本發(fā)明屬于粒雪密度模擬，更具體地，涉及一種粒雪密度剖面模型的構(gòu)建方法、及粒雪密度的獲取方法。

背景技術(shù)：

1、粒雪密實(shí)化是新雪轉(zhuǎn)化為冰川冰的中間過程，該過程中粒雪在自身重力和上覆雪層的應(yīng)力作用下不斷被壓實(shí)，發(fā)生晶粒的生長(zhǎng)變形，其密度不斷隨深度的增加而增大。在粒雪密實(shí)化過程，獲取粒雪的深度—密度剖面，建立粒雪密度剖面模型，在冰川物質(zhì)平衡監(jiān)測(cè)、冰芯古氣候環(huán)境分析、冰川冰儲(chǔ)量估算等冰川學(xué)領(lǐng)域中具有重要作用。

2、粒雪密度剖面模型的構(gòu)建方法主要分為直接測(cè)量法和間接解釋法兩種。直接測(cè)量法是通過冰芯測(cè)量獲取某一深度處的粒雪密度，該方法所獲得的粒雪密度最為準(zhǔn)確，但取樣和測(cè)試的成本較高，而且隨著冰芯深度的增加，獲取粒雪密度的難度也隨之增加，故直接測(cè)量法僅限于某些層段和某些區(qū)域，難以獲取多區(qū)域多層段的完整粒雪密度。間接解釋法是根據(jù)已知?dú)庀笮畔ⅲㄟ^經(jīng)驗(yàn)/半經(jīng)驗(yàn)/物理模型模擬得到某一深度處的粒雪密度。這種方法對(duì)于當(dāng)時(shí)建模背景下的粒雪密度模擬可以取得較好結(jié)果，然而，由于地下情況復(fù)雜且非均質(zhì)性較強(qiáng)、影響粒雪密度的因素眾多且關(guān)系復(fù)雜，在構(gòu)建模型時(shí)往往需要很強(qiáng)的假設(shè)條件，即模型極簡(jiǎn)化，使這種方法不能很好地挖掘出粒雪密度與各參數(shù)之間復(fù)雜的非線性關(guān)系及空間的連續(xù)性。同時(shí)，針對(duì)不同氣象信息需要選擇不同的模型，選擇過程易受認(rèn)為主導(dǎo)。由此可知，上述方法所構(gòu)建的粒雪密度剖面模型均不能實(shí)現(xiàn)不同深度的粒雪密度的準(zhǔn)確獲取。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明提供了一種粒雪密度剖面模型的構(gòu)建方法、及粒雪密度的獲取方法，用以解決現(xiàn)有技術(shù)所構(gòu)建的粒雪密度剖面模型均不能實(shí)現(xiàn)不同深度的粒雪密度的準(zhǔn)確獲取的技術(shù)問題。

2、為了實(shí)現(xiàn)上述目的，第一方面，本發(fā)明提供了一種粒雪密度剖面模型的構(gòu)建方法，包括：

3、獲取不同地點(diǎn)處的粒雪密度剖面數(shù)據(jù)及對(duì)應(yīng)的氣象數(shù)據(jù)；粒雪密度剖面數(shù)據(jù)包括：不同深度處的粒雪密度實(shí)測(cè)結(jié)果；

4、將每一個(gè)氣象數(shù)據(jù)輸入至粒雪密實(shí)化模型中，計(jì)算對(duì)應(yīng)地點(diǎn)不同深度處的粒雪物性參數(shù)，進(jìn)而得到對(duì)應(yīng)地點(diǎn)不同深度處的粒雪特征；

5、將每一個(gè)粒雪特征輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)中，得到對(duì)應(yīng)深度處的粒雪密度檢測(cè)結(jié)果；通過最小化每一個(gè)粒雪密度檢測(cè)結(jié)果與對(duì)應(yīng)實(shí)測(cè)結(jié)果的差異損失，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到粒雪密度剖面模型。

6、進(jìn)一步優(yōu)選地，粒雪特征包括：粒雪物性參數(shù)中的一類或多類數(shù)據(jù)；粒雪物性參數(shù)包括以下類別的數(shù)據(jù)：所在雪層的溫度、上覆雪層的壓力、所在雪層的液態(tài)水量、所在雪層的孔隙率、所在雪層的熱傳導(dǎo)率和所在雪層的水力傳導(dǎo)率。

7、進(jìn)一步優(yōu)選地，任意地點(diǎn)a不同深度處的粒雪特征的獲取方法包括：

8、計(jì)算xi與y之間的相關(guān)系數(shù)；xi為地點(diǎn)a不同深度處的粒雪物性參數(shù)中的第i類數(shù)據(jù)所構(gòu)成的向量；y為地點(diǎn)a不同深度處的粒雪密度實(shí)測(cè)結(jié)果所構(gòu)成的向量；i＝1,2,…,m；m為粒雪物性參數(shù)中的數(shù)據(jù)類別數(shù)；

9、將相關(guān)系數(shù)最大的n個(gè)類別作為n個(gè)候選類別；1≤n<m；

10、為每一個(gè)深度，構(gòu)建包括該深度處的粒雪物性參數(shù)中的n個(gè)候選類別下的數(shù)據(jù)的粒雪特征。

11、進(jìn)一步優(yōu)選地，xi與y之間的相關(guān)系數(shù)為xi與y之間的kendall秩相關(guān)系數(shù)、spearman秩相關(guān)系數(shù)和pearson線性相關(guān)系數(shù)的加權(quán)平均值。

12、進(jìn)一步優(yōu)選地，上述粒雪密度剖面數(shù)據(jù)為預(yù)處理后的粒雪密度剖面數(shù)據(jù)；

13、其中，預(yù)處理方法包括：

14、對(duì)于粒雪密度剖面數(shù)據(jù)中任意粒雪密度實(shí)測(cè)結(jié)果ρm，當(dāng)ρm高于純冰的密度時(shí)，將ρm設(shè)置為純冰的密度；當(dāng)ρm所在雪層為表面雪層、且ρm低于預(yù)設(shè)閾值時(shí)，將ρm設(shè)置為其所在雪層的下一層雪層的密度；當(dāng)ρm所在雪層為底層雪層、且ρm低于預(yù)設(shè)閾值時(shí)，將ρm設(shè)置為其所在雪層的上一層雪層的密度；當(dāng)ρm所在雪層為中間雪層、且ρm低于預(yù)設(shè)閾值時(shí)，將ρm設(shè)置為其所在雪層的上一層雪層和下一層雪層的密度的平均值。

15、進(jìn)一步優(yōu)選地，預(yù)設(shè)閾值為其中，0<α<1為預(yù)設(shè)比例；為將粒雪密度剖面數(shù)據(jù)所對(duì)應(yīng)的氣象數(shù)據(jù)輸入至未考慮液態(tài)水作用的粒雪密實(shí)化模型中模擬所得的ρm所在雪層的粒雪密度。

16、進(jìn)一步優(yōu)選地，上述粒雪密度剖面模型的構(gòu)建方法還包括：對(duì)得到的粒雪特征進(jìn)行歸一化；

17、上述將每一個(gè)粒雪特征輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)具體包括：將歸一化后的每一個(gè)粒雪特征輸入至循環(huán)神經(jīng)網(wǎng)絡(luò)。

18、進(jìn)一步優(yōu)選地，上述粒雪密度剖面模型的構(gòu)建方法還包括：對(duì)粒雪密度實(shí)測(cè)結(jié)果進(jìn)行歸一化；

19、上述最小化每一個(gè)粒雪密度檢測(cè)結(jié)果與對(duì)應(yīng)實(shí)測(cè)結(jié)果的差異損失具體包括：最小化每一個(gè)粒雪密度檢測(cè)結(jié)果與對(duì)應(yīng)歸一化后的實(shí)測(cè)結(jié)果的差異損失。

20、第二方面，本發(fā)明提供了一種粒雪密度的獲取方法，包括：

21、獲取待測(cè)地點(diǎn)的氣象數(shù)據(jù)，并將其輸入至粒雪密實(shí)化模型中，計(jì)算待測(cè)地點(diǎn)不同深度處的粒雪物性參數(shù)，進(jìn)而得到待測(cè)地點(diǎn)不同深度處的粒雪特征；

22、將待測(cè)地點(diǎn)不同深度處的粒雪特征分別輸入至粒雪密度剖面模型中，得到待測(cè)地點(diǎn)不同深度處的粒雪密度；

23、其中，粒雪密度剖面模型為采用本發(fā)明第一方面提供的粒雪密度剖面模型的構(gòu)建方法構(gòu)建得到。

24、第三方面，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序被處理器運(yùn)行時(shí)控制所述存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行本發(fā)明第一方面和/或第二方面所提供的方法。

25、總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案，能夠取得以下有益效果：

26、1、本發(fā)明提供了一種粒雪密度剖面模型的構(gòu)建方法，基于粒雪密實(shí)化本身的特點(diǎn)與機(jī)理獲取相關(guān)的先驗(yàn)信息加以利用，具體通過粒雪密實(shí)化模型獲取計(jì)算不同地點(diǎn)不同深度處的粒雪物性參數(shù)，進(jìn)而得到對(duì)應(yīng)地點(diǎn)不同深度處的粒雪特征；在此基礎(chǔ)上，考慮到粒雪的沉積是時(shí)序漸變的，粒雪深度—密度剖面是對(duì)不同地層沉積特征的不同響應(yīng)，整體具有一定的時(shí)序性特征，本發(fā)明采用循環(huán)神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)粒雪特征與粒雪密度之間的復(fù)雜映射關(guān)系，能夠最大限度地利用和挖掘不同深度處的粒雪特征與對(duì)應(yīng)深度處的粒雪密度間的復(fù)雜映射關(guān)系，減少粒雪密實(shí)化模型對(duì)理想化假設(shè)的依賴，能夠?qū)崿F(xiàn)不同深度的粒雪密度的準(zhǔn)確獲取，且普適性較強(qiáng)。

