CN111985727A - 一种基于环流分型模型天气预测方法及系统 - Google Patents

一种基于环流分型模型天气预测方法及系统 Download PDF

Info

Publication number
CN111985727A
CN111985727A CN202010914511.XA CN202010914511A CN111985727A CN 111985727 A CN111985727 A CN 111985727A CN 202010914511 A CN202010914511 A CN 202010914511A CN 111985727 A CN111985727 A CN 111985727A
Authority
CN
China
Prior art keywords
circulation
sample set
typing
weight coefficient
connection weight
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010914511.XA
Other languages
English (en)
Other versions
CN111985727B (zh
Inventor
许嘉禾
蔡金圻
谭桂容
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202010914511.XA priority Critical patent/CN111985727B/zh
Publication of CN111985727A publication Critical patent/CN111985727A/zh
Application granted granted Critical
Publication of CN111985727B publication Critical patent/CN111985727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Environmental Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)

Abstract

本发明公开一种基于环流分型模型天气预测方法及系统，方法包括：利用强降水过程历史个例数据集，确定待分型区域的环流场；根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集；利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型；利用所述环流分型模型对持续性强天气过程进行预测。本发明采用残差神经网络进行训练建模获得环流分型模型，然后基于环流分型模型对天气进行预测，该方法结果不容易受个别点值异常变化干扰，进而提高对天气预测的精度。

