CN114154333A - 一种大气温度廓线预测方法 - Google Patents
一种大气温度廓线预测方法 Download PDFInfo
- Publication number
- CN114154333A CN114154333A CN202111481656.6A CN202111481656A CN114154333A CN 114154333 A CN114154333 A CN 114154333A CN 202111481656 A CN202111481656 A CN 202111481656A CN 114154333 A CN114154333 A CN 114154333A
- Authority
- CN
- China
- Prior art keywords
- data
- atmospheric temperature
- atmospheric
- layer
- profile
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
- G01K13/02—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow
- G01K13/028—Thermometers specially adapted for specific purposes for measuring temperature of moving fluids or granular materials capable of flow for use in total air temperature [TAT] probes
-
- 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"
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种大气温度廓线预测方法,所述预测方法包括:S1:获取多个测量高度层;S2:分别获取多个所述测量高度层中每层的测量数据;S3:将每层所述测量数据分别输入SARIMA模型中,得到与每层所述测量数据相对应的各层预测数据;S4:根据所有的预测数据,得到一条大气廓线;S5:将所述大气廓线输入降噪自编码器中,得到预测大气温度廓线。
Description
技术领域
本发明涉及大气温度预测技术领域,具体涉及一种大气温度廓线预测方法。
背景技术
大气廓线数据除了直接应用在天气预报,气候变化监测等方面,在定量遥感和光学工程中亦有广泛应用,因为大气廓线从根本上决定了大气的光学特性,可用来预测大气透过率和大气背景辐射。大大气参数空间分布结构复杂,根据不同的参数特性从近地面到太空可划分为对流层,平流层,中间层,热层和逸散层。
大气温度空间分布数据的预测模型可以看作是时间序列的预测模型。虽然目前已经有部分温度预测的相关研究,但由于现有的温度预测方法大都基于季节性差分自回归滑动平均模型(Seasonal Autoregressive Integrated Moving Average,SARIMA)实施的,而SARIMA模型是线性模型,在处理线性相关关系较弱的平流层数据时,预测精度较低,平流层大气温度数据的预测成为了整个大气温度廓线预测模型的短板。
发明内容
本发明的目的在于提供一种大气温度廓线预测方法,以解决现有的大气温度预测方法在处理线性相关关系较弱的平流层数据时预测精度低的问题。
本发明解决上述技术问题的技术方案如下:
本发明提供一种大气温度廓线预测方法,所述大气温度廓线预测方法包括:
S1:获取多个测量高度层;
S2:分别获取多个所述测量高度层的中每层的测量数据;
S3:将每层所述测量数据分别输入SARIMA模型中,得到与每层所述测量数据相对应的各层预测数据;
S4:根据所有的预测层数据,得到一条大气廓线;
S5:将所述大气廓线输入降噪自编码器中,得到预测大气温度廓线。
可选择地,所述步骤S1包括:
S11:获取目标测量点的大气温度廓线数据;
S12:对所述目标测量点的大气温度廓线数据进行编号,得到多个测量高度层。
可选择地,所述步骤S3中,所述SARIMA模型为:
其中,φ(·)和Φ(·)表示自回归多项式,且φ(z)=1-φ1z-φ2z2-...-φpzp,Φ(z)=1-Φ1z-Φ2z2-...-ΦPzP;B和BS是延迟算子,且BXt=Xt-1,BsXt=Xt-s,S表示延迟的时间长度;和表示差分算子,且d和D表示差分进行地次数;Xt是时间序列在t时刻的观测值;θ(·)和Θ(·)表示滑动平均多项式,且θ(z)=1-θ1z-θ2z2-...-θqzq,Θ(z)=1-Θ1z-Θ2z2-...-ΘQzQ,q和Q限制滑动平均多项式地结构;εt是在t时刻的估计误差;z为变量。
可选择地,所述步骤S5中,所述降噪自编码器的表达式为:
D=f(x)=f(D+noise)
其中,x表示大气廓线,D表示预测大气廓线,且x=D+noise,其中noise表示噪音,f(x)表示映射函数。
本发明具有以下有益效果:
本发明所提供的大气温度廓线预测方法充分发挥了SARIMA模型和降噪自编码器(Denoising Autoencoder,DAE)的优势。SARIMA模型小数据量的预测任务中有着明显的优势,它能充分挖掘数据之间的相关关系。但是SARIMA模型是线性模型,在处理线性相关关系较弱的平流层数据时,预测的精度较低,平流层大气温度数据的预测成为了整个大气温度模型的短板。本发明使用DAE在垂直空间上对SARIMA模型的预测结果进行降噪优化。每个高度层的SARIMA模型的建模过程相互独立,在每个高度层上的预测误差也相互独立。在每个高度层上SARIMA模型的预测误差近似服从均值为0,方差为σ2(n)的正太分布,该误差分布只与高度层z有关。从垂直空间上来看,SARIMA模型的预测结果是受到噪声影响的大气温度廓线,噪声在每个高度层上稳定,服从近似的正态分布,通过引入降噪模型便可以对SARIMA模型进行优化。降噪自编码器又为模型引入了新的知识,使模型能够更好的对大气温度数据进行建模。根据实验,相比于单纯的SARIMA模型,SARIMA-DAE混合模型在大气温度数据的预测中表现优异,特别是在线性相关关系较弱的平流层大气温度预测中预测精度得到了极大的提升。
附图说明
图1为本发明所提供的大气温度廓线预测方法流程图;
图2为图1中步骤S1的分步骤流程图;
图3为本发明所提供的大气温度廓线预测方法的数据空间结构示意图;
图4为不同高度层大气温度随时间的变化曲线图;
图5为不同时间的大气温度廓线图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
本发明提供一种大气温度廓线预测方法,参考图1所示,所述大气温度廓线预测方法包括:
S1:获取多个测量高度层;
具体地,参考图2所示,所述步骤S1包括:
S11:获取目标测量点的大气温度数据;
S12:对所述目标测量点的大气温度数据进行编号,得到多个测量高度层。
S2:分别获取多个所述测量高度层的中每层的测量数据;
S3:将每层所述测量数据分别输入SARIMA模型中,得到与每层所述测量数据相对应的各层预测数据;
其中,SARIMA模型的具体结构为:
其中,φ(·)和Φ(·)表示自回归多项式,且φ(z)=1-φ1z-φ2z2-...-φpzp,Φ(z)=1-Φ1z-Φ2z2-...-ΦPzP;B和BS是延迟算子,且BXt=Xt-1,BsXt=Xt-s,S表示延迟的时间长度;和表示差分算子,且d和D表示差分进行地次数;Xt是时间序列在t时刻的观测值;θ(·)和Θ(·)表示滑动平均多项式,且θ(z)=1-θ1z-θ2z2-...-θqzq,Θ(z)=1-Θ1z-Θ2z2-...-ΘQzQ,q和Q限制滑动平均多项式地结构;εt是在t时刻的估计误差;z为变量。
S4:根据所有的预测数据,得到一条大气廓线;
S5:将所述大气廓线输入降噪自编码器(Denoising Autoencoder,DAE)中,得到预测大气温度廓线。
其中,所述降噪自编码器的表达式为:
D=f(x)=f(D+noise)
其中,x表示大气廓线,D表示预测大气廓线,且x=D+noise,其中noise表示噪音,f(x)表示映射函数。
实施例2
实验所使用的数据是一组卫星探测的大气温度空间分布数据,该大气温度数据具有三维的空间分布结构,如图3所示,在空间上一共记录了96个高度层的大气温度数据。该大气温度数据是对中国广州省茂名市的一组卫星测量数据。
在每个空间测量点上的大气温度数据可以从时间和空间两个视角来进行分析。从时间上来看,如图4所示,大气温度数据由一组时间序列数据组成,观测时间从2011年持续到2014年。其中,每个月的1号进行数据记录,每个空间点一共记录了48个时间点的观测数据。随着时间的变化而变化,大气温度有明显的季节性变化趋势,其中对流层和中间层的大气对流运动明显,大气温度的周期性变化更加明显,平流层的大气对流运动较弱,大气温度的变化的周期性特征较弱。从垂直空间上来看,如图5所示,大气温度数据由一组大气温度廓线组成。从图中可以明显的看出,大气温度廓线具有相似的空间结构,在不同高度层之间的大气温度数据具有明显的相关性。
如图4所示,随着季节的更替,大气温度呈现出季节性变化趋势。大气温度时间序列相邻数据之间以及季节性相邻数据之间具有很强的相关性,使用SARIMA模型能够很好的对数据中的相关关系进行建模。SARIMA模型的具体结构为:
其中,φ(·)和Φ(·)表示自回归多项式,且φ(z)=1-φ1z-φ2z2-...-φpzp,Φ(z)=1-Φ1z-Φ2z2-...-ΦPzP;B和BS是延迟算子,且BXt=Xt-1,BsXt=Xt-s,S表示延迟的时间长度;和表示差分算子,且d和D表示差分进行地次数;Xt是时间序列在t时刻的观测值;θ(·)和Θ(·)表示滑动平均多项式,且θ(z)=1-θ1z-θ2z2-...-θqzq,Θ(z)=1-Θ1z-Θ2z2-...-ΘQzQ,q和Q限制滑动平均多项式地结构;εt是在t时刻的估计误差;z为变量。
降噪自编码器是自编码器的一种扩展,不同于自编码器用来完成自身到自身的映射,降噪自编码器用来进行噪声数据和干净数据之间的映射。理想的降噪自编码器为:
D=f(x)=f(D+noise)
其中,x表示大气廓线,D表示预测大气廓线,且x=D+noise,其中noise表示噪音,f(x)表示映射函数。
经过降噪映射,能够从受到噪声污染的数据X中重建干净的数据D。
受到噪声污染的数据在自编码器的作用下重构成数据O,在进行重构的过程中先进行数据的编码,使数据从高维空间映射到低维空间,然后再从低维空间映射到高维空间。在降维的过程中维度较低的大气温度廓线数据的信息损失较小,而维度较高的噪声数据的损失较大,从而完成对数据的降噪。使用降噪后的数据O和纯净的数据D之间的误差用来训练降噪自编码器模型,在不断的迭代训练过程中使模型的误差不断地降低。
其中,D表示预测大气廓线;O表示降噪后的数据;di表示向量D中第i个元素;oi表示向量O中第i个元素。
