CN115061222A - 一种气候预测方法、计算机设备及存储介质 - Google Patents
一种气候预测方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN115061222A CN115061222A CN202210640585.8A CN202210640585A CN115061222A CN 115061222 A CN115061222 A CN 115061222A CN 202210640585 A CN202210640585 A CN 202210640585A CN 115061222 A CN115061222 A CN 115061222A
- Authority
- CN
- China
- Prior art keywords
- climate
- prediction
- correlation
- information
- area
- 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 51
- 238000012216 screening Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 4
- 238000001556 precipitation Methods 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000237536 Mytilus edulis Species 0.000 description 3
- 235000020638 mussel Nutrition 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
Landscapes
- Environmental & Geological Engineering (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于气候预测技术领域，提供了一种气候预测方法、计算机设备及存储介质，包括获取第一气候信息；通过气候预测模型对所述第一气候信息进行处理，以生成目标区域气候信息；本发明通过气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度确定气候数值模式预测的全球高低层多种气候要素场上的高相关区域，并以气候数值模式每年对于这些高相关区域的气候要素预测的区域平均值作为预测因子进行回归建模，实现了对于高相关区域的自动筛选，不但提高了对于高相关区域的筛选效率，并且其筛选过程去除了人工筛选所带来的主观因素的影响，具有更强的客观性，进而使由其所建立的气候预测方程具有更高的预测准确性。
Description
技术领域
本发明属于气候预测技术领域，尤其涉及一种气候预测方法、计算机设备及存储介质。
背景技术
气候预测就是根据过去气候的演变规律，推断未来某一时期内气候发展的可能趋势。由于气候有各种时间尺度的变化，从预测几十年以内的短期气候变化到预测万年以上冰期和间冰期的气候变迁，都属于气候预测的范畴。
模式环流降尺度预测法是一种常用的气候预测方法，而该方法需要在气候数值模式预测的类型众多的全球环流场中选择特定的环流区，并将该特定的环流区的环流要素预测值作为台站气候要素的预测因子，以对台站的气候要素进行预测；然而，当前的模式环流降尺度预测法中的环流区的选定主要依靠人为主观确定，并且由该环流区所确定的预测因子比较单一。
因此，现有的气候预测方法的存在预测精度低的问题。
发明内容
本发明实施例的目的在于提供一种气候预测方法，旨在解决现有的气候预测方法的存在预测精度低的问题。
本发明实施例是这样实现的，一种气候预测方法，包括：
获取第一气候信息，所述第一气候信息为在预设的气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相似程度达到设定水平的高相关区域在目标预测时间范围的气候预测信息；
通过气候预测模型对所述第一气候信息进行处理，以生成目标区域气候信息；所述气候预测模型为：通过气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度确定所述高相关区域，并依据所述高相关区域在所述目标预测时间范围之前和/或之后的气候预测信息生成的预测模型；所述气候要素场为气候要素在全球图上的分布，所述气候预测信息为气候数值模式对所述气候要素的预测。
本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述气候预测方法的步骤。
本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述气候预测方法的步骤。
本发明实施例提供的一种气候预测方法，包括获取第一气候信息；通过气候预测模型对所述第一气候信息进行处理，以生成目标区域气候信息；本发明通过气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度确定气候数值模式预测的全球高低层多种气候要素场上的高相关区域，并以气候数值模式每年对于这些高相关区域的气候要素预测的区域平均值作为预测因子进行回归建模，实现了对于高相关区域的自动筛选，不但提高了对于高相关区域的筛选效率，并且其筛选过程去除了人工筛选所带来的主观因素的影响，具有更强的客观性，进而使由其所建立的气候预测方程具有更高的预测准确性。
附图说明
图1为本发明实施例提供的一种气候预测方法的流程图；
图2为本发明实施例提供的一种气候预测方法的建立气候预测模型流程图；
图3为本发明实施例提供的一种气候预测方法的确定高相关区域流程图；
图4为本发明实施例提供的一种气候预测方法的回归建模流程图；
图5为本发明实施例提供的一种气候预测方法的气候预测模型筛选流程图；
图6为本发明实施例提供的一种气候预测方法的全球区域图；
图7为本发明实施例提供的一种气候预测方法的经纬网格图；
图8为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
本发明实施例提供的一种气候预测方法需通过计算机设备来实现，计算机设备可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器；终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等，但并不局限于此；所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明所提出的气候预测方法的各个步骤；该计算机设备还包括网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器执行气候预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行气候预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
如图1所示，在一个实施例中，提出了一种气候预测方法，本实施例主要以该方法应用于上述计算机设备来举例说明；一种气候预测方法，具体可以包括以下步骤：
步骤S102，获取第一气候信息，所述第一气候信息为在预设的气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相似程度达到设定水平的高相关区域在目标预测时间范围的气候信息；
在本发明实施例中，数值模式预测的区域为数值模式对气温、降水、气压、湿度、风速等气候信息预测值的区域，一般在水平尺度上为全球区域，垂直方向上有多层，具体层次在此不作具体限定；目标区域为依据气候预测模型进行气候预测的区域，目标区域的范围可以是一个村、一个县、一个市或者其它大小的范围，此为可选择的具体实现方式，在此不作具体限定；设定水平可以是置信度或者其它类型的相关度衡量参数，此为可选择的具体实现方式，在此不作具体限定；高相关区域为与目标区域的气候信息相关度达到一个预设值的区域，高相关区域的气候信息可用于表征目标区域的气候信息，比如对于气候信息某月降水量，将与目标区域的区域平均降水量的相关系数置信度达到95％的区域视为高相关区域；气候特征通过气候要素表征，气候要素可以是气温、降水、风速、气压或者湿度，此为可选择的实现方式，在此不作限定；气候信息包括各个气候要素在目标预测时间范围的平均值、总量、频率、极值、变率、各种天气现象的日数、某些气象要素的持续日数等；目标预测时间范围的长度可以是一个月、一年或者其它长度的时间范围，此为可选择的具体实现方式，在此不作具体限定。
步骤S104，通过气候预测模型对所述第一气候信息进行处理，以生成目标区域气候信息，所述气候预测模型为：通过气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度确定所述高相关区域，并依据所述高相关区域在所述目标预测时间范围之前和/或之后的气候预测信息生成的预测模型，所述气候要素场即气候要素在全球图上的分布，所述气候预测信息为气候数值模式对所述气候要素的预测。
在本发明实施例中，目标预测时间范围可以是一个月，一个季度，一年或者其它长度的时间范围，此为可选的具体实施方式，在此不作限定；以一年为例，若当前年份为2021年，数据库中所存储的气候信息为1980年至2020年的目标区域气候信息数据和1980年至2021年气候数值模式的气候预测信息，若目标预测时间范围为2021年，则取高相关区域在1980年至2020年的气候信息和气候数值模式的气候预测信息建立气候预测模型，并将2021年的气候数值模式的气候预测信息带入气候预测模型，得到目标区域的气候信息预测值；若目标预测时间范围为2008年，则取高相关区域在1980年至2007年，以及2009年至2020年的气候信息建立气候预测模型。
气候预测模型基于高相关区域的气候信息数据生成，其输入的第一气候信息为气候数值模式对所述高相关区域的气候信息预测值，其预测结果表征的是目标区域的气候特征，由于气候数值模式每年对高相关区域气候特征的预测与目标区域的多年气候特征具备(比如对于气候数值模式每年预测的气候信息850hPa气温场，将与目标区域每年的降水量的相关系数置信度达到95％的区域视为高相关区域，目标区域降水量与高相关区域的气温高度相关)，该气候预测模型的预测结果用于表征目标区域的气候特征具有高度的可靠度；再者，通过对目标区域气候特征与气候数值模式预测的全球高低层多种气候要素场进行相关度计算，并将计算结果与预设的相关度标准值进行对比以在气候数值模式预测的全球高低层多种气候要素场上筛选出达标的高相关区域，此过程具有高度的客观性，避免了人为选择高相关区域时容易发生的主观误判的问题，其筛选结果保证了与目标区域的强关联性，进而保证了该气候预测模型对于目标区域的气候预测准确性。
在一个实施例中，如图2所示，所述气候预测模型的构建方法包括如下步骤：
步骤S202，确定所述目标区域气候特征与气候数值模式预测的全球高低层多种气候要素场的相关度，所述相关度通过所述目标区域的历史气候要素值与相应年份气候数值模式预测的全球高低层多种气候要素场的相关系数表征；
在本发明实施例中，相关系数为皮尔逊相关系数，用于度量两个变量X和Y之间的相关性(线性相关)，其值介于-1与1之间，在本实施中令目标区域的气候信息为X，非目标区域的气候信息为Y；相关系数的值为1表示X和Y可以精确的由直线方程来描述，所有的数据点都精确的落在一条直线上，且X随着Y的增加而增加。系数的值为-1表示所有的数据点都落在直线上，且Y随着X的增加而减少，相关系数的值为0意味着两个变量之间没有线性关系；由于同一区域在不同的气压高度具有不同的气候特征，并且不同的地势类型也会对气候环流造成影响，根据预设参数，从气候数值模式的预测数据中取若干个等压层，再在其中取若干个气候要素场，比如200hPa位势高度(H200)场、500hPa位势高度(H500)场、200hPa纬向和经向风速场(U200和V200)、850hPa纬向和经向风速场(U850和V850)，再将每年气候数值模式对这些等压层的气候要素的预测信息分别与目标区域的历史气候要素值进行相关系数计算。
步骤S204，依据所述气候特征相关度在各个所述气候数值模式预测的全球高低层多种气候要素场中筛选出若干所述高相关区域；
在本发明实施例中，如图3所示，步骤S204具体包括一下步骤：
步骤S302，判定气候数值模式预测的全球高低层多种气候要素场上每一处对应的相关系数的置信度；
相关系数的置信度为在对相关系数的显著性进行t检验时，认为相关系数显著这一结论为正确的可能性。
步骤S304，在气候数值模式预测的全球高低层多种气候要素场上，取置信度达到设定水平的区域作为所述高相关区域。
气候数值模式预测的区域为全球区域，如图6所示，引入全球区域图，并在全球区域图上建立经纬网格，经纬网格是将地球椭球面上的经线和纬线，按预设的经度间隔和维度间隔描绘到平面上的网格，如图7所示，在经纬网格上建立坐标系，每个网格点在网格坐标系中均具有对应的网格坐标(ix，iy)，且每个网格坐标都一一对应着经纬度坐标(经度，纬度)，随着ix由小到大变化，经度由西向东变化，随着iy由小到大变化，纬度由南向北变化，例如黑色圆点的网格坐标为(2，2)，代表的经纬度坐标为(2.5°E，-85°S)，黑色三角点的网格坐标为(144，71)，代表的经纬度坐标为(-2.5°W，85°N)；针对每一个气候数值模式预测的气候要素场，利用双线性插值法分别将其中每一处的气候要素的预测值与目标区域相应年份历史气候特征的相关系数插值到等经纬网格的对应网格点，形成相关系数场(相关系数场即相关系数在全球区域图上的分布)，并将达到预设置信度(比如95％，此为可选择的具体实施值，在此不作限定)的网格点进行标记，并将被标记的网格点所围成的网格区域用阴影表示，并最终令阴影区域为高相关区域，其中，将阴影区域所覆盖范围小于8个网格点的高相关区域剔除，以去除局部小区域的气候信息极端值对于整体预测结果的影响。
步骤S206，依据所述高相关区域的影响指数确定预测因子，所述影响指数表征所述高相关区域的气候信息对于预测所述目标区域的气候信息的影响程度，所述预测因子为首先读取出气候数值模式在所述目标预测时间范围之前和/或之后的对所述影响指数达到设定标准的高相关区域的气候要素预测，再对这些高相关区的气候要素预测求区域平均值；
在本发明实施例中，所述影响指数由下式得到：
其中，Si为影响指数，sqrt()为取平方根运算，abs()为取绝对值运算，m为高相关区域所涉及的网格点的数目，用来表示所述高相关区域的范围大小；
为高相关区域所涉及的网格点对应的相关系数的平均值。
得到各个高相关区域的影响系数后，按照影响系数的高低对各个高相关区域进行排序，取排名前k(k的值为可选择的具体实施值，在此不作限定)的高相关区域在所述目标预测时间范围之前和/或之后的气候要素预测的区域平均值为预测因子。
步骤S208，依据所述预测因子生成所述气候预测模型。
在本发明实施例中，如图3所示，步骤S208具体包括以下步骤：
步骤S402，对各个所述预测因子进行组合，以得到若干预测因子组；
在本发明实施例中，若预测因子的个数为k个，每个预测因子均有被选入或不被选入回归方程两种可能存在，因此k个预测因子所有可能的组合就有2k-1个(除去方程一个预测因子也不含的情况)，即能够产生2k-1个预测因子组。
步骤S404，对每个所述预测因子组进行回归建模，以得到若干回归模型；
在本发明实施例中，对每个所述预测因子组进行回归建模，采用最小二乘法求得回归方程的系数，从而得到每个预测因子组所对应的回归模型。
步骤S406，从若干所述回归模型中筛选出所述气候预测模型。
在本发明实施例中，如图5所示，步骤S406具体包括一下步骤：
步骤S502，分别确定各个所述回归模型的预测信息与所述目标区域的历史气候信息的偏差程度；
在本发明实施例中，回归模型预测的气候信息与所述目标区域的历史气候信息的偏差程度通过平均残差平方和表征，其定义为：
其中，Qk为目标区域历史气候要素值与用回归模型预测得到的预测值的残差平方和，k为预测因子的个数，n为年数，t为在n年中的第t年，x1t…xkt为预测因子，b1…bk为回归方程系数，Qk为台站气候要素实际值与预测值的残差平方和，其中：
其中，yt为第t年的气候要素实际值；
步骤S504，令偏差程度最小时对应的回归模型作为所述气候预测模型。
在本发明实施例中，将计算得到的
值按从小到大的顺序排列，取
值最小时所对应的回归模型作为气候预测模型。
在一个实施例中，所述气候预测模型的表达式如下：
Ra＝a0+a1X1+a2X2+…+anXn (4)
其中，Ra为所述目标区域气候信息，a0，…，an为回归系数，X1，…，Xn为所述预测因子。
比如，以蚌埠作为目标区域，对其2019年的降水距平百分率进行预测，数据库中所存储的气候信息为1991年至2018年的目标区域气候信息数据和1991年至2019年的气候数值模式预测的高低层多种气候要素场，依据1991年至2018年目标区域的气候信息和气候数值模式预测的全球高低层多种气候要素场进行建模，得到预测2019年降水距平百分率的气候预测模型如下：
Ra1＝-2.38+32.26X1-9.80X2-27.32X3-14.90X4 (5)
其中，Ra1为蚌埠降水距平百分率预测值，X1，…，X4为降水距平百分率预测因子，将气候数值模式预测的2019年这些因子的值代入这一预测模型，即可得到2019年蚌埠站的降水距平百分率预测值；
距平是指某年某气候要素值与其多年平均值的差，距平百分率反映了某年某气候要素值相对于其多年平均值的偏离程度，其中距平的计算公式如下：
其中，Xat代表第t年某气候要素值的距平，Xt代表第t年某气候要素值，
为某气候要素值的多年平均值；
距平百分率的计算公式如下：
其中，Xbt为第t年某气候要素值的距平百分率。
在本发明实施例中，通过在气候数值模式预测的高低层多个气候要素场上取若干个等压面上的若干个气候要素场，并将它们分别与目标区域的预测对象值的历史数据进行相关系数计算，实现了对目标区域以及气候数值模式预测的气候要素场的多个维度的相关度比较，进一步扩大了计算样本，提升了所确定的高相关区域的客观性；再者，通过引入影响系数，实现了在高相关区域中对于预测因子的初步筛选，减少了后期对于回归建模的运算量，并且在对各个筛选出来的影响因子进行回归建模时通过引入平均残差平方和筛选出了预测结果与实际值相差最小的回归模型，并将其作为预测模型，大大提升了对于气候的预测准确性。
本发明还提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取第一气候信息，所述第一气候信息为在预设的气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相似程度达到设定水平的高相关区域在目标预测时间范围的气候预测信息；
通过气候预测模型对所述第一气候信息进行处理，以生成目标区域气候信息，所述气候预测模型为：通过气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度确定所述高相关区域，并依据所述高相关区域在所述目标预测时间范围之前和/或之后的气候预测信息生成的预测模型，所述气候要素场为气候要素在全球图上的分布，所述气候预测信息为气候数值模式对所述气候要素的预测。
其中，该计算机设备还包括网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现气候预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行气候预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取第一气候信息，所述第一气候信息为在预设的气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相似程度达到设定水平的高相关区域在目标预测时间范围的气候预测信息；
通过气候预测模型对所述第一气候信息进行处理，以生成目标区域气候信息，所述气候预测模型为：通过气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度确定所述高相关区域，并依据所述高相关区域在所述目标预测时间范围之前和/或之后的气候预测信息生成的预测模型，所述气候要素场为气候要素在全球图上的分布，所述气候预测信息为气候数值模式对所述气候要素的预测。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种气候预测方法，其特征在于，包括：
获取第一气候信息，所述第一气候信息为在预设的气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相似程度达到设定水平的高相关区域在目标预测时间范围的气候预测信息；
通过气候预测模型对所述第一气候信息进行处理，以生成目标区域气候信息；所述气候预测模型为：通过气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度确定所述高相关区域，并依据所述高相关区域在所述目标预测时间范围之前和/或之后的气候预测信息生成的预测模型，所述气候要素场为气候要素在全球图上的分布；所述气候预测信息为气候数值模式对所述气候要素的预测。
2.根据权利要求1所述的方法，其特征在于，所述气候预测模型的构建方法包括如下步骤：
确定所述气候数值模式预测的全球高低层多种气候要素场与目标区域气候特征的相关度，所述相关度通过所述目标区域的历史气候要素值与相应年份气候数值模式预测的全球高低层多种气候要素场的相关系数表征；
依据所述气候特征相关度在各个所述气候数值模式预测的气候要素场上筛选出若干所述高相关区域；
依据所述高相关区域的影响指数确定预测因子；所述影响指数表征气候数值模式在所述高相关区域的气候预测信息对于预测所述目标区域的气候信息的影响程度；所述预测因子为首先读取出气候数值模式在所述目标预测时间范围之前和/或之后的对所述影响指数达到设定标准的高相关区域的气候要素预测，再对这些高相关区的气候要素预测求区域平均值；
依据所述预测因子生成所述气候预测模型。
3.根据权利要求2所述的方法，其特征在于，依据所述气候特征相关度在所述气候数值模式预测的全球高低层多种气候要素场上筛选出若干所述高相关区域，包括：
在气候数值模式预测的全球高低层多种气候要素场上，判定每一处对应的相关系数的置信度；
在气候数值模式预测的全球高低层多种气候要素场上，取相关系数的置信度达到设定水平的区域作为所述高相关区域。
4.根据权利要求2所述的方法，其特征在于，所述影响指数由下式得到：
其中，Si为影响指数，sqrt()为取平方根运算，abs()为取绝对值运算，
表示所述高相关区域对应的相关系数，m为所述高相关区域的范围参数，用于表示所述高相关区域的面积。
5.根据权利要求2所述的方法，其特征在于，所述依据所述预测因子生成所述气候预测模型，包括：
对各个所述预测因子进行组合，以得到若干预测因子组；
对每个所述预测因子组进行回归建模，以得到若干回归模型；
从若干所述回归模型中筛选出所述气候预测模型。
6.根据权利要求5所述的方法，其特征在于，所述从若干所述回归模型中筛选出所述气候预测模型，包括：
分别确定各个所述回归模型的预测信息与所述目标区域的历史气候信息的偏差程度；
令偏差程度最小时对应的回归模型作为所述气候预测模型。
7.根据权利要求1～6任意一项权利要求所述的方法，其特征在于，所述气候预测模型的表达式如下：
Ra＝a0+a1X1+a2X2+…+anXn (2)
其中，Ra为所述目标区域气候信息，a0，…，an为回归系数，X1，…，Xn为所述预测因子。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述气候预测方法的步骤。
9.一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有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述气候预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210640585.8A CN115061222A (zh) | 2022-06-07 | 2022-06-07 | 一种气候预测方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210640585.8A CN115061222A (zh) | 2022-06-07 | 2022-06-07 | 一种气候预测方法、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115061222A true CN115061222A (zh) | 2022-09-16 |
Family
ID=83200072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210640585.8A Pending CN115061222A (zh) | 2022-06-07 | 2022-06-07 | 一种气候预测方法、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115061222A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101092380B1 (ko) * | 2011-04-29 | 2011-12-13 | 공주대학교 산학협력단 | 지역기후모델의 모의결과를 고려한 지역기후 앙상블 예측 방법 |
| CN111045117A (zh) * | 2020-01-13 | 2020-04-21 | 黑龙江省气候中心 | 一种气候监测预测平台 |
| CN111401634A (zh) * | 2020-03-13 | 2020-07-10 | 成都信息工程大学 | 一种获取气候信息处理方法、系统、存储介质 |
| CN112949733A (zh) * | 2021-03-12 | 2021-06-11 | 暨南大学 | 故障因子数据的获取方法、装置、电子装置及存储介质 |
| CN114239924A (zh) * | 2021-11-26 | 2022-03-25 | 北京三快在线科技有限公司 | 基于天气参数的影响指数确定方法及装置 |
-
2022
- 2022-06-07 CN CN202210640585.8A patent/CN115061222A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101092380B1 (ko) * | 2011-04-29 | 2011-12-13 | 공주대학교 산학협력단 | 지역기후모델의 모의결과를 고려한 지역기후 앙상블 예측 방법 |
| CN111045117A (zh) * | 2020-01-13 | 2020-04-21 | 黑龙江省气候中心 | 一种气候监测预测平台 |
| CN111401634A (zh) * | 2020-03-13 | 2020-07-10 | 成都信息工程大学 | 一种获取气候信息处理方法、系统、存储介质 |
| CN112949733A (zh) * | 2021-03-12 | 2021-06-11 | 暨南大学 | 故障因子数据的获取方法、装置、电子装置及存储介质 |