Description

一种基于环流分型模型天气预测方法及系统
技术领域
本发明涉及天气预测技术领域，特别是涉及一种基于环流分型模型天气预测方法及系统。
背景技术
我国地处欧亚大陆东端，北临西伯利亚高寒地带，东临太平洋，同时受到青藏高原的热力与动力作用的显著影响，因此属于复杂的季风气候区域。降水和气温的年际和季节变率都很大，容易出现持续性大范围灾害性天气。尤其在全球增暖的背景下持续性异常天气气候事件频率增加。持续性强降水引发江河洪涝灾害、山体滑坡、城市内涝等灾害，给当地的经济建设和生产生活带来了巨大威胁；持续性低温冰冻雨雪天气则给人民生活和交通带来不利，并造成严重的经济损失。
目前主要采用聚类及余弦相似方法(COS)对环流进行分型，进而根据分型对天气进行预测，但方法结果容易受个别点值异常变化的干扰，进而降低对天气预测的精度。
发明内容
基于此，本发明的目的是提供一种基于环流分型模型天气预测方法及系统，以提高天气预测的精度。
为实现上述目的，本发明提供了一种基于环流分型模型天气预测方法，所述方法包括：
步骤S1：利用强降水过程历史个例数据集，确定待分型区域的环流场；
步骤S2：根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集；
步骤S3：利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型；
步骤S4：利用所述环流分型模型对持续性强天气过程进行预测。
可选地，所述利用强降水过程历史个例数据集，确定待分型区域的环流场，具体包括：
步骤S11：获取强降水过程的历史个例数据集；
步骤S12：利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场。
可选地，所述利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场，具体包括：
步骤S121：选择某一时间内发生在待分型区域的设定个数强降水过程的个例数据集；
步骤S122：去掉重复个例日的所述个例数据集，将剩余的所述个例数据集进行经验正交分解方法分析，获得三个模态；
步骤S123：按照三模态对应类型个例的入选标准分别选取第一设定天数的个例日、第二设定天数的个例日和第三设定天数的个例日，并进行个例日降水和高度场的合成，提炼出待分型区域的环流场。
可选地，所述利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型，具体包括：
步骤S31：给定残差神经网络ResNet18的初始连接权重系数；
步骤S32：将所述训练样本集输入残差神经网络ResNet18中进行第一次分型训练，直至收敛输出第一连接权重系数；
步骤S33：将所述第一连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的部分样本进行第二次分型训练，直至收敛输出第二连接权重系数；
步骤S34：将所述第二连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的剩余分样本进行第三次分型训练，直至收敛输出所述待分型子区域持续性强降水对应的环流分型模型，同时统计各分型对应的阈值，所述阈值为各分型输出的最小值。
可选地，所述方法还包括：
步骤S5：利用所述测试样本集对所述环流分型模型进行验证。
本发明还提供一种基于环流分型模型天气预测系统，所述系统包括：
环流场确定模块，用于利用强降水过程历史个例数据集，确定待分型区域的环流场；
样本集确定模块，用于根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集；
环流分型模型确定模块，用于利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型；
预测模块，用于利用所述环流分型模型对持续性强天气过程进行预测。
可选地，所述环流场确定模块，具体包括：
获取单元，用于获取强降水过程的历史个例数据集；
环流场确定单元，用于利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场。
可选地，所述环流场确定单元，具体包括：
个例数据集确定子单元，用于选择某一时间内发生在待分型区域的设定个数强降水过程的个例数据集；
三模态确定子单元，用于去掉重复个例日的所述个例数据集，将剩余的所述个例数据集进行经验正交分解方法分析，获得三个模态；
环流场确定子单元，用于按照三模态对应类型个例的入选标准分别选取第一设定天数的个例日、第二设定天数的个例日和第三设定天数的个例日，并进行个例日降水和高度场的合成，提炼出待分型区域的环流场。
可选地，所述环流分型模型确定模块，具体包括：
初始连接权重系数确定单元，用于给定残差神经网络ResNet18的初始连接权重系数；
第一连接权重系数确定单元，用于将所述训练样本集输入残差神经网络ResNet18中进行第一次分型训练，直至收敛输出第一连接权重系数；
第二连接权重系数确定单元，用于将所述第一连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的部分样本进行第二次分型训练，直至收敛输出第二连接权重系数；