本发明具有以下有益效果:
本发明所提供的大气温度廓线预测方法充分发挥了SARIMA模型和DAE的优势。SARIMA模型小数据量的预测任务中有着明显的优势,它能充分挖掘数据之间的相关关系。但是SARIMA模型是线性模型,在处理线性相关关系较弱的平流层数据时,预测的精度较低,平流层大气温度数据的预测成为了整个大气温度模型的短板。本发明使用DAE在垂直空间上对SARIMA模型的预测结果进行降噪优化。每个高度层的SARIMA模型的建模过程相互独立,在每个高度层上的预测误差也相互独立。在每个高度层上SARIMA模型的预测误差近似服从均值为0,方差为σ2(n)的正太分布,该误差分布只与高度层z有关。从垂直空间上来看,SARIMA模型的预测结果是受到噪声影响的大气温度廓线,噪声在每个高度层上稳定,服从近似的正态分布,通过引入降噪模型便可以对SARIMA模型进行优化。降噪自编码器又为模型引入了新的知识,使模型能够更好的对大气温度数据进行建模。根据实验,相比于单纯的SARIMA模型,SARIMA-DAE混合模型在大气温度数据的预测中表现优异,特别是在线性相关关系较弱的平流层大气温度预测中预测精度得到了极大的提升。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种大气温度廓线预测方法,其特征在于,所述大气温度廓线预测方法包括:
S1:获取多个测量高度层;
S2:分别获取多个所述测量高度层中每层的测量数据;
S3:将每层所述测量数据分别输入SARIMA模型中,得到与每层所述测量数据相对应的各层预测数据;
S4:根据所有的预测层数据,得到一条大气廓线;
S5:将所述大气廓线输入降噪自编码器中,得到预测大气温度廓线。
2.根据权利要求1所述的多层大气温度预测方法,其特征在于,所述步骤S1包括:
S11:获取目标测量点的历史大气温度廓线数据;
S12:对测量点的大气温度廓线数据进行编号,得到多个测量高度层。
3.根据权利要求1所述的多层大气温度预测方法,其特征在于,所述步骤S3中,所述SARIMA模型为:
4.根据权利要求1所述的多层大气温度预测方法,其特征在于,所述步骤S5中,所述降噪自编码器的表达式为:
D=f(x)=f(D+noise)
其中,x表示大气廓线,D表示预测大气廓线,且x=D+noise,其中noise表示噪音,f(x)表示映射函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111481656.6A CN114154333B (zh) | 2021-12-06 | 2021-12-06 | 一种大气温度廓线预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111481656.6A CN114154333B (zh) | 2021-12-06 | 2021-12-06 | 一种大气温度廓线预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114154333A true CN114154333A (zh) | 2022-03-08 |
CN114154333B CN114154333B (zh) | 2023-04-14 |
Family
ID=80453607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111481656.6A Active CN114154333B (zh) | 2021-12-06 | 2021-12-06 | 一种大气温度廓线预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114154333B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914379A (zh) * | 2012-09-19 | 2013-02-06 | 中国矿业大学 | 一种土壤温度预测的改进方法 |
CN107703554A (zh) * | 2017-08-24 | 2018-02-16 | 安徽四创电子股份有限公司 | 多通道毫米波辐射计温湿廓线反演系统及其反演方法 |
CN108280520A (zh) * | 2018-02-24 | 2018-07-13 | 北京爱尔达电子设备有限公司 | 大气廓线计算方法及装置 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及系统 |
CN111127146A (zh) * | 2019-12-19 | 2020-05-08 | 江西财经大学 | 基于卷积神经网络与降噪自编码器的信息推荐方法及系统 |
CN112187528A (zh) * | 2020-09-15 | 2021-01-05 | 浙江大学 | 基于sarima的工业控制系统通信流量在线监测方法 |
CN113094653A (zh) * | 2021-04-01 | 2021-07-09 | 北京环境特性研究所 | 一种重建大气温度轮廓线的方法 |
-
2021
- 2021-12-06 CN CN202111481656.6A patent/CN114154333B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914379A (zh) * | 2012-09-19 | 2013-02-06 | 中国矿业大学 | 一种土壤温度预测的改进方法 |
