CN114779368A - 基于多变量海气耦合器的enso预测方法、装置、设备及介质 - Google Patents
基于多变量海气耦合器的enso预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114779368A CN114779368A CN202210285136.6A CN202210285136A CN114779368A CN 114779368 A CN114779368 A CN 114779368A CN 202210285136 A CN202210285136 A CN 202210285136A CN 114779368 A CN114779368 A CN 114779368A
- Authority
- CN
- China
- Prior art keywords
- enso
- prediction
- multivariate
- sea
- multivariable
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000008878 coupling Effects 0.000 claims description 15
- 238000010168 coupling process Methods 0.000 claims description 15
- 238000005859 coupling reaction Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000012805 post-processing Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011002 quantification Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 239000013535 sea water Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Atmospheric Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多变量海气耦合器的ENSO预测方法、装置、设备及介质,本发明基于多变量海气耦合器的ENSO智能预测模型的构建、训练和预测流程和ENSO智能预测装置的描述,区别于使用传统动力数值模式进行ENSO预测,本发明提供的方法完全基于数据驱动的深度学习技术,并在模型结构中融入了先验的ENSO动力机制。与现有技术相比,本发明具有易搭建、低开销、高可信度等优点,可用于ENSO业务预测,有效提升ENSO预测准确性。
Description
技术领域
本发明涉及气象预测技术领域,尤其是涉及一种基于多变量海气耦合器的ENSO预测方法、装置、设备及介质。
背景技术
ENSO(ElOscillation,厄尔尼诺-南方涛动事件)是影响全球经济发展和人类生活的主导性海气耦合事件之一。ENSO是全球气候年际变化的最主要信号。ENSO预测系统主要对ENSO现象的形成、发展及衰亡过程进行预测。传统的ENSO预测基于动力数值模式,即以显式且明确的偏微分方程描述海气多物理要素的动力演化过程,并进行时间积分以获得量化的预测结果。然而,近年来ENSO的可预报性存在明显的年代际变化特征,并展示出越来越弱的ENSO预测技巧与逐渐下降的预测准确性。有两个原因造成此现象:其一是动力数值模式的滞后性。其一般依据特定时段的海气耦合特点构造,且从20世纪80年代以来全球海气耦合状态发生了明显的变化,因而动力数值模式不再适用于目前所处年代的ENSO预测。其二是数值模式的内在不足,其构造过程包含大量的简化、近似甚至忽略的参数,导致其不能对复杂ENSO进行较好的模拟。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多变量海气耦合器的ENSO预测方法、装置、设备及介质。
本发明的目的可以通过以下技术方案来实现:
一方面,本发明提供了一种基于多变量海气耦合器的ENSO预测方法,该方法包括基于多变量海气耦合器的ENSO智能预测模型的构建、训练和预测三个部分:
对于模型构建(记作流程A),包括以下步骤:
A.1.选定与ENSO有关的多要素海气气象资料,分别构建多变量特征编码模块;
A.2.依据ENSO海气耦合特点,确定海气多要素间的能量交互,用邻接方阵表示变量间的能量交互;并依据此邻接方阵,构造基于图卷积的多变量海气耦合器;
A.3.分别构建多变量特征解码模块;
对于模型训练(记作流程B),包括以下步骤:
B.1.根据选定与ENSO有关的多变量海气资料,构造海气数据集;
B.2.对不同海气数据集中的不同物理变量,分别进行数据预处理;
B.3.优选地,按照0.9:0.1的比例划分数据集,利用前者部分进行充分的模型训练,利用后者部分进行模型测试;
对于模型预测(记作流程C),包括以下步骤:
C.1.基于起报时间的多变量初始气象资料,确定预测初始场,并进行与步骤B.2相同的数据预处理,充当ENSO智能预测模型的输入;
C.2.将数据预处理后的预测初始场输入至ENSO智能预测模型的特征提取模块进行特征编码,确定多变量特征;
C.3.将多变量特征按照多变量特征交互图的方式进行耦合演化,获取海气多变量交互后特征;