环流分型模型确定单元，用于将所述第二连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的剩余分样本进行第三次分型训练，直至收敛输出所述待分型子区域持续性强降水对应的环流分型模型，同时统计各分型对应的阈值，所述阈值为各分型输出的最小值。
可选地，所述系统还包括：验证模块，用于利用所述测试样本集对所述环流分型模型进行验证。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种基于环流分型模型天气预测方法及系统，方法包括：利用强降水过程历史个例数据集，确定待分型区域的环流场；根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集；利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型；利用所述环流分型模型对持续性强天气过程进行预测。本发明采用残差神经网络进行训练建模获得环流分型模型，然后基于环流分型模型对天气进行预测，该方法结果不容易受个别点值异常变化干扰，进而提高对天气预测的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于环流分型模型天气预测方法流程图；
图2为本发明实施例江淮地区持续性强降水个例EOF展开的前3个模态；
图3为本发明实施例江淮地区3类强降水基型降水的空间分布图；
图4为本发明实施例江淮地区典型模态500hPa环流场及其距平示意图；
图5为本发明实施例引入迁移学习前网络训练结果示意图；
图6为本发明实施例引入迁移学习后网络训练结果示意图；
图7为本发明实施例江淮夏季1型持续性强降水发生的500hPa环流演变模型示意图；
图8为本发明实施例统计预报思路流程框图；
图9为本发明实施例动力统计预报思路流程框图；
图10为本发明实施例订正预报流程框图；
图11为本发明实施例基于环流分型模型天气预测系统结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于环流分型模型天气预测方法及系统，以提高天气预测的精度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
大范围洪涝与低温冰雪灾害为持续性大范围灾害天气过程，属于中期预报的范畴。中期预报时段对过程要素预报的不确定性依然存在，预报精细化及准确性程度还不能满足社会和政府决策的需求，目前中期过程预报仍主要依靠模式要素产品的简单累加及预报员个人主观判断，对数值模式中期过程预报的客观定量订正力量较为薄弱。持续性大范围灾害性天气的发生往往与大尺度天气系统的活动有密切的关系，通过分析历史资料库中的极端天气事件过程，依据不同类型极端天气事件过程和大尺度信号在时间上超前-滞后的统计关系，综合各因子信号及其与极端天气事件在空间上的演变特征的关系，归纳出极端天气事件发生的典型因子环流型；同时，鉴于数值预报模式对于要素预报的效果较差，对于环流场的预报效果较好的特点，结合数值模式预报产品，可利用前期的大尺度影响因子对极端天气事件过程进行订正预报。
卷积神经网络具有适用性强、特征提取与分类同时进行、泛化能力强、全局优化训练参数少等优点，相较于传统的图像分类方法，不再需要人工对目标图像进行特征描述和提取，而是通过神经网络自主地从训练样本中学习特征。
因此，本专利就是希望利用残差神经网络ResNet18的优势，以及持续性大范围灾害性天气与大尺度环流之间的关系，建立针对持续性大范围灾害性天气事件相关的区域环流的分型模型，在此基础上可得到相关天气对应的前期到同期的环流演变，建立天气学概念模型；进一步结合模式产品，可实现相关天气模式要素预报的订正。
如图1所示，本发明提供了一种基于环流分型模型天气预测方法，所述方法包括：
步骤S1：利用强降水过程历史个例数据集，确定待分型区域的环流场。
步骤S2：根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集。
步骤S3：利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型。
步骤S4：利用所述环流分型模型对持续性强天气过程进行预测。
下面对各个步骤进行详细论述：
步骤S1：利用强降水过程历史个例数据集，确定待分型区域的环流场，具体包括：
步骤S11：获取强降水过程的历史个例数据集；所述历史个例数据集为1981-2015年全国区域性强降水过程的个例数据集；所述个例数据集包括区域强降水过程次数、降水量和降水日期。所述降水量为国家气象中心提供的1981-2015年我国2474个站24h逐日降水量。
步骤S12：利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场，具体包括：
步骤S121：选择某一时间内发生在待分型区域的设定个数强降水过程的个例数据集；某一时间和待检测区域根据实际需求进行设置，本实施例中时间设置为夏季，设定个数为72个，待检测区域为江淮地区。
步骤S122：去掉重复个例日的所述个例数据集，将剩余的所述个例数据集进行经验正交分解方法分析，获得三个模态，如图2所示，所述三个模态在一定程度上反映了待分型区域强降水变率的空间分布，分别约为总方差的25.8％、10.9％和7.1％。所述个例日为日期。