27、2、進(jìn)一步地，本發(fā)明所提供的粒雪密度剖面模型的構(gòu)建方法，通過分析粒雪物性參數(shù)中不同數(shù)據(jù)類別與粒雪密度之間的相關(guān)性，選取粒雪物性參數(shù)中對(duì)粒雪密度敏感程度較高的類別數(shù)據(jù)，來構(gòu)建粒雪特征，進(jìn)一步提高了獲取粒雪密度的準(zhǔn)確性。

技術(shù)特征：

1.一種粒雪密度剖面模型的構(gòu)建方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的粒雪密度剖面模型的構(gòu)建方法，其特征在于，所述粒雪特征包括：粒雪物性參數(shù)中的一類或多類數(shù)據(jù)；所述粒雪物性參數(shù)包括以下類別的數(shù)據(jù)：所在雪層的溫度、上覆雪層的壓力、所在雪層的液態(tài)水量、所在雪層的孔隙率、所在雪層的熱傳導(dǎo)率和所在雪層的水力傳導(dǎo)率。

3.根據(jù)權(quán)利要求2所述的粒雪密度剖面模型的構(gòu)建方法，其特征在于，任意地點(diǎn)a不同深度處的粒雪特征的獲取方法包括：

4.根據(jù)權(quán)利要求3所述的粒雪密度剖面模型的構(gòu)建方法，其特征在于，所述xi與y之間的相關(guān)系數(shù)為xi與y之間的kendall秩相關(guān)系數(shù)、spearman秩相關(guān)系數(shù)和pearson線性相關(guān)系數(shù)的加權(quán)平均值。

5.根據(jù)權(quán)利要求1-4任意一項(xiàng)所述的粒雪密度剖面模型的構(gòu)建方法，其特征在于，所述粒雪密度剖面數(shù)據(jù)為預(yù)處理后的粒雪密度剖面數(shù)據(jù)；

6.根據(jù)權(quán)利要求5所述的粒雪密度剖面模型的構(gòu)建方法，其特征在于，所述預(yù)設(shè)閾值為其中，0<α<1為預(yù)設(shè)比例；為將粒雪密度剖面數(shù)據(jù)所對(duì)應(yīng)的氣象數(shù)據(jù)輸入至未考慮液態(tài)水作用的粒雪密實(shí)化模型中模擬所得的ρm所在雪層的粒雪密度。

7.根據(jù)權(quán)利要求1-4任意一項(xiàng)所述的粒雪密度剖面模型的構(gòu)建方法，其特征在于，還包括：對(duì)得到的粒雪特征進(jìn)行歸一化；

8.根據(jù)權(quán)利要求1-4任意一項(xiàng)所述的粒雪密度剖面模型的構(gòu)建方法，其特征在于，還包括：對(duì)粒雪密度實(shí)測(cè)結(jié)果進(jìn)行歸一化；

9.一種粒雪密度的獲取方法，其特征在于，包括：

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的計(jì)算機(jī)程序，其中，在所述計(jì)算機(jī)程序被處理器運(yùn)行時(shí)控制所述存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行權(quán)利要求1-9任意一項(xiàng)所述的方法。

技術(shù)總結(jié)
本發(fā)明公開了一種粒雪密度剖面模型的構(gòu)建方法、及粒雪密度的獲取方法，屬于粒雪密度模擬技術(shù)領(lǐng)域；基于粒雪密實(shí)化本身的特點(diǎn)與機(jī)理獲取相關(guān)的先驗(yàn)信息加以利用，具體通過粒雪密實(shí)化模型獲取計(jì)算不同地點(diǎn)不同深度處的粒雪物性參數(shù)，進(jìn)而得到對(duì)應(yīng)地點(diǎn)不同深度處的粒雪特征；在此基礎(chǔ)上，考慮到粒雪的沉積是時(shí)序漸變的，粒雪深度—密度剖面是對(duì)不同地層沉積特征的不同響應(yīng)，整體具有一定的時(shí)序性特征，本發(fā)明采用循環(huán)神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)粒雪特征與粒雪密度之間的復(fù)雜映射關(guān)系，能夠最大限度地利用和挖掘各粒雪特征與粒雪密度間的復(fù)雜映射關(guān)系，減少粒雪密實(shí)化模型對(duì)理想化假設(shè)的依賴，能夠?qū)崿F(xiàn)不同深度的粒雪密度的準(zhǔn)確獲取，且普適性較強(qiáng)。

技術(shù)研發(fā)人員：張雪玉,柳林,周浩,羅志才
受保護(hù)的技術(shù)使用者：華中科技大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19