CN107703554A (zh) * | 2017-08-24 | 2018-02-16 | 安徽四创电子股份有限公司 | 多通道毫米波辐射计温湿廓线反演系统及其反演方法 |
CN108280520A (zh) * | 2018-02-24 | 2018-07-13 | 北京爱尔达电子设备有限公司 | 大气廓线计算方法及装置 |
CN110632599A (zh) * | 2019-09-03 | 2019-12-31 | 华中科技大学 | 一种大气温度廓线直接反演方法及系统 |
CN111127146A (zh) * | 2019-12-19 | 2020-05-08 | 江西财经大学 | 基于卷积神经网络与降噪自编码器的信息推荐方法及系统 |
CN112187528A (zh) * | 2020-09-15 | 2021-01-05 | 浙江大学 | 基于sarima的工业控制系统通信流量在线监测方法 |
CN113094653A (zh) * | 2021-04-01 | 2021-07-09 | 北京环境特性研究所 | 一种重建大气温度轮廓线的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114154333B (zh) | 2023-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hancock et al. | Spatial interpolation of large climate data sets using bivariate thin plate smoothing splines | |
CN107092744B (zh) | 基于emd-svr的地表沉降量预测方法 | |
Gardes et al. | Conditional extremes from heavy-tailed distributions: An application to the estimation of extreme rainfall return levels | |
Huerta et al. | Time-varying models for extreme values | |
Casson et al. | Spatial regression models for extremes | |
Korunoski et al. | Internet of things solution for intelligent air pollution prediction and visualization | |
Beesley et al. | A comparison of the BAWAP and SILO spatially interpolated daily rainfall datasets | |
Liu et al. | Spatial imputation for air pollutants data sets via low rank matrix completion algorithm | |
CN112083453B (zh) | 一种涉及水汽时空参数的对流层层析方法 | |
CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
CN110516856B (zh) | 基于卷积神经网络的估算海洋次表层温度的方法 | |
CN113094653B (zh) | 一种重建大气温度轮廓线的方法 | |
CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
CN111611541A (zh) | 基于Copula函数的无资料地区降水数据推求方法及系统 | |
Garai et al. | An MRA Based MLR Model for Forecasting Indian Annual Rainfall Using Large Scale Climate Indices | |
CN112991226B (zh) | 一种基于重构植被指数时间序列影像的湿地植被固碳速率遥感估算方法 | |
CN114154333B (zh) | 一种大气温度廓线预测方法 | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN112363140B (zh) | 一种基于循环神经网络的热力约束外推客观订正方法 | |
CN116050460B (zh) | 基于注意力神经网络的气温数据空间插值方法 | |
Zucchini et al. | A Web‐based rainfall atlas for Southern Africa | |
CN116704362A (zh) | 结合时空特征的grace卫星空窗期数据重构方法、系统及设备 | |
CN116663395A (zh) | 基于参数优化的支持向量机回归的降雨量等值面生成方法 | |
CN115034635A (zh) | 一种变化环境下双变量水文序列的非一致频率分析方法 | |
CN113255148A (zh) | 基于modis产品数据估算全天气气温及其时空分布方法 |
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 |