步骤S123：按照三模态对应类型个例的入选标准分别选取第一设定天数的个例日、第二设定天数的个例日和第三设定天数的个例日，并进行个例日降水和高度场的合成，提炼出待分型区域的降水分布和环流场；本实施例中所述第一设定天数为88天、第二设定天数为79天和第三设定天数为53天，将个例日对应的标准化时间系数值大于1.0称为三模态对应类型个例的入选标准；所述降水分布如图3所示，所述环流场如图4所示。
步骤S2：根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集，具体包括：
步骤S21：选取关键区域，具体的：根据基型强降水的500hPa高度场演变特点，选取10°-70°N，30°-140°E作为待分型子区域。
步骤S22：根据所述待分型区域的环流场确定所述待分型子区域的测试样本集、分步迁移样本集和训练样本集；具体的，选取1981-2015年全国1009个持续性强降水的个例，去掉重复日期，共获得3179个个例日对应的的所述环流场；从所述3179个个例日对应的所述环流场中抽取384个个例日对应的的所述环流场，其中，40个个例日对应的所述环流场作为测试样本集，60个个例日对应的所述环流场作为分步迁移样本集，284个个例日作为初次训练样本集。
步骤S3：利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型，具体包括：
步骤S31：给定残差神经网络ResNet18的初始连接权重系数。
步骤S32：将所述训练样本集输入残差神经网络ResNet18中进行第一次分型训练，直至收敛输出第一连接权重系数。
步骤S33：将所述第一连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的部分样本进行第二次分型训练，直至收敛输出第二连接权重系数。
步骤S34：将所述第二连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的剩余分样本进行第三次分型训练，直至收敛输出所述待分型子区域持续性强降水对应的环流分型模型，同时统计各分型对应的阈值，所述阈值为各分型输出的最小值。
所谓迁移CNN(残差神经网络ResNet18)学习就是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中，可有效解决目标领域或问题中仅有少量样本数据的学习问题。
如图5所示，在第一次分型训练中，所述训练样本集的损失函数很快下降至10-3-10-6区间，所述训练样本集的准确率也很快上升到100％左右，而在测试集上的表现并不太好，损失函数在刚开始下降后就基本保持不变，没有继续下降的趋势，准确率在开始的升高和比较剧烈的波动后也维持在57％左右振荡，说明网络在训练过程中很可能产生过拟合，使得在所述测试样本集上效果较差，具体如图5所示。如图6所示，通过两次迁移学习之后，所述训练样本集的损失函数和准确率很快就收敛了，所述测试样本集上的结果相比之前有较大提升。
所述方法还包括：利用所述测试样本集对所述环流分型模型进行验证，具体包括：
将所述测试样本集输入所述环流分型模型进行分型，获得最大结点对应的分型输出值；判断最大结点对应的所述分型输出值是否均大于各分型对应的阈值；如果最大结点对应的所述分型输出值均大于各分型对应的阈值，则输出所述待分型子区域持续性强降水对应的所述环流分型模型；如果最大结点对应的所述分型输出值小于或等于各分型对应的阈值，则不会发生强降水事件。
所述待分型子区域持续性强降水对应的所述环流分型模型实际上就是网络各层结点之间相互连接的权重系数，因为网络结构之前构建好后不会改变，如果分三型，最后一层的输出结点为三。有了权重系数，输入端输入分型用的环流数据，就可以计算各结点的分型输出值，最后一层输出为N个结点，分别对应N种分型，输出最大结点对应的分型输出值，但是这个最大结点对应的分型输出值需要大于之前建模时统计的所有分型对应的阈值；本实施例中把研究对象分为三型，实际应用中不局限于三型。
在持续性强天气事件诊断中的应用：
基于所述环流分型模型对持续性天气过程环流进行分型，可以得到不同持续性强事件天气过程相关的环流型及其环流演变特征，与分型前比，天气过程的空间分布与环流之间的关系更加密切。对不同分型对应的不同层次环流型进行分析，并依照不同天气分型的典型性和强天气事件的空间分布，进一步分析相应环流发生的典型特征，关注显著特征的演变，建立相应型的三维天学概念模型；利用分型的环流演变，可对发生的持续性强天气事件进行诊断分析，判断强降水事件发生的类型及其与历史相似个例的异同，诊断其发生的主要原因。图7为江淮夏季1型持续性强降水发生的500hPa环流演变模型。可见欧亚从高纬到低纬以负距平为主，亚洲中高纬表现为大低涡逐渐发展并分裂为两个中心，而在贝加尔湖附近，存在弱的正高度异常向北伸展，在中纬度形成两槽一脊型；低纬度江淮受低槽影响，其东西两侧的高度异常幅度虽小，但均显著，西太平洋副高稳定维持。
在持续性强天气事件预报中的应用：
1)统计预报
基于所述环流分型模型对持续性天气过程的环流分型，得到不同型天气过程前期不同时效环流型特征，通过输入预报日前期不同时效的环流数据，先确定预报日的天气分型，然后在对应分型的历史库中通过前期不同时效环流型的比较寻找最佳相似样本，当相似系数小于各分型对应的阀值时，则从历史个例的N型之外寻找最佳相似样本，然后以相似样本对应的天气做集合得到预报值，具体预报思路流程如图8所示。