| CN114239924A (zh) * | 2021-11-26 | 2022-03-25 | 北京三快在线科技有限公司 | 基于天气参数的影响指数确定方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 金秀良 等: "应用北半球大气环流系统预测中国降水量和气温", 气象科技, 15 December 2014 (2014-12-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
| CN116128099B (zh) * | 2022-11-28 | 2023-09-12 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lussana et al. | seNorge_2018, daily precipitation, and temperature datasets over Norway | |
| CN110490608B (zh) | 风险评估方法、装置、计算机设备和存储介质 | |
| Singh et al. | Data assimilation for constructing long-term gridded daily rainfall time series over Southeast Asia | |
| CN111505740B (zh) | 气象预测方法、装置、计算机设备和存储介质 | |
| Jalili Pirani et al. | Geostatistical and deterministic methods for rainfall interpolation in the Zayandeh Rud basin, Iran | |
| Longman et al. | Characterizing the uncertainty and assessing the value of gap-filled daily rainfall data in Hawaii | |
| CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
| Tyralis et al. | On the prediction of persistent processes using the output of deterministic models | |
| CN112699951B (zh) | 降水数据融合方法、装置、终端设备及可读存储介质 | |
| Galanis et al. | Wave height characteristics in the north Atlantic ocean: a new approach based on statistical and geometrical techniques | |
| Teegavarapu et al. | Optimal selection of predictor variables in statistical downscaling models of precipitation | |
| CN113592165A (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
| CN115061222A (zh) | 一种气候预测方法、计算机设备及存储介质 | |
| CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
| CN110532437B (zh) | 电子凭证提示方法、装置、计算机设备及存储介质 | |
| CN116341841A (zh) | 径流预报误差校正方法、装置、设备、介质和程序产品 | |
| Núñez et al. | Resolving regional frequency analysis of precipitation at large and complex scales using a bottom-up approach: The Latin America and the Caribbean Drought Atlas | |
| CN111105076A (zh) | 天气预报数据的生成方法、装置、计算机设备和存储介质 | |
| CN108764553B (zh) | 用户规模预测方法、装置及计算机设备 | |
| Mo et al. | Snow hazard estimation and mapping for a province in northeast China | |
| CN116485034B (zh) | 一种城市排水量预测方法及系统 | |
| Reinhardt et al. | Comparison of different wind data interpolation methods for a region with complex terrain in Central Asia | |
| Baran et al. | Statistical post‐processing of visibility ensemble forecasts | |
| Salvi et al. | Decadal temperature predictions over the continental United States: Analysis and Enhancement | |
| CN110489510B (zh) | 道路数据的处理方法、装置、可读存储介质和计算机设备 |
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 |