以评估重构效果。
55、可选地，所述获取预训练好的序列图神经网络tgcn模型，分析所述近惯性风应力与所述近惯性流之间的关联性，构建得到构建近惯性流的预测系统，完成对海洋近惯性流的预测，包括：
56、通过傅里叶逆变换，将提取的近惯性流与近惯性风应力由频域转换到时域；
57、基于热带气旋资料，将提取的近惯性流与近惯性风应力数据划分为热带气旋经过前、中、后期三部分；
58、从开源库中获取模型结构、参数与近惯性流预测应用场景相似的预训练tgcn模型；
59、根据选取的预训练模型结构，冻结预训练模型的部分层，以保留模型在源域上学习到的特征与表示；
60、根据控制方程建立扩散模型，模拟近惯性能量的传播过程，并将所述扩散模型作为自定义层添加到预训练模型中；
61、输入已有数据对预训练模型进行调试，确定参数的最佳取值；
62、将近惯性动能的计算表达式添加进全连接层，获得近惯性动能的分布预测；
63、其中，所述近惯性动能的计算表达式为：
64、
65、nike代表近惯性动能；ρ为海水密度。
66、本发明实施例的另一方面还提供了一种海洋近惯性流的预测系统，包括：
67、第一模块，用于获取多源观测数据；
68、第二模块，用于对所述多源观测数据进行数据预处理，得到用于预测过程的目标数据；
69、第三模块，用于构建气象模式预测的第一风场以及融合构建的热带气旋期的第二风场；
70、第四模块，用于根据所述第一风场和所述第二风场作为模型驱动，构建三维fvcom模型，生成流场模拟结果；
71、第五模块，用于将所述三维fvcom模型生成的所述流场模拟结果与所述目标数据进行资料同化处理，得到同化后的海流数据；
72、第六模块，用于根据未同化的海流数据与所述同化后的海流数据，提取近惯性流，并提取所述近惯性流的细致信号特征；
73、第七模块，用于根据所述细致信号特征，提取得到近惯性风应力；
74、第八模块，用于获取预训练好的序列图神经网络tgcn模型，分析所述近惯性风应力与所述近惯性流之间的关联性，构建得到构建近惯性流的预测系统，完成对海洋近惯性流的预测。
75、本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
76、所述存储器用于存储程序；
77、所述处理器执行所述程序实现如前面所述的方法。
78、本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
79、本发明的实施例获取多源观测数据；对所述多源观测数据进行数据预处理，得到用于预测过程的目标数据；构建气象模式预测的第一风场以及融合构建的热带气旋期的第二风场；根据所述第一风场和所述第二风场作为模型驱动，构建三维fvcom模型，生成流场模拟结果；将所述三维fvcom模型生成的所述流场模拟结果与所述目标数据进行资料同化处理，得到同化后的海流数据；根据未同化的海流数据与所述同化后的海流数据，提取近惯性流，并提取所述近惯性流的细致信号特征；根据所述细致信号特征，提取得到近惯性风应力；获取预训练好的序列图神经网络tgcn模型，分析所述近惯性风应力与所述近惯性流之间的关联性，构建得到构建近惯性流的预测系统，完成对海洋近惯性流的预测。本发明提高了预测效率和准确性。