2)动力统计预报
相对于要素预报，模式对环流的预报效果更好。分型得到的环流与降水的关系更加密切，根据分型建立的统计预报模型可通过对前期1-10d的环流做相似分析，对持续性强天气事件进行预报；由于模式可对未来环流进行预报，目前全球模式对于500hPa高度场的预报时效可达10d以上，这样利用模式预报产品，同样可建立对持续性强天气过程的预报。利用提取的环流与天气过程的密切关系进行的天气过程要素预报的效果好于模式直接进行的要素预报效果，具体预报思路流程如图9所示。
3)模订正式预报
一般来讲，模式对于天气过程的要素预报效果较差，而模式对环流的预报效果更好。可以应用模式对未来环流的预报产品，对历史数据中不同型对应的模式要素预报误差进行分析，得到不同时效模式对不同类型天气过程的要素预报的误差。针对模式未来的环流预报，通过分型得到其是否有所分析的持续性天气过程的发生，如果有，是哪种型？之后可针对相应的天气型，根据之前分型误差分析得到的结果进行误差订正，实现模式要素预报的订正，具体预报思路流程如图10所示。
为了反映本发明采用迁移CNN(即残差神经网络ResNet18)的优势，本案例中同时用余弦相似系数COS方法、相似量R方法对上述样本进行了分型。比较发现，迁移CNN的分型效果较余弦相似系数COS方法、相似量R方法的分型效果更好。本实验中，迁移CNN网络、COS和R方法的分型准确率分别为85％、77.5％和70％。
如图11所示，本发明还提供一种基于环流分型模型天气预测系统，所述系统包括：
环流场确定模块1，用于利用强降水过程历史个例数据集，确定待分型区域的环流场。
样本集确定模块2，用于根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集。
环流分型模型确定模块3，用于利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型。
预测模块4，用于利用所述环流分型模型对持续性强天气过程进行预测。
作为一种可选的实施方式，本发明所述环流场确定模块1，具体包括：
获取单元，用于获取强降水过程的历史个例数据集。
环流场确定单元，用于利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场。
作为一种可选的实施方式，本发明所述环流场确定单元，具体包括：
个例数据集确定子单元，用于选择某一时间内发生在待分型区域的设定个数强降水过程的个例数据集。
三模态确定子单元，用于去掉重复个例日的所述个例数据集，将剩余的所述个例数据集进行经验正交分解方法分析，获得三个模态。
环流场确定子单元，用于按照三模态对应类型个例的入选标准分别选取第一设定天数的个例日、第二设定天数的个例日和第三设定天数的个例日，并进行个例日降水和高度场的合成，提炼出待分型区域的环流场。
作为一种可选的实施方式，本发明所述环流分型模型确定模块3，具体包括：
初始连接权重系数确定单元，用于给定残差神经网络ResNet18的初始连接权重系数。
第一连接权重系数确定单元，用于将所述训练样本集输入残差神经网络ResNet18中进行第一次分型训练，直至收敛输出第一连接权重系数。
第二连接权重系数确定单元，用于将所述第一连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的部分样本进行第二次分型训练，直至收敛输出第二连接权重系数。
环流分型模型确定单元，用于将所述第二连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的剩余分样本进行第三次分型训练，直至收敛输出所述待分型子区域持续性强降水对应的环流分型模型，同时统计各分型对应的阈值，所述阈值为各分型输出的最小值。
作为一种可选的实施方式，本发明所述系统还包括：验证模块，用于利用所述测试样本集对所述环流分型模型进行验证。
所述验证模块，具体包括：
分型单元，用于将所述测试样本集输入所述环流分型模型进行分型，获得最大结点对应的分型输出值。
判断单元，用于判断最大结点对应的所述分型输出值是否均大于各分型对应的阈值；如果最大结点对应的所述分型输出值均大于各分型对应的阈值，则输出所述待分型子区域持续性强降水对应的所述环流分型模型；如果最大结点对应的所述分型输出值小于或等于各分型对应的阈值，则不会发生强降水事件。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于环流分型模型天气预测方法，其特征在于，所述方法包括：
步骤S1：利用强降水过程历史个例数据集，确定待分型区域的环流场；
步骤S2：根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集；
步骤S3：利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型；
步骤S4：利用所述环流分型模型对持续性强天气过程进行预测。
2.根据权利要求1所述的基于环流分型模型天气预测方法，其特征在于，所述利用强降水过程历史个例数据集，确定待分型区域的环流场，具体包括：
