CN115204032A - 一种基于多通道智能模型的enso预测方法及装置 - Google Patents

一种基于多通道智能模型的enso预测方法及装置 Download PDF

Info

Publication number
CN115204032A
CN115204032A CN202210557391.1A CN202210557391A CN115204032A CN 115204032 A CN115204032 A CN 115204032A CN 202210557391 A CN202210557391 A CN 202210557391A CN 115204032 A CN115204032 A CN 115204032A
Authority
CN
China
Prior art keywords
enso
prediction
model
channel intelligent
intelligent model
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
Application number
CN202210557391.1A
Other languages
English (en)
Inventor
穆斌
崔悦涵
袁时金
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202210557391.1A priority Critical patent/CN115204032A/zh
Publication of CN115204032A publication Critical patent/CN115204032A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Atmospheric Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于多通道智能模型的ENSO预测方法及装置，用于实现ENSO预测、ENSO早期征兆识别以及目标观测敏感区识别，包括：1)基于ENSO与ENSO相关的大气海洋气象数据相互作用的特点，构建ENSO多通道智能模型并进行训练；2)确定预测目标的初始场并进行预处理，输入训练后的多通道智能模型，对未来ENSO的发展进行预测模拟；3)对于ENSO发生的每一不同类型，选定若干实例，基于ENSO多通道智能模型对每一实例进行显著性分析，获取每种事件类型的初始扰动分布；4)选定若干ENSO典型事件，基于ENSO多通道智能模型进行显著性分析，并通过敏感性实验识别ENSO目标观测敏感区，并计算预报收益。与现有技术相比，本发明具有植性强、计算花销低、准确性高等优点。

Description

一种基于多通道智能模型的ENSO预测方法及装置
技术领域
本发明涉及气象预测及其应用领域，尤其是涉及一种基于多通道智能模型的ENSO预测方法及装置。
背景技术
ENSO(El
Figure BDA0003655458900000011
Southern Oscillation)是地球系统中重要的气候变化现象，可以通过海气耦合以及大气遥相关等过程影响全球的天气和气候变化，对人类经济社会以及自然环境造成重大影响。因此，ENSO实际预测技巧的提高在过去几十年中受到了广泛关注。目前主要基于动力数值模式开展ENSO预测，其核心是基于一系列物理方程模拟大气海洋的变化。同时，为了使预测更加准确，研究人员一方面致力于探索影响ENSO的物理过程，如对ENSO早期信号的识别；一方面不断优化观测策略，如目标观测，其核心是识别敏感区，以指导观测系统的最优配置。然而，由于ENSO系统的复杂性以及动力模式自身的局限性，准确模拟ENSO仍存在瓶颈，且如何在保证高准确率预测结果的同时降低计算和存储资源成为目前亟待解决的问题。
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通道智能模型的ENSO预测方法及装置。
本发明的目的可以通过以下技术方案来实现：
第一方面，本发明提供了一种基于多通道智能模型的ENSO预测方法，用于实现ENSO预测、早期信号识别以及目标观测敏感区识别，该方法包括基于ENSO多通道智能预测模型的构建、预测、早期信号识别及目标观测敏感区识别四个部分：
对于模型构建(记作流程A)，包括以下步骤：
A.1.选定与ENSO相关的海气多变量气象资料，构建多通道编码模块，用于模拟ENSO气候中大气、海表面、次表层过程的相互作用；
A.2.根据预测目标，即赤道太平洋海表温度变化构建特征解码模块；
A.3.设计用于连接编码器与解码器之间的特征传输模块；
A.4.设计适用于ENSO预测问题的目标函数组合。
对于模型预测(记作流程B)，包括以下步骤：
B.1.选定初始场，对不同气象资料中不同变量的初始场序列进行数据预处理，输入ENSO多通道智能预测模型；
B.2.输入初始场，在多通道智能预测模型的编码模块中进行特征提取，确定不同时空尺度上的特征；
B.3.将提取后的特征输入解码模块进行特征还原，得到ENSO相关物理场的未来演化序列；
B.4.根据ENSO相关物理场的预测预测结果，计算与ENSO相关的多种指数及评价指标。
对于ENSO的早期信号识别(记作流程C)，包括以下步骤：
C.1.根据ENSO所发生的不同类型，每种类型选定若干事件实例，将事件的初始场输入ENSO多通道智能模型进行预测，收集预测结果序列作为样本；
C.2.基于显著性分析(一种深度神经网络的可解释性方法)，计算每个样本的显著性图；
C.3.将各类型的ENSO事件(暖事件，包括东太型和中太型事件，以及冷事件)样本所获得的显著性图相加得到复合显著性图，其大值区即为此类型事件的早期信号。
对于ENSO目标观测敏感区识别(记作流程D)，包括以下步骤：
D.1.选定历史上发生的ENSO典型事件，将每个事件的初始场输入ENSO多通道智能模型进行预测，收集预测结果序列作为样本；
D.2.基于显著性分析计算每个样本的显著性图，并将所获得的显著性图进行相加得到复合显著性图；
D.3.根据复合显著性图，定义若干大值区作为参选敏感区，进行敏感性实验，选择敏感性最高的n个区域作为目标观测敏感区；
D.4.根据识别的敏感区，计算预报收益，衡量其选择的有效性。
本发明第二方面，还提供了一种基于多通道智能模型的ENSO预测装置，用于实现ENSO预测、早期信号识别以及目标观测敏感区识别，该装置包括：
E.1.资料预处理模块，用于确定预测初始场，并将数据转换为模型规定的输入格式；
E.2.预测模块，用于将初始场输入多通道智能预测模型，运行模型并得到模拟结果，并将输出结果转化为气象格式数据及各种量化与评价指标；
E.3.早期信号模块，用于将一组初始场输入多通道智能预测模型，运行模型得到预测结果，并基于结果固定模型参数进行反向传播计算，得到初始扰动分布；
E.4.目标观测敏感区识别模块，用于得到初始场的复合扰动分布，并基于敏感性实验识别ENSO敏感区。
本发明提供的基于多通道智能模型的ENSO预测方法及装置，相较于现有技术至少包括如下有益效果：
1)降低计算和存储资源：相比于传统数值模式的ENSO预测系统，本发明构建的多通道智能模型在图形计算设备上2-4小时内即可完成训练，预测时间在数十秒之内，且具有较强的移植性。
2)预测结果准确性高，可用于ENSO可预报性研究：本发明构建的多通道智能模型使ENSO的有效预测长达12个月，对与之相关的海表面温度演化具有准确的模拟能力；显著性图分析方法的结合使得模型不仅可用于未来ENSO的模拟，而且可用于识别ENSO的早期信号，帮助理解ENSO的物理机制和时空特征；还可用于敏感区识别，为目标观测策略提供决策依据。
附图说明
图1为本发明实例提供的基于多通道智能模型的ENSO预测方法的流程示意图；
图2为本发明实例提供的基于多通道结构的ENSO智能预测模型的架构示意图；
图3为本发明实例提供的基于多通道智能模型的ENSO预测装置的结构示意图。
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。
实施例
随着近年来深度学习技术的出现，其为ENSO的预测、早期信号的识别及对观测策略的指导提供了新的思路，可以克服数值模式的内在不足。ENSO作为非线性系统的代表之一，深度学习方法以其对多种要素之间的非线性关系进行自学习的能力，为进一步提升ENSO的模拟水平和预测技巧提供新的思路。近年来，将深度学习技术应用在模式发展、预报预测等问题上已经有了一些成功的案例。
基于此，本发明涉及一种基于多通道智能模型的ENSO预测方法，该方法设计了一种基于多通道结构的ENSO智能预测模型，对ENSO相关的物理场进行模拟预测，以提升现有ENSO气候的预测技巧；并结合显著性分析的方法，利用多通道智能模型设计了一种新的ENSO早期征兆识别方法以及目标观测敏感区识别方法，以促进ENSO可预报性研究的发展，挖掘ENSO发生的潜在物理机制，为加密观测策略提供决策依据。
本发明涉及的基于多通道智能模型的ENSO预测方法的具体流程如图1所示，该流程包括以下四个(A、B、C和D)内容：
A)ENSO多通道智能模型的构建，包括以下步骤：
A.1.选定与ENSO相关的海气多变量气象资料，构建多通道编码模块，用于模拟ENSO气候中大气、海表面、次表层过程的相互作用；
如图2中A.1模块所示，该编码模块即为本实施例提供的多通道编码模块，该模块为海气多变量物理场提供特征融合和特征提取功能，选择与ENSO相关的海气多变量气象资料，包括海表面温度(s)，上层海洋热含量(h)，近地面经向风(wu)及纬向风(wv)(所选变量是本发明一部分举例，而不是全部)。这些多变量初始场输入多通道编码结构，每个变量在其中作为一个通道参与计算。图2中提供的多通道编码由三个编码层组成，每个编码层包括一层convolution LSTM网络和一层MaxPool网络。输入变量在经过每个编码层i后得到此空间尺度上的低阶特征fi l，其中β为动态分配的时间注意力权重。当i为最后一层时，经过一层二维卷积得到整个编码模块提取的高阶特征
Figure BDA0003655458900000041
即多通道编码模块的计算式为：
Figure BDA0003655458900000042
X＝[s,h,wu,wv…]
式中，X为与ENSO相关的海气多变量气象资料的初始场，输入多通道编码结构Ei，每个变量在Ei中为一个通道。β为动态分配的时间注意力权重，初始场在经过第i层编码结构后乘以注意力权重得到每一层编码模块提取的低阶特征fi l，当i为最后一层时，得到整个编码模块提取的高阶特征
Figure BDA0003655458900000051
A.2.根据模拟目标构建特征解码模块。
特征解码模块用于将编码模块所提取高阶特征进行特征恢复，以模拟与ENSO相关物理场在未来的变化，如图2中A.2模块所示，该解码模块的结构与编码模块是对称的，特征解码模块计算公式为：
Figure BDA0003655458900000052
其中，fh为编码模块最后一层提取的高阶特征或由高阶特征在解码过程中得到的特征，fi l为对应的第i层编码器提取的低阶特征。解码模块由三个解码层组成，每个解码层包含一层Upsample网络和一层convolution LSTM网络，每一层将高阶特征和低阶特征进行拼接后再进行计算，可大大提高模型模拟的效率和准确率。经过多层解码结构Di，得到海表面温度的未来模拟结果
Figure BDA0003655458900000053
A.3.设计用于连接编码器与解码器之间的特征传输模块。
为提高解码结构恢复海表面温度场的效率，本发明设计了用于连接编码器与解码器之间的特征传输模块。如图2中A.3模块所示，将每层编码器中提取的低阶特征传递到相应的解码层。考虑到不同时间步的海气特征对ENSO发展的影响不同，本发明设计了一种注意力机制，用于特征传输模块自动学习时间序列上的注意力权重，使用两层全连接，基于自身特征学习权重β(β1,β2,…,βt)，代表学习到的每个时间步的特征对预测目标的贡献。通过将每个时间步的特征与相应的权重值相乘，得到融合特征图。此模块可以帮助多通道智能模型充分利用ENSO事件前编码器所提取的信息，有助于模型稳定训练和收敛。
A.4.设计适用于ENSO模拟问题的目标函数组合。
优选地，本发明采用以下公式作为ENSO模拟问题的目标函数
Figure BDA0003655458900000054
Figure BDA0003655458900000055
其中，
Figure BDA0003655458900000056
为多通道智能模型的预测结果，Y为真实观测结果。
Figure BDA0003655458900000057
为均方根误差，
Figure BDA0003655458900000058
为Y、
Figure BDA0003655458900000059
二者在结构相似性上的差异，
Figure BDA00036554589000000510
为梯度损失。λmse，λssim，λgdl分别为
Figure BDA00036554589000000511
三者的权重。其中，均方根误差目标函数用于度量目标海温场中每个像素点的差异。由于在大气海洋场中，各区域具有很强的相互依赖性，因此本发明引入基于结构相似性的损失来衡量全局结构差异。结构相似性度量指数的公式为：
Figure BDA0003655458900000061
其中，x,y为度量目标场，μ和σ2分别为一个场的平均值和方差，即μx、μy分别是度量目标场x和y的平均值，
Figure BDA0003655458900000062
分别是度量目标场x和y的方差，σxy为x和y的协方差，c1，c2，c3均为常数，用以维持公式的稳定。结构相似性指数的范围为[0,1]，结构相似性的指标越接近1，代表两个目标场的相似性越高。因此，本发明构建的基于结构相似性的损失函数为：
Figure BDA0003655458900000063
其中T为目标预测序列的时间长度，计算每个时间步t的预测场
Figure BDA0003655458900000064
和真实场Yt的结构相似性并求平均值。除此之外，大气海洋场中的梯度信息对于模型理解ENSO的演变具有重要意义。本发明构建的基于梯度信息的损失函数公式为：
Figure BDA0003655458900000065
其中i，j代表目标场每个像素点的纬度、经度位置，
Figure BDA0003655458900000066
即为计算每个点与右侧相邻点的差异，
Figure BDA0003655458900000067
为每个点与下侧相邻点的差异，上式即为计算预测序列T中整个预测目标场
Figure BDA0003655458900000068
和相应真实场Yt的横向梯度和纵向梯度的平均差值。
B)基于ENSO多通道智能模型的预测，包括以下步骤：
B.1.基于目标预测的月份和输入序列的长度，选定模拟预测的初始场，对不同气象资料中不同变量的初始场序列进行数据预处理，输入ENSO多通道智能预测模型。优选地，本发明实施例的气象资料范围为(40°N-40°S，120°E-80°W)，分辨率为1°，并对不同变量的初始场序列进行标准化预处理。
B.2.将预处理后的气象资料海气数据输入多通道智能预测模型的编码模块A.1，不同变量作为模型中的一个通道，进行特征提取，确定不同时空尺度上的特征。
B.3.将编码模块A.1提取后的高阶特征，以及特征传输模块A.3得到的低阶特征，输入解码模块A.2，进行特征还原，得到ENSO相关物理场的未来演化序列。
B.4.将模拟物理场进行后处理，得到模型对ENSO相关物理场的预测结果，并根据ENSO相关物理场的预测模拟结果，计算与ENSO相关的多种指数及评价指标。
优选地，本发明实例利用
Figure BDA0003655458900000071
及
Figure BDA0003655458900000072
指数判别ENSO事件是否发生，以及发生事件的种类、强度以及持续时间等性质。其计算方法均为固定区域内海表面温度异常的平均值。
Figure BDA0003655458900000073
指数覆盖范围为(5°N-5°S，150°W-90°W)，
Figure BDA0003655458900000074
指数覆盖范围为(5°N-5°S，160°E-150°W)，
Figure BDA00036554589000000714
指数覆盖范围为(5°N-5°S，170°W-120°W)。
C)基于ENSO多通道智能模型的前期信号识别(即早期信号识别)，包括以下步骤：
C.1.对于ENSO所发生的不同类型(东太型厄尔尼诺事件EP-El
Figure BDA0003655458900000075
中太型厄尔尼诺事件CP-El
Figure BDA0003655458900000076
以及拉尼娜事件La
Figure BDA0003655458900000077
)，每种类型选定若干事件实例，根据B中步骤，将事件的初始场输入ENSO多通道智能模型进行预测，收集模拟结果序列作为样本。
C.2.基于显著性分析方法，计算每个样本的显著性图。显著性分析是一种深度神经网络的可解释性方法，其显著性图表明，当输入物理场中某位置的值发生轻微变化时，输出值会发生怎样的变化，即预测结果对每个区域扰动的敏感度。在ENSO多通道智能模型中，通过结合显著性分析，可以得到将发展成ENSO事件的初始扰动分布。其显著性图的计算公式为：
Figure BDA0003655458900000078
Figure BDA0003655458900000079
其中，loss为多通道智能模型的ENSO预测模拟结果
Figure BDA00036554589000000710
与真实观测结果Y之间的偏差，hτ为在τ时刻的上层海洋热含量的初始场(所选变量是本发明举例，而不是全部)，固定多通道智能模型的权重，基于所得到的loss对hτ初始场的每一个像素点(x,y)进行反向传播计算，即对于初始场hτ进行偏微分计算
Figure BDA00036554589000000713
得到此时刻热含量初始场的显著性图Mτ，即可能会发展为ENSO事件的初始扰动分布。
C.3.将每种类型的ENSO事件样本所获得的显著性图Mτ，相加得到复合显著性图
Figure BDA00036554589000000711
其大值区即为此类型事件在事件发生前τ个月，上层海洋热含量(所选变量是本发明举例，而不是全部)的前期征兆。
D)基于ENSO多通道智能模型的目标观测敏感区识别。
D.1.选定历史上发生的ENSO典型事件，根据B中步骤，将每个事件的初始场输入ENSO多通道智能模型进行预测，收集模拟结果序列作为样本。
D.2.根据步骤C.2及C.3的计算方法，基于显著性分析计算每个样本的显著性图，并将所获得的显著性图进行相加得到复合显著性图。
D.3.根据复合显著性图，定义若干大值区作为参选敏感区，进行敏感性实验，大值区即为一个或多个显著性值高于临近区域的集中区域，一般对于不同问题根据经验确定一个阈值进行大值区范围的划定。对于D.1中每个所选定的历史事件样本，叠加若干组随机扰动，并通过去除此参选敏感区的随机扰动，计算在此区域内进行加密优先观测后对于各事件降低预报误差的总体作用，即各参选区的敏感性。选择敏感性最高的n个区域作为目标观测敏感区。
D.4.根据D.3中识别的敏感区，本发明进行两组实验，以衡量在识别出的敏感区实施优先观测对于改善预测结果的收益。第一组计算去除敏感区域内随机扰动后，预测误差的降低程度，第二组计算去除敏感区域外的扰动后，预测误差的降低程度。
经验证，本发明提供的基于多通道智能模型的ENSO预测方法在实施目标观测后可有效降低ENSO预测误差。本发明开创性地将可解释性方法与智能预测模型结合，为ENSO以及其它天气、气候的早期信号识别和目标观测敏感区识别提供了一种新的思路。相比于传统方法，本发明可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通道智能模型的ENSO预测装置，其结构如图3所示，该装置包括：
E.1.资料预处理模块，用于确定预测初始场，并将数据转换为模型规定的输入格式；
优选地，本发明实施例将原始资料数据均转化为tfRecords格式，用于模型的输入。
E.2.预测模块，用于将初始场输入多通道智能预测模型，运行模型并得到模拟结果，并将输出结果转化为气象格式数据及各种量化与评价指标；
E.3.前兆分析模块，用于将一组初始场输入多通道智能预测模型，运行模型得到预测结果，并基于结果固定模型参数进行反向传播计算，得到初始扰动分布；
E.4.目标观测敏感区识别模块，用于得到初始场的复合扰动分布，并基于敏感性实验识别ENSO敏感区。
本发明实施例提供的于多通道智能模型的ENSO预测装置，与上述实施例提供的于多通道智能模型的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。
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)

1.一种基于多通道智能模型的ENSO预测方法，用于实现ENSO预测、ENSO早期征兆识别以及目标观测敏感区识别，其特征在于，该方法包括下列步骤：
1)获取与ENSO相关的大气海洋气象数据，基于与ENSO相关的大气海洋气象数据相互作用的特点，构建ENSO多通道智能模型并进行训练；
2)确定预测目标的初始场并进行预处理，输入训练后的多通道智能模型，对未来ENSO的发展进行预测模拟；
3)对于ENSO发生的每一不同类型，选定若干实例，基于步骤2)中ENSO多通道智能模型对每一实例进行显著性分析，获取每种事件类型的初始扰动分布，进而对ENSO的早期信号进行识别；
4)选定若干ENSO典型事件，基于步骤2)中ENSO多通道智能模型进行显著性分析，并通过敏感性实验识别ENSO目标观测敏感区，并计算预报收益。
2.根据权利要求1所述的基于多通道智能模型的ENSO预测方法，其特征在于，步骤1)中，构建ENSO多通道智能模型的具体步骤包括：
11)选定与ENSO相关的海气多变量气象资料，构建适用于多变量耦合的多通道编码模块；
12)根据模拟目标构建特征解码模块；
13)构造用于连接多通道编码模块与特征解码模块之间的特征传输模块；
14)构造适用于ENSO模拟问题的目标函数组合。
3.根据权利要求1所述的基于多通道智能模型的ENSO预测方法，其特征在于，步骤2)中，对未来ENSO的发展进行预测模拟的具体步骤包括：
21)选定模拟的初始场，对不同气象资料中不同变量的初始场序列进行数据预处理，输入ENSO多通道智能预测模型；
22)输入初始场，在多通道智能预测模型的编码模块中进行特征提取，确定不同时空尺度上的特征；
23)将提取后的特征输入解码模块进行特征还原，获取ENSO相关物理场的未来演化序列；
24)根据ENSO相关物理场的预测模拟结果，计算与ENSO相关的多种指数及评价指标。
4.根据权利要求1所述的基于多通道智能模型的ENSO预测方法，其特征在于，步骤3)中，对ENSO的早期信号进行识别的具体步骤包括：
31)根据ENSO所发生的不同类型，每种类型选定若干事件实例，将事件的初始场输入ENSO多通道智能模型进行预测，收集模拟结果序列作为样本；
32)基于显著性分析，计算每个样本的显著性图；
33)将每种类型的ENSO事件样本所获得的显著性图相加得到复合显著性图，其大值区即为此类型事件的早期信号。
5.根据权利要求1所述的基于多通道智能模型的ENSO预测方法，其特征在于，步骤4)中，通过敏感性实验识别ENSO目标观测敏感区，并计算预报收益的具体步骤包括：
41)选定历史上发生的ENSO典型事件，将每个事件的初始场输入ENSO多通道智能模型进行预测，收集模拟结果序列作为样本；
42)基于显著性分析计算每个样本的显著性图，并将所获得的显著性图进行相加得到复合显著性图；
43)根据复合显著性图，定义若干大值区作为参选敏感区，进行敏感性实验，选择敏感性最高的区域作为目标观测敏感区；
44)根据识别的敏感区，计算预报收益。
6.根据权利要求2所述的基于多通道智能模型的ENSO预测方法，其特征在于，所述多变量耦合的多通道编码模块的计算公式为：
Figure FDA0003655458890000021
X＝[s,h,wu,wv…]
式中，X为与ENSO相关的海气多变量气象资料的初始场，输入多通道编码结构Ei，每个变量在Ei中为一个通道；β为动态分配的时间注意力权重，初始场在经过第i层编码结构后乘以注意力权重得到每一层编码模块提取的低阶特征fi l，当i为最后一层时，得到整个编码模块提取的高阶特征
Figure FDA0003655458890000022
s为海表面温度，h为上层海洋热含量，wu为近地面经向风，wv为纬向风；
所述特征解码模块的计算公式为：
Figure FDA0003655458890000023
式中，fh为特征编码模块提取的高阶特征或由高阶特征解码得到的特征，fi l为对应的第i层编码器提取的低阶特征，经过多层解码结构Di，获取需要预测模拟的结果
Figure FDA0003655458890000031
7.根据权利要求2所述的基于多通道智能模型的ENSO预测方法，其特征在于，适用于ENSO模拟问题的目标函数组合的表达式为：
Figure FDA0003655458890000032
式中，
Figure FDA0003655458890000033
为多通道智能模型的预测结果，Y为真实观测结果，
Figure FDA0003655458890000034
为均方根误差，
Figure FDA0003655458890000035
为两者在结构相似性上的差异，
Figure FDA0003655458890000036
为梯度损失，λmse，λssim，λgdl分别为
Figure FDA0003655458890000037
的权重。
8.根据权利要求4所述的基于多通道智能模型的ENSO预测方法，其特征在于，显著性分析的计算公式为：
Figure FDA0003655458890000038
Figure FDA0003655458890000039
式中，loss为多通道智能模型的ENSO预测模拟结果
Figure FDA00036554588900000310
与真实观测结果Y之间的偏差，hτ为在τ时刻的初始场，固定多通道智能模型的权重，
Figure FDA00036554588900000311
为基于所得到的loss对hτ初始场的每一个像素点(x,y)进行的反向传播计算，根据此计算得到τ时刻初始场的显著性图Mτ，即会发展为ENSO事件的初始扰动分布。
9.根据权利要求5所述的基于多通道智能模型的ENSO预测方法，其特征在于，在通过敏感性实验识别ENSO目标观测敏感区过程中，根据复合显著性图，定义若干大值区作为参选敏感区，进行敏感性实验；对于每个所选定的历史事件样本，叠加若干组随机扰动，并通过去除参选敏感区的随机扰动，计算在此参选敏感区内进行加密优先观测后对于各事件降低预报误差的总体作用，即各参选区的敏感性；选择敏感性最高的n个区域作为目标观测敏感区；
根据识别的敏感区，进行两组实验，以衡量在识别出的敏感区实施优先观测对于改善预测结果的收益；第一组计算去除敏感区域内随机扰动后，预测误差的降低程度，第二组计算去除敏感区域外的扰动后，预测误差的降低程度。
10.一种基于多通道智能模型的ENSO预测装置，用于实现ENSO预测、ENSO早期征兆识别以及目标观测敏感区识别，其特征在于，该装置包括：
资料预处理模块，确定预测初始场，并将数据转换为模型规定的输入格式；
预测模块，将初始场输入多通道智能预测模型，运行模型并得到模拟结果，并将输出结果转化为气象格式数据及各种量化与评价指标；
早期信号识别模块，将一组初始场输入多通道智能预测模型，运行模型得到预测结果，并基于结果固定模型参数进行反向传播计算，得到初始扰动分布；
目标观测敏感区识别模块，计算初始场的复合扰动分布，并基于敏感性实验识别ENSO敏感区。
CN202210557391.1A 2022-05-20 2022-05-20 一种基于多通道智能模型的enso预测方法及装置 Pending CN115204032A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210557391.1A CN115204032A (zh) 2022-05-20 2022-05-20 一种基于多通道智能模型的enso预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210557391.1A CN115204032A (zh) 2022-05-20 2022-05-20 一种基于多通道智能模型的enso预测方法及装置

Publications (1)

Publication Number Publication Date
CN115204032A true CN115204032A (zh) 2022-10-18

Family

ID=83575284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210557391.1A Pending CN115204032A (zh) 2022-05-20 2022-05-20 一种基于多通道智能模型的enso预测方法及装置

Country Status (1)

Country Link
CN (1) CN115204032A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821673A (zh) * 2023-05-19 2023-09-29 中国科学院自动化研究所 Enso预测方法、装置、电子设备和存储介质
CN116975787A (zh) * 2023-09-20 2023-10-31 国家海洋环境预报中心 一种enso建模和预测方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821673A (zh) * 2023-05-19 2023-09-29 中国科学院自动化研究所 Enso预测方法、装置、电子设备和存储介质
CN116821673B (zh) * 2023-05-19 2024-01-16 中国科学院自动化研究所 Enso预测方法、装置、电子设备和存储介质
CN116975787A (zh) * 2023-09-20 2023-10-31 国家海洋环境预报中心 一种enso建模和预测方法及装置
CN116975787B (zh) * 2023-09-20 2023-11-28 国家海洋环境预报中心 一种enso建模和预测方法及装置

Similar Documents

Publication Publication Date Title
Ruwali et al. Implementation of hybrid deep learning model (LSTM-CNN) for ionospheric TEC forecasting using GPS data
CN115204032A (zh) 一种基于多通道智能模型的enso预测方法及装置
CN112099110B (zh) 基于机器学习和遥感数据的海洋内波预报方法
Saxena et al. A review study of weather forecasting using artificial neural network approach
CN113516304B (zh) 基于时空图网络的区域污染物时空联合预测方法及装置
CN114707688A (zh) 基于卫星云图和时空神经网络的光伏功率超短期预测方法
CN113657028B (zh) 一种基于多源信息的气溶胶光学厚度在线预测方法
CN108229726A (zh) 一种碎块石边坡灾变险情预警预报方法
CN114399073A (zh) 一种基于深度学习的海洋表面温度场预测方法
CN114510513A (zh) 用于光伏功率超短期预测的短临气象预报数据处理方法
CN113505923A (zh) 一种地区电网短期负荷预测方法及系统
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
CN115267945A (zh) 一种基于图神经网络的雷电预警方法与系统
CN111144636B (zh) 一种边坡变形预测方法
CN115730684A (zh) 一种基于lstm-cnn模型的空气质量检测系统
CN116187203A (zh) 一种流域水质预测方法、系统、电子设备及存储介质
Yao et al. Wave height forecast method with multi-step training set extension LSTM neural network
CN116720156A (zh) 基于图神经网络多模态气象数据融合的气象要素预报方法
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN115859789A (zh) 一种提高极地大气温度廓线反演精度的方法
CN114781576A (zh) 一种基于随机森林算法的声速剖面估计方法及装置
CN111597692B (zh) 一种地表净辐射估算方法、系统、电子设备和存储介质
CN114782740A (zh) 结合遗传优化与极端梯度提升的遥感水质监测方法
CN113962432A (zh) 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统
Li et al. DeepPhysiNet: Bridging Deep Learning and Atmospheric Physics for Accurate and Continuous Weather Modeling

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