C.4.将海气多变量交互后特征输入ENSO智能预测模型中的特征还原模块进行解码,并进行多变量数据后处理,得到ENSO多变量格点预测结果,利用迭代预测的方式进行长期ENSO预测;
C.5.根据ENSO多变量格点预测结果,计算ENSO相关的多种指数及评价指标。
优选地,所述步骤A.1中的多变量特征编码模块的计算公式为:
其中,si(i={海表面温度,经向风,纬向风,降雨,云中水汽含量,空气中水汽含量},所选变量是本发明一部分举例,而不是全部)为初始海气要素场,α为动态分配的时间注意力权重,°表示Hadamard积,为特征编码器解析得到的多变量特征,每个海气要素配备单独的特征编码器encoderi(·),本发明优先利用深度学习模块搭建。
优选地,所述步骤A.2中的基于图卷积的多变量海气耦合器的计算公式为:
其中,||表示将不同变量的特征级联到一起,A即为根据预选的变量设计的邻接矩阵,β=[b1,…,bN]为动态分配的变量注意力权重,N为所选变量个数,fc为依据能量邻接矩阵耦合后的多变量特征。本发明优先利用图卷积模块搭建coupler(·)。
优选地,所述步骤A.3中的多变量特征解码模块的计算公式为:
优选地,所述步骤B.2中的数据预处理的计算公式为:
其中,xmin与xmax分别为各海气要素格点数据的最小值与最大值,x*为数据预处理后结果。
优选地,所述步骤C.4中的数据后处理的计算公式为:
另一方面,本发明还提供了基于多变量耦合器的ENSO智能预测装置,该装置包括:
D.1.第一确定模块,用于基于起报时间的初始气象资料、预报时长,确定预测初始场;
D.2.数据预处理模块,用于将预测初始场转换为模型规定的输入格式;
D.3.预测模块,用于将输入数据传输至ENSO智能预测模型,并运行模型,得到预测结果;
D.4.结果采集模块,用于后处理模型的输出,将输出数据转化为可理解的气象格点数据及多种ENSO指数与量化的评价指标;
本发明第三方面还提供一种计算机设备,上述装置可运行于一种计算机设备之上,该计算设备包括存储器、处理器、图形计算卡等硬件,所述存储器中存储有可在所述处理器和图形计算卡上运行的计算机程序,所述处理器和图形计算卡执行所述计算机程序时实现上述基于多变量海气耦合器的ENSO预测方法的步骤。
本发明第四方面还提供一种计算机可读存储介质,上述装置可被存储于一种计算机可读存储介质之上,所述计算机设备可读存储介质存储有机器可运行指令,所述计算机可运行指令在被处理器调用和运行时,所述计算机可运行指令促使所述处理器运行上述基于多变量海气耦合器的ENSO预测方法。
本发明相较于现有技术至少包括如下有益效果:
1)节约时间与计算成本:本发明避免了传统数值模式,利用基于深度学习技术的模型和图形计算设备完成ENSO长期预测,具备计算效率高、实时性强的特点。
2)模型可解释性高,预测结果可信度高:本发明设计的多变量海气耦合器完全依赖ENSO动力机制而构建,其能并行地进行多变量间能量并发交互以及随时间的演化;此外,ENSO智能预测模型中的编码器与解码器也蕴含先验的ENSO动力特征,能够高效可靠地提取多变量海气格点数据的潜在特征,提供稳定可靠且更加准确的预测结果,且模型易搭建、成本低,可信度高。
附图说明
图1为本发明实施例提供的基于多变量海气耦合器的ENSO预测方法的流程示意图;
图2为本发明实施例提供的基于多变量海气耦合器的ENSO预测模型架构示意图;
图3为本发明实施例提供的基于多变量海气耦合器的ENSO预测装置的结构示意图;
图4为本发明实施例提供的使用基于多变量海气耦合器的ENSO预测装置进行迭代预测的过程示意图;
图5为本发明实施例提供的计算机设备结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
为提升ENSO的预测技巧,以数据驱动的深度学习技术逐渐得到重视并投入业务应用。和传统的动力模式相比,以数据驱动的深度学习无需明确知晓复杂ENSO动力机制即可完成ENSO预测任务,且资源与事件消耗大幅减少,已被证实能够达到甚至超越传统动力模式预测水平。此外,基于深度学习的ENSO智能预测模型具备易搭建、重时效的特性,可集成入现有ENSO业务预报系统。基于此,本发明涉及一种基于多变量海气耦合器的ENSO预测方法,以有效缓解现有ENSO预测技巧不足的技术问题。
本发明基于多变量海气耦合器的ENSO预测方法的具体流程如图1所示,该流程包括以下三个(A、B和C)内容:
A)ENSO智能预测模型的构建,包括以下步骤:
A.1.选定与ENSO有关的多要素海气气象资料,分别构建多变量特征编码模块;
如图2中A.1模块所示,该模块即为本发明实施例提供的一种多变量特征编码模块。该模块的整体计算公式为:
其中,si(i={海表面温度,经向风,纬向风,降雨,云中水汽含量,空气中水汽含量},所选变量是本发明一部分举例,而不是全部)即为初始海气要素场,α为动态分配的时间注意力权重,°表示Hadamard积,为特征编码器解析得到的多变量特征。图2中提供了一种特征编码器encoderi(·)的构建方式,即利用堆叠的Convolution LSTM层与MaxPool层搭建。需要注意的是,上述i的所选变量是本发明一部分实施例,而不是全部的实施例。
优选地,本发明设计了一种时间注意力权重α来解决因起报时间不同而引起的预测技巧下降问题,并且将该时间注意力权重应用于不同尺寸的特征图中。该时间注意力权重的计算公式为:
α=softmax(Wαttanh(WtT′+bt)+bαt)
其中,Wαt与Wt为神经网络中自监督学习的变换矩阵,bαt与bt为神经网络中自监督学习的偏差矩阵,T′为不同尺度上的特征图。该权重α可用来聚合特征编码器中不同尺度输出的不同时间的特征图,通过以下计算公式:
A.2.依据ENSO海气耦合特点,确定海气多要素间的能量交互,用邻接方阵表示变量间的能量交互;并依据此邻接方阵,构造基于图卷积的多变量海气耦合器。
如图2中A.2模块所示,该模块即为本发明实施例提供的一种多变量海气耦合器模块。该模块的整体计算公式为:
其中,||表示将不同变量的特征级联到一起,A即为根据预选的变量设计的邻接矩阵,β=[b1,…,bN]为动态分配的各个变量注意力权重,N为所选变量个数,fc为依据能量邻接矩阵耦合后的多变量特征。本实施例中利用6×6的全1方阵表示,以表达所选变量之间均存在能量的交互。
优选地,本发明利用了双层图卷积来实现该海气耦合器,图卷积的计算公式为:
其中,P(l+1)为由多变量特征编码模块计算得来的多变量特征按照如图2方式堆叠而来,Θ为神经网络训练参数,K为所考虑的多阶邻居数(即多跳邻居,本发明中选定为3),l={1,2}为层数,L为根据邻接矩阵A计算而来的拉普拉斯矩阵,其计算公式为:
其中,In为单位方阵,D为每个变量的邻居数(包含自身)。
优选地,本发明设计了一种变量注意力权重β来动态决定不同起报时刻与预测时长下不同变量的贡献度,并且将该变量注意力权重应用于特征输入至多变量海气耦合器之前。该变量注意力权重的计算公式为:
β=softmax(Wβptanh(WpP+bp)+bβp)
其中,Wβp与Wp为神经网络中自监督学习的变换矩阵,bβp与bp为神经网络中自监督学习的偏差矩阵。
A.3.分别构建多变量特征解码模块;
如图2中A.3模块所示,该模块即为本发明实施例提供的一种多变量特征解码模块。该模块的整体计算公式为:
其中,为特征编码器解析的多变量特征(i={海表面温度,经向风,纬向风,降雨,云中水汽含量,空气中水汽含量},所选变量是本发明一部分举例,而不是全部)。为多变量特征图中对应变量的特征,为对应变量的预测结果。针对不同变量分别构建各自的特征解码器。图2中的实施例提供了一种特征解码器decoderi(·的构建方式,即利用堆叠的Transform Convolution层与上采样层搭建。
优选地,在特征编码器A.1与特征解码器A.3之间也制定了不同尺寸的跳跃连接。该跳跃连接将编码器中由时间注意力权重α聚合的变量特征直接传递并级联至相应的解码器层中,该举措维护了特征的一致性,可以使特征可靠地还原为预测结果。
B)ENSO智能预测模型的训练,包括以下步骤:
B.1.根据选定与ENSO有关的多变量海气资料,构造海气数据集;
该初始气象资料可以为观测的气象资料或者通过第三方服务获取到的初始气象资料,例如可以是获取到的全球天气预报系统(Global Forecasting System,GFS)预测的初始气象资料,再例如,还可以获取观测站点的实际观测资料作为初始气象资料。
优选地,本发明实施例的物理要素格点数据的范围为(40°N-40°S,160°E-90°W),分辨率为0.25°。
B.2.对不同海气数据集中的不同物理变量,分别进行数据预处理;
优选地,本发明实施例使用以下公式对不同海气数据集分别进行数据预处理:
其中,xmin与xmax分别为各海气要素格点数据的最小值与最大值,x*为数据预处理后结果,x为海气数据集中的数据。
B.3.按照0.9:0.1的比例划分数据集,利用前者部分进行充分的模型训练,利用后者部分进行模型测试;
优选地,本发明实施例使用以下公式作为模型训练的代价函数l,引导模型充分训练:
C)ENSO智能预测模型的预测,包括以下步骤:
C.1.基于起报时间的多变量初始气象资料,确定预测初始场,并进行与步骤B.2相同的数据预处理,充当ENSO智能预测模型的输入;
C.2.将数据预处理后的预测初始场输入至ENSO智能预测模型的特征编码模块A.1进行特征编码,确定多变量特征;
C.3.将多变量特征按照多变量特征交互图的方式在ENSO智能预测模型的多变量海气耦合器A.2中进行耦合演化,获取海气多变量交互后特征;
C.4.将海气多变量交互后特征输入ENSO智能预测模型中的特征解码模块A.3进行解码,并进行多变量数据后处理,得到ENSO多变量格点预测结果;
优选地,根据B.2中的数据预处理,本发明实施例使用以下公式进行其逆过程,以获得可理解的预测结果:
C.5.根据ENSO多变量格点预测结果,计算ENSO相关的多种指数及评价指标。
优选地,本发明实施例利用及指数判别ENSO事件是否发生,以及发生事件的种类、强度和持续时间等内在性质。其计算方法均为固定区域内海表面温度异常的平均值。指数覆盖范围为(5°N-5°S,150°W-90°W),指数覆盖范围为(5°N-5°S,160°E-150°W),指数覆盖范围为(5°N-5°S,170°W-120°W)。
本发明实施例在构建ENSO智能预测模型时,显式地融入了先验的ENSO动力知识,尤其是在构建基于图卷积的多变量海气耦合器的过程中,考虑了复杂的ENSO动力机制和Walker环流特征。相比于一般的、朴素的ENSO深度学习预测模型(如只使用单一变量预测ENSO或简单的堆砌多变量的模型)具备更加优异的可解释性和泛化能力,可以有效提升ENSO预测的准确性,提高ENSO预测技巧。同时,从模型的运行角度看,本发明实施例设计的深度学习模型较传统动力学模型可以节约大量的计算资源。
另一方面,本发明实施例还提供一种基于多变量海气耦合器的ENSO预测装置,其结构如图3所示,该装置包括:
D.1.第一确定模块,该模块用于基于起报时间的初始气象资料、预报时长,确定预测初始场;
优选地,本发明实施例验证各海气要素的输入序列长度为3个月时,模型的性能和资源占用达到最优平衡。
D.2.数据预处理模块,该模块用于将预测初始场转换为模型规定的输入格式;
D.3.预测模块,该模块用于将输入数据传输至ENSO智能预测模型,并运行模型,得到预测结果;
优选地,本发明实施例采用迭代预测的策略进行长时序预测,其行为如图4所示,即将次月的预测结果添加至输入中,进而迭代进行ENSO多变量预测。
D.4.结果采集模块,该模块用于后处理模型的输出,将输出数据转化为可理解的气象格点数据及多种ENSO指数与量化的评价指标。
本发明实施例提供的ENSO智能预测装置,与上述实施例提供的基于多变量海气耦合器的ENSO预测方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明提供的基于多变量海气耦合器的ENSO预测方法及装置。通过基于起报时间的多变量初始气象资料,利用数据预处理方法,确定预测初始场;将初始预测场输入至ENSO智能预测模型,并运行模型以得到多变量预测结果;将ENSO智能预测模型输出的多变量预测结果进行数据后处理,得到海气多要素预测格点数据,并以此计算ENSO相关的多种指数及量化的评价指标。综上,本发明设计的ENSO智能预测模型,可以有效提升ENSO预测准确性。
本发明实施例还提供一种计算机设备E,可用于运行基于多变量海气耦合器的ENSO预测方法。如图5所示,其包括:存储器E.1、处理器E.2、图形计算卡E.3和总线,存储器E.1存储有处理器E.2和图形计算卡E.3可执行的机器可读指令,当计算机设备E运行时,处理器E.2、图形计算卡E.3与存储器E.1之间通过总线通信,处理器E.2和图形计算卡E.3共同执行机器可读指令,以执行如上述基于多变量海气耦合器的ENSO预测方法的步骤。
具体地,上述存储器E.1、处理器E.2和图形计算卡E.3能够为通用的存储器、处理器和图形计算卡,这里不做具体限定,当处理器E.2和图形计算卡E.3运行存储器E.1存储的计算机程序时,能够运行上述基于多变量海气耦合器的ENSO预测方法。图形计算卡E.3执行与ENSO智能预测模型有关的指令,处理器E.2执行其他控制类指令,如对输入与输出流的控制。
对应于上述基于多变量海气耦合器的ENSO预测方法,本发明实施例还提供了一种计算机可读存储介质,可用于存储基于多变量海气耦合器的ENSO预测模型。计算机可读存储介质存储有机器可运行指令,计算机可运行指令在被处理器调用和运行时,计算机可运行指令促使处理器运行上述基于多变量海气耦合器的ENSO预测方法的步骤。
本发明实施例所提供的基于多变量海气耦合器的ENSO预测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例移动控制方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”仅用于区分描述,而不能理解为指示或暗示相对重要性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.基于多变量海气耦合器的ENSO预测方法,其特征在于,包括:
1)获取与ENSO关联的多要素海气气象信息,构建基于多变量海气耦合器的ENSO智能预测模型;
2)对构建的ENSO智能预测模型进行训练;
3)确定模型输入数据并对数据进行预处理,将预处理后的数据通过ENSO智能预测模型进行ENSO预测。
2.根据权利要求1所述的基于多变量海气耦合器的ENSO预测方法,其特征在于,步骤1)中,构建ENSO智能预测模型的具体步骤包括:
11)选定与ENSO关联的多要素海气气象信息,分别为各信息构建多变量特征编码模块;
12)基于ENSO海气耦合特点,确定海气多要素间的能量交互,利用邻接方阵表示变量间的能量交互,并根据邻接方阵构造基于图卷积的多变量海气耦合器;
13)为选定的多变量海气要素分别构建特征解码模块。
3.根据权利要求2所述的基于多变量海气耦合器的ENSO预测方法,其特征在于,步骤2)的具体步骤包括:
21)根据获取的与ENSO关联的多要素海气气象信息,构造海气数据集;
22)对不同海气数据集中的不同物理变量,分别进行数据预处理;
23)将预处理后的数据集划分为训练集及测试集,利用训练集对构建的ENSO智能预测模型进行训练。
4.根据权利要求3所述的基于多变量海气耦合器的ENSO预测方法,其特征在于,步骤3)的具体步骤包括:
31)确定起报时间,基于起报时间的多变量初始气象信息,确定预测初始场,并执行与步骤22)相同的数据预处理,处理后的数据作为ENSO智能预测模型的输入数据;
32)将数据预处理后的预测初始场输入至ENSO智能预测模型的多变量特征编码模块进行特征编码,确定多变量特征;
33)将多变量特征在多变量海气耦合器中按照多变量特征交互图的方式进行耦合演化,获取海气多变量交互后特征;
34)将海气多变量交互后特征输入ENSO智能预测模型中的特征解码模块进行解码,并进行多变量数据后处理,得到ENSO多变量格点预测结果,随后以迭代预测的方式预测ENSO长期发展;
35)根据ENSO多变量格点预测结果,计算ENSO相关的多种指数及评价指标。
5.根据权利要求2所述的基于多变量海气耦合器的ENSO预测方法,其特征在于,构建多变量特征编码模块的表达式为:
式中,si为初始海气要素场,i为海气要素所选变量,α为动态分配的时间注意力权重,表示Hadamard积,为特征编码器解析得到的多变量特征,encoderi(·)表示特征编码器,该特征编码器利用堆叠的Convolution LSTM层与MaxPool层搭建;
构建多变量特征解码模块的表达式为:
8.基于多变量海气耦合器的ENSO预测装置,其特征在于,该装置包括:
确定模块,基于起报时间的初始气象资料和预报时长,确定预测初始场;
数据预处理模块,将预测初始场转换为模型规定的输入格式;
预测模块,将输入数据传输至ENSO智能预测模型,并运行模型,获取预测结果;
结果采集模块,对模型的输出进行后处理,将输出数据转化为气象格点数据及多种ENSO指数与量化的评价指标。
9.一种计算机设备,其特征在于,包括:处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1-7中任一项所述的基于多变量海气耦合器的ENSO预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于多变量海气耦合器的ENSO预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285136.6A CN114779368A (zh) | 2022-03-22 | 2022-03-22 | 基于多变量海气耦合器的enso预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210285136.6A CN114779368A (zh) | 2022-03-22 | 2022-03-22 | 基于多变量海气耦合器的enso预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114779368A true CN114779368A (zh) | 2022-07-22 |
Family
ID=82426013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210285136.6A Pending CN114779368A (zh) | 2022-03-22 | 2022-03-22 | 基于多变量海气耦合器的enso预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779368A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633441A (zh) * | 2024-01-24 | 2024-03-01 | 航天宏图信息技术股份有限公司 | 海表面温度数据的填补与修正方法、装置和电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020131187A2 (en) * | 2018-09-26 | 2020-06-25 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
CN112949178A (zh) * | 2021-03-01 | 2021-06-11 | 中国石油大学(华东) | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 |
WO2021224720A1 (en) * | 2020-05-08 | 2021-11-11 | International Business Machines Corporation | Determining multivariate time series data dependencies |
-
2022
- 2022-03-22 CN CN202210285136.6A patent/CN114779368A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020131187A2 (en) * | 2018-09-26 | 2020-06-25 | Sofar Ocean Technologies, Inc. | Ocean weather forecasting system |
WO2021224720A1 (en) * | 2020-05-08 | 2021-11-11 | International Business Machines Corporation | Determining multivariate time series data dependencies |
US20210350225A1 (en) * | 2020-05-08 | 2021-11-11 | International Business Machines Corporation | Determining multivariate time series data dependencies |
CN112949178A (zh) * | 2021-03-01 | 2021-06-11 | 中国石油大学(华东) | 基于深度学习的海面风场风速智能预测预报系统、计算机设备、存储介质 |
Non-Patent Citations (1)
Title |
---|
BIN MU ET AL.: "ENSO-ASC 1.0.0: ENSO deep learning forecast model with a multivariate air–sea coupler", GEOSCIENTIFIC MODEL DEVELOPMENT, pages 6979 - 6985 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117633441A (zh) * | 2024-01-24 | 2024-03-01 | 航天宏图信息技术股份有限公司 | 海表面温度数据的填补与修正方法、装置和电子设备 |
CN117633441B (zh) * | 2024-01-24 | 2024-05-10 | 航天宏图信息技术股份有限公司 | 海表面温度数据的填补与修正方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jung et al. | Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN115271181A (zh) | 一种基于多模态数据融合的台风概率预报智能方法及装置 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
Gairaa et al. | Contribution of ordinal variables to short-term global solar irradiation forecasting for sites with low variabilities | |
CN114861530A (zh) | 一种enso智能预测方法、装置、设备及存储介质 | |
CN114779368A (zh) | 基于多变量海气耦合器的enso预测方法、装置、设备及介质 | |
Yang et al. | Long-term prediction of significant wave height based on SARIMA model in the South China Sea and adjacent waters | |
CN114444757A (zh) | 一种高原山地多模型多尺度新能源电站出力联合预测方法 | |
CN115081307A (zh) | 一种基于神经网络的气象数值模式同化方法及装置 | |
CN115099318A (zh) | 一种风速时空预测网络的训练方法、应用方法及电子设备 | |
CN116108995A (zh) | 感潮河段船舶油耗预测方法、装置及电子设备 | |
CN107330538B (zh) | 一种气候变化条件下水库适应性调度规则编制的方法 | |
Ruan et al. | Accurately forecasting solar radiation distribution at both spatial and temporal dimensions simultaneously with fully-convolutional deep neural network model | |
Sun et al. | Multivariate short-term wind speed prediction based on PSO-VMD-SE-ICEEMDAN two-stage decomposition and Att-S2S | |
Kisi et al. | Wind speed prediction by using different wavelet conjunction models | |
Lei et al. | Forecasting short-term residential electricity consumption using a deep fusion model | |
Mendes et al. | Very short-term wind power forecasting: state-of-the-art | |
Dufek et al. | Data-driven symbolic ensemble models for wind speed forecasting through evolutionary algorithms | |
CN116522648A (zh) | 湖泊藻类状态预测方法及应用 | |
CN115630731A (zh) | 带有自注意力机制和门控基于图像的风功率短期预测方法及系统 | |
CN114386332A (zh) | 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质 | |
CN114997490A (zh) | 温度廓线预测模型的构建方法、预测方法、装置及设备 | |
CN114418167A (zh) | 一种基于高原山地多元气象新能源发电功率预测优化方法 | |
Dong et al. | A hybrid prediction model for wind speed using support vector machine and genetic programming in conjunction with error compensation |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220722 |