步骤S11：获取强降水过程的历史个例数据集；
步骤S12：利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场。
3.根据权利要求2所述的基于环流分型模型天气预测方法，其特征在于，所述利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场，具体包括：
步骤S121：选择某一时间内发生在待分型区域的设定个数强降水过程的个例数据集；
步骤S122：去掉重复个例日的所述个例数据集，将剩余的所述个例数据集进行经验正交分解方法分析，获得三个模态；
步骤S123：按照三模态对应类型个例的入选标准分别选取第一设定天数的个例日、第二设定天数的个例日和第三设定天数的个例日，并进行个例日降水和高度场的合成，提炼出待分型区域的环流场。
4.根据权利要求1所述的基于环流分型模型天气预测方法，其特征在于，所述利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型，具体包括：
步骤S31：给定残差神经网络ResNet18的初始连接权重系数；
步骤S32：将所述训练样本集输入残差神经网络ResNet18中进行第一次分型训练，直至收敛输出第一连接权重系数；
步骤S33：将所述第一连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的部分样本进行第二次分型训练，直至收敛输出第二连接权重系数；
步骤S34：将所述第二连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的剩余分样本进行第三次分型训练，直至收敛输出所述待分型子区域持续性强降水对应的环流分型模型，同时统计各分型对应的阈值，所述阈值为各分型输出的最小值。
5.根据权利要求1所述的基于环流分型模型天气预测方法，其特征在于，所述方法还包括：
步骤S5：利用所述测试样本集对所述环流分型模型进行验证。
6.一种基于环流分型模型天气预测系统，其特征在于，所述系统包括：
环流场确定模块，用于利用强降水过程历史个例数据集，确定待分型区域的环流场；
样本集确定模块，用于根据所述待分型区域的环流场确定待分型子区域的测试样本集、分步迁移样本集和训练样本集；
环流分型模型确定模块，用于利用所述分步迁移样本集和所述训练样本集进行残差神经网络训练建模，获得所述待分型子区域持续性强降水对应的环流分型模型；
预测模块，用于利用所述环流分型模型对持续性强天气过程进行预测。
7.根据权利要求6所述的基于环流分型模型天气预测系统，其特征在于，所述环流场确定模块，具体包括：
获取单元，用于获取强降水过程的历史个例数据集；
环流场确定单元，用于利用强降水过程的所述历史个例数据集，通过经验正交分解方法提取待分型区域强降水过程对应的环流场。
8.根据权利要求7所述的基于环流分型模型天气预测系统，其特征在于，所述环流场确定单元，具体包括：
个例数据集确定子单元，用于选择某一时间内发生在待分型区域的设定个数强降水过程的个例数据集；
三模态确定子单元，用于去掉重复个例日的所述个例数据集，将剩余的所述个例数据集进行经验正交分解方法分析，获得三个模态；
环流场确定子单元，用于按照三模态对应类型个例的入选标准分别选取第一设定天数的个例日、第二设定天数的个例日和第三设定天数的个例日，并进行个例日降水和高度场的合成，提炼出待分型区域的环流场。
9.根据权利要求6所述的基于环流分型模型天气预测系统，其特征在于，所述环流分型模型确定模块，具体包括：
初始连接权重系数确定单元，用于给定残差神经网络ResNet18的初始连接权重系数；
第一连接权重系数确定单元，用于将所述训练样本集输入残差神经网络ResNet18中进行第一次分型训练，直至收敛输出第一连接权重系数；
第二连接权重系数确定单元，用于将所述第一连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的部分样本进行第二次分型训练，直至收敛输出第二连接权重系数；
环流分型模型确定单元，用于将所述第二连接权重系数作为残差神经网络ResNet18的初始连接权重系数，加入所述分步迁移样本集中的剩余分样本进行第三次分型训练，直至收敛输出所述待分型子区域持续性强降水对应的环流分型模型，同时统计各分型对应的阈值，所述阈值为各分型输出的最小值。
10.根据权利要求6所述的基于环流分型模型天气预测系统，其特征在于，所述系统还包括：验证模块，用于利用所述测试样本集对所述环流分型模型进行验证。
CN202010914511.XA 2020-09-03 2020-09-03 一种基于环流分型模型天气预测方法及系统 Active CN111985727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010914511.XA CN111985727B (zh) 2020-09-03 2020-09-03 一种基于环流分型模型天气预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010914511.XA CN111985727B (zh) 2020-09-03 2020-09-03 一种基于环流分型模型天气预测方法及系统

Publications (2)

Publication Number Publication Date
CN111985727A true CN111985727A (zh) 2020-11-24
CN111985727B CN111985727B (zh) 2023-07-28

Family

ID=73447395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010914511.XA Active CN111985727B (zh) 2020-09-03 2020-09-03 一种基于环流分型模型天气预测方法及系统

Country Status (1)

Country Link
CN (1) CN111985727B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536576A (zh) * 2021-07-20 2021-10-22 中国气象局气象干部培训学院四川分院(四川省信息工程学校) 一种数值预报产品距平积分动力统计订正方法和系统
CN113836129A (zh) * 2021-09-26 2021-12-24 华北电力大学 一种基于经验正交分解的日尺度降尺度预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104615855A (zh) * 2015-01-04 2015-05-13 国家电网公司 融合数值天气预报的日前风速多步预报方法
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
CN108734278A (zh) * 2018-05-23 2018-11-02 天津市气象科学研究所 一种基于多重神经网络逐步逼近法的低能见度预报方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104615855A (zh) * 2015-01-04 2015-05-13 国家电网公司 融合数值天气预报的日前风速多步预报方法
CN108491877A (zh) * 2018-03-20 2018-09-04 国家气象中心 一种分类对流天气概率预报方法及装置
CN108647806A (zh) * 2018-04-04 2018-10-12 南京信息工程大学 一种考虑大尺度环流背景场的延伸期预报方法
CN108734278A (zh) * 2018-05-23 2018-11-02 天津市气象科学研究所 一种基于多重神经网络逐步逼近法的低能见度预报方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113536576A (zh) * 2021-07-20 2021-10-22 中国气象局气象干部培训学院四川分院(四川省信息工程学校) 一种数值预报产品距平积分动力统计订正方法和系统
CN113536576B (zh) * 2021-07-20 2022-04-22 中国气象局气象干部培训学院四川分院(四川省信息工程学校) 一种数值预报产品距平积分动力统计订正方法和系统
CN113836129A (zh) * 2021-09-26 2021-12-24 华北电力大学 一种基于经验正交分解的日尺度降尺度预测方法
CN113836129B (zh) * 2021-09-26 2024-01-26 华北电力大学 一种基于经验正交分解的日尺度降尺度预测方法

Also Published As

Publication number Publication date
CN111985727B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN111310968B (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN114280696B (zh) 一种海雾等级智能预报方法及系统
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
Wang et al. GSNet: Learning spatial-temporal correlations from geographical and semantic aspects for traffic accident risk forecasting
CN109614997A (zh) 一种基于深度学习的窃电风险预测方法及装置
CN110570122B (zh) 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法
CN111985727A (zh) 一种基于环流分型模型天气预测方法及系统
CN115036922B (zh) 一种分布式光伏发电电量预测方法及系统
CN117556197B (zh) 一种基于人工智能的台风涡旋初始化方法
CN111091237A (zh) 一种长江上游年径流量的预测技术
Gómez et al. Characterization of the wind speed variability and future change in the Iberian Peninsula and the Balearic Islands
CN105471647A (zh) 一种电力通信网故障定位方法
CN112561133A (zh) 一种基于神经网络的水流量预测系统和方法
CN109508730A (zh) 一种基于非线性svm算法的电离层相位闪烁检测方法
CN117875190B (zh) 极端暴雨事件中交通网络功能状态的时空预测方法
CN117725448A (zh) 气象导航信号特征的聚类分析方法
CN113609783B (zh) 耦合大尺度环流气候信息的咸潮上溯预报系统和方法
Li et al. Separate wind power and ramp predictions based on meteorological variables and clustering method
CN118245791A (zh) 一种用于虚拟交通流的船舶轨迹插值预报方法
CN116663393A (zh) 一种基于随机森林的配电网持续高温下故障风险等级预测方法
CN116976227A (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN118040640A (zh) 考虑梯级水电上下游关联与贫资料的小水力发电预测方法
Mu et al. The NAO variability prediction and forecasting with multiple time scales driven by ENSO using machine learning approaches
CN103473476B (zh) 基于区域内数座测风塔测风数据的风能资源推算方法
Qiu et al. A short-term precipitation prediction model based on spatiotemporal convolution network and ensemble empirical mode decomposition

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant