CN115657163B - 基于人工智能模型的延伸期气象要素预报方法及系统 - Google Patents
基于人工智能模型的延伸期气象要素预报方法及系统 Download PDFInfo
- Publication number
- CN115657163B CN115657163B CN202211257265.0A CN202211257265A CN115657163B CN 115657163 B CN115657163 B CN 115657163B CN 202211257265 A CN202211257265 A CN 202211257265A CN 115657163 B CN115657163 B CN 115657163B
- Authority
- CN
- China
- Prior art keywords
- forecast
- information
- members
- model
- forecast information
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于人工智能模型的延伸期气象要素预报方法及系统，包括：采集气象要素的实况信息及10‑30天的模式预报信息包括71个成员；将模式预报信息插值至长三角地区格点内；对模式预报信息中的成员进行择优筛选，确定模式预报信息的优选成员；利用人工智能模型训练优选成员，确定训练模型的最优参数搭配方案以及计算的优选成员的权重值；根据权重值对模式预报信息的优选成员进行加权集成，输出预报结果。本发明引入机器学习模型至10‑30天延伸期预报，为解决气象预报的难点问题的提供了新的思路；本发明提出的延伸期预报方法的预报结果与主流的模式集合预报结果进行了比对，在一定程度上提升了准确度，取得了较好的效果。
Description
技术领域
本发明属于气象预报技术领域，尤其涉及基于人工智能模型的延伸期气象要素预报方法及系统。
背景技术
近年来，全球气象灾害性事件呈多发趋势，给世界各国的社会、经济发展带来了巨大的隐患，如2020年我国长江流域的暴力梅、2022年夏季全球范围持续高温等。如果能获取较长时效的气象要素预报，则能够更为精准地助力防灾减灾。我国气象部门将时效为10-30天的预报称为延伸期预报，其时间尺度处于0-10天中短期天气预报和月尺度以上短期气候预测之间，是构建天气精细化预测体系中至关重要的一环。延伸期预测是主动减灾的关键，例如对于许多管理部门如农业、粮食安全、水资源、灾害风险降低以及卫生健康等的决策，最终的需求是月时间尺度以内的预报，所以发展和改善介于天气-气候之间的无缝隙预报将具有显著的社会和应用价值。然而尽管延伸期预测结果可以得出可观的社会和经济价值，但其受到的关注程度要比中期天气预报及季节预测少得多。因此推进延伸期气象预测能力的快速高水平发展已成为世界性的热点及难点问题。
世界气象组织推出S2S研究计划，旨在提高延伸期时间尺度的预报技巧,并促进各国气象业务中心的成果应用。各国的气象模式数据实现了定时发布，因此可以获取数值模式延伸期预报信息。但从近几年气象模式数据预测检验评估效果来看，目前的模式预测技术虽然取得了较大进步，但其预测准确率与短中期预报相比仍有较大提升空间。
由于多模式之间的预测能力有差别，再加之同一模式的多个成员的预报离差较大，等权平均而得出的预报效果不佳。本发明利用On-Line人工智能模型对多个数值模式的多成员结果进行智能优选，赋值不同权重获得集成预报结果，这一研究尚属气象届较为前沿的热门探索领域。
发明内容
为了减少多成员预测结果的离散度问题，进一步提高多模式的延伸期预报准确性，本发明提出基于人工智能模型的延伸期气象要素预报方法及系统，对比世界主流的延伸期预报模型，本发明的预报效果优于单模式及多模式等权集成的预报结果，一定程度上可以帮助提高10-30天延伸期的可预报性。
为实现上述目的，本发明提供了基于人工智能模型的延伸期气象要素预报方法，包括以下步骤：
采集气象要素的实况信息及10-30天模式预报信息,所述模式预报信息包括71个成员；
将所述的模式预报信息插值至长三角地区格点内；
对所述的模式预报信息中的成员进行择优筛选，确定优选成员；
利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值；
根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10-30天逐日预报结果。
可选的，采集气象要素的实况信息及10-30天模式预报信息,所述模式预报信息包括71个成员具体包括：
所述模式预报信息包括过去两年的BABJ、ECMF、KWBC三个模式共71个成员的全球范围1.5°*1.5°的10-30天的逐日预报资料；
所述实况信息为降水以及2m气温的观测数据，包括过去两年内的长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的共计31329个格点。
可选的，将所述的模式预报信息插值至长三角地区格点内具体包括：
利用UNet的神经网络降尺度方法，将所述模式预报信息插值至长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格，共计31329个格点。
可选的，对所述模式预报信息中的成员进行择优筛选，确定优选成员，其中筛选保留预报效果高于均值的模式信息用于建模，具体包括：
计算过去两年的10-30天的每个提前预报时间的模式预报信息中的成员与相同时刻实况信息的ACC评分，筛选出ACC评分高于均值的模式预报信息中的成员作为优选成员，ACC评分计算如下：
其中符号’代表中心化后的变量，其中，fi.j.k为时间为i，纬度为j，经度为k时的模型预测结果；ti,j,k为时间为i，纬度为j，经度为k时的真实数据；
L(j)为纬向第j个格点的权重因子，L(j)被定义为：
其中Nlat代表纬向格点个数，j代表纬向第j个格点，lat(j)表示第j个格点的纬度，cos表示余弦函数。
可选的，利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据所述方案计算各优选成员的权重值；以多种参数搭配方案所得的回报效果作为衡量标准，确定最优参数搭配方案，具体包括：
利用On-Line人工智能模型对模式预报信息的优选成员进行建模，模型包括十二种参数搭配方案，首先需要确定最优参数搭配方案，逐一利用每种参数搭配方案对所述的预报信息的每一个优选成员及相对应的实况值进行训练，训练集为过去两年长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的10-30天逐日预报信息中各成员以及相对应的实况值；使用每种参数搭配方案训练出的优选成员的权重值进行加权集成，得到过去两年的回报结果，计算回报结果的RMSE以及ACC评分，基于评分选出模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值，所述RMSE计算如下：
其中，fi.j.k为时间为i，纬度为j，经度为k时的模型预测结果，ti,j,k为时间为i，纬度为j，经度为k时的真实数据；Nlat代表纬向格点个数，Nlon代表经向格点个数，Nforecasts代表预测个例数。
可选的，根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10-30天逐日预报结果，根据预报效果赋予模式预报信息的优选成员不同权重值得到集成预报结果，具体包括：
针对10-30天每个提前预报时间，将模式预报信息中的优选成员赋予由最优参数搭配得到的权重值，结合模式预报信息进行成员加权集成，得到10-30天气温及降水的预报结果。
本发明还公开了基于人工智能模型的延伸期气象要素预报系统，其特征在于，包括：
数据采集模块：用于采集气象要素的模式预报信息以及实况观测信息，模式预报信息用于生成长三角地区的10-30天延伸期预报，实况观测信息用于表示长三角地区的实际气象特征；
数据处理模块：用于利用UNet方法将数据采集模块的模式预报信息进行降尺度插值到相应区域；
预报信息筛选模块：用于筛选数据处理模块中所生成的模式预报信息中的预报成员，确定模式预报信息中的优选成员；
建模模块：用于计算模式预报信息中的优选成员在不同参数搭配方案下的预报效果，确定最优参数搭配方案以及所得的优选成员的权重值；
预报模块：针对10-30天每个提前预报时间，根据建模模块输出的信息筛选模块确定的优选成员以及建模模块确定的权重值计算10-30天的逐日预报结果；
通信模块：用于将预报模块输出的气象要素10-30天延伸期预报信息发送至其他智能终端；
所述数据采集模块、所述数据处理模块、所述预报信息筛选模块、所述建模模块、所述预报模块与所述通信模块相连接。
本发明技术效果：本发明公开了基于人工智能模型的延伸期气象要素预报方法及系统，引入目前应用广泛的机器学习模型至延伸期预报，为解决气象预报的难点问题的提供了新思路；本发明提出的延伸期预报方法的预报结果与主流的数值模式集合预报结果进行比对，在一定程度上提升了准确度，取得了较好的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明基于人工智能模型的延伸期气象要素预报方法的流程示意图；
图2为本发明实施例所述的方法与三个模式及等权平均结果对2021年区域降水和2m气温的11-40天预报效果对比图；
图3为降水的实况信息(第一行分别为6月21日、6月30日、7月10日、7月20日的实况)与CFSv2模式(第二行)及本发明实施例所述的方法(第三行)的预报对比图，预报信息为6月10日起报，第11天(6月21日)，第20天(6月30日)，第30天(7月10日)以及第40天(7月20日)的降水，由图可见本实施例所述的方法20天以上预报优于模式信息；
图4为气温的实况信息(第一行分别为6月21日、6月30日、7月10日、7月20日的实况)与CFSv2模式(第二行)及本发明实施例所述的方法(第三行)的预报对比图，预报信息为6月10日起报的第11天(6月21日)、第20天(6月30日)、第30天(7月10日)以及第40天(7月20日)的气温，由图可见本实施例所述的方法20天以上预报优于模式信息。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1-4所示，本实施例中提供基于人工智能模型的延伸期气象要素预报方法，包括以下步骤：
采集气象要素的实况信息及10-30天模式预报信息,所述模式预报信息包括71个成员；
将所述的模式预报信息插值至长三角地区格点内；
对所述的模式预报信息中的成员进行择优筛选，确定优选成员；
利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值；
根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10-30天逐日预报结果。
进一步优化方案，采集气象要素的实况信息及10-30天模式预报信息,所述模式预报信息包括71个成员具体包括：
所述模式预报信息包括过去两年的BABJ、ECMF、KWBC三个模式共71个成员的全球范围1.5°*1.5°的10-30天的逐日预报资料；
所述实况信息为降水以及2m气温的观测数据，包括过去两年内的长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的共计31329个格点。
进一步优化方案，将所述的模式预报信息插值至长三角地区格点内具体包括：
利用UNet的神经网络降尺度方法，将所述模式预报信息插值至长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格，共计31329个格点。
进一步优化方案，对所述模式预报信息中的成员进行择优筛选，确定优选成员，其中筛选保留预报效果高于均值的模式信息用于建模，具体包括：
计算过去两年的10-30天的每个提前预报时间的模式预报信息中的成员与相同时刻实况信息的ACC评分，筛选出ACC评分高于均值的模式预报信息中的成员作为优选成员，ACC评分计算如下：
其中符号’代表中心化后的变量，其中，fi.j.k为时间为i，纬度为j，经度为k时的模型预测结果；ti,j,k为时间为i，纬度为j，经度为k时的真实数据；
L(j)为纬向第j个格点的权重因子，L(j)被定义为：
其中Nlat代表纬向格点个数，j代表纬向第j个格点，lat(j)表示第j个格点的纬度，cos表示余弦函数。
进一步优化方案，利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据所述方案计算各优选成员的权重值；以多种参数搭配方案所得的回报效果作为衡量标准，确定最优参数搭配方案，具体包括：
利用On-Line人工智能模型对模式预报信息的优选成员进行建模，模型包括十二种参数搭配方案，首先需要确定最优参数搭配方案，逐一利用每种参数搭配方案对所述的预报信息的每一个优选成员及相对应的实况值进行训练，训练集为过去两年长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的10-30天逐日预报信息中各成员以及相对应的实况值；使用每种参数搭配方案训练出的优选成员的权重值进行加权集成，得到过去两年的回报结果，计算回报结果的RMSE以及ACC评分，基于评分选出模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值，所述RMSE计算如下：
其中，fi.j.k为时间为i，纬度为j，经度为k时的模型预测结果，ti,j,k为时间为i，纬度为j，经度为k时的真实数据；Nlat代表纬向格点个数，Nlon代表经向格点个数，Nforecasts代表预测个例数。
进一步优化方案，根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10-30天逐日预报结果，根据预报效果赋予模式预报信息的优选成员不同权重值得到集成预报结果，具体包括：
针对10-30天每个提前预报时间，将模式预报信息中的优选成员赋予由最优参数搭配得到的权重值，结合模式预报信息进行成员加权集成，得到10-30天气温及降水的预报结果。
本发明提出了基于人工智能模型的10-30天延伸期气象要素预报方法，首先筛选各模式预报信息内部各个成员的最优成员作为模式预报，使用最优成员模式预报训练在线学习模型后用得出的模式信息中最优成员的加权集成结果进行气象要素的10-30天延伸期预报，所述方法包括以下步骤：
步骤S1：下载2020-2021年包括BABJ、ECMWF、KWBC三个模式的逐日降水以及2m气温预报资料(全球范围，分辨率为1.5°*1.5°，共计240*121个格点)，共计71个成员；下载2020-2021年长三角地区实际逐日降水以及2m气温资料(经纬度范围为21-37.5°N，109.5-126°E，分辨率为0.09375°*0.09375°，共计31329个格点)。
步骤S2：使用UNet神经网络降尺度方法，将步骤S1中采集的模式预报信息插值至长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的共计31329个格点内。基于Unet的网络架构包括三个部分：首先是2个前置的向上卷积层以及4个卷积层，用于粗略扩大分辨率；其次是6个卷积层，用于提取气象要素的大尺度信息；最后是6个向上卷积层以及13个卷积层，用于提取中小尺度信息并进一步扩大分辨率。每两层之间使用LeakyReLU函数作为激活函数。数据输入结构为样本量*12*12的数组，输出数据结构为样本量*177*177的数组。气象要素的多模式预报数据及实况观测数据均处理为长三角地区21-37.5°N，109.5-126°E范围，其中模式预报数据分辨率为1.5°*1.5°，利用上述Unet神经网络插值为0.09375°*0.09375°网格的共计31329个格点。
步骤S3：针对每个气象要素以及提前预报时间，计算步骤S2中得到的降尺度的预报信息的各成员与过去两年逐日其想要素的实况信息的ACC评分，选择ACC评分高于均值的成员作为优选成员。
步骤S4：针对每个气象要素以及每个提前预报时间，利用步骤S3中确定的模式预报信息的优选成员确定最优参数搭配方案。模型中包含4种算法参数分别为dub、dormplus、dorm和adahedged，3种提示参数分别为recent_g、mean_g、prev_g，组合出共12种不同的参数搭配。将2020-2021年的模式预报信息的优选成员数据作为训练集，使用每一种参数搭配方案进行训练，得到相应的优选成员的权重，并根据权重进行2021年逐日降水以及2m气温数据的加权集成回报，并计算各种搭配方案的预报信息与相应的实况信息的RMSE以及ACC评分，选出最佳搭配方案以及该搭配方案下训练出的权重。
步骤S5：将步骤S4所得的最优参数方案所得的权重值对模式预报信息的优选成员进行加权集成，输出10-30天逐日预报结果。最后通过计算均方根误差RMSE与距平相关系数ACC两个评价指标评估人工智能方法的最优集成结果、模式预报信息成员直接集成以及各模式单独的预报效果。
图2是本发明实施例所述的方法与三个模式及等权平均结果对2021年区域降水和2m气温的11-40天预报效果对比图(预报结果与同时段实况数据计算均方根误差RMSE以及距平相关系数ACC)，在11-40天的预报提前时间段内本发明实施例的评分最高，说明本发明实施例的预报效果与模式及等权平均结果相比均有所提升。
图3为降水的实况信息(第一行分别为6月21日、6月30日、7月10日、7月20日的实况)与CFSv2模式(第二行)及本发明实施例所述的方法(第三行)的预报对比图，预报信息为6月10日起报，第11天(6月21日)，第20天(6月30日)，第30天(7月10日)以及第40天(7月20日)的降水，由图可见本实施例所述的方法20天以上预报优于模式信息。
图4为气温的实况信息(第一行分别为6月21日、6月30日、7月10日、7月20日的实况)与CFSv2模式(第二行)及本发明实施例所述的方法(第三行)的预报对比图，预报信息为6月10日起报的第11天(6月21日)、第20天(6月30日)、第30天(7月10日)以及第40天(7月20日)的气温，由图可见本实施例所述的方法20天以上预报优于模式信息。
本实施例中提供基于人工智能模型的延伸期气象要素预报系统，包括：
数据采集模块：用于采集气象要素的模式预报信息以及实况观测信息，模式预报信息用于生成长三角地区的10-30天延伸期预报，实况观测信息用于表示长三角地区的实际气象特征；
数据处理模块：用于利用UNet方法将数据采集模块的模式预报信息进行降尺度插值到相应区域；
预报信息筛选模块：用于筛选数据处理模块中所生成的模式预报信息中的预报成员，确定模式预报信息中的优选成员；
建模模块：用于计算模式预报信息中的优选成员在不同参数搭配方案下的预报效果，确定最优参数搭配方案以及所得的优选成员的权重值；
预报模块：针对10-30天每个提前预报时间，根据建模模块输出的信息筛选模块确定的优选成员以及建模模块确定的权重值计算10-30天的逐日预报结果；
通信模块：用于将预报模块输出的气象要素10-30天延伸期预报信息发送至其他智能终端；
所述数据采集模块、所述数据处理模块、所述预报信息筛选模块、所述建模模块、所述预报模块与所述通信模块相连接。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.基于人工智能模型的延伸期气象要素预报方法，其特征在于，包括以下步骤：
采集气象要素的实况信息及10-30天模式预报信息,所述模式预报信息包括71个成员；
将所述的模式预报信息插值至长三角地区格点内；
对所述的模式预报信息中的成员进行择优筛选，确定优选成员；
利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值，以多种参数搭配方案所得的回报效果作为衡量标准，确定最优参数搭配方案，具体包括：
利用On-Line人工智能模型对模式预报信息的优选成员进行建模，模型包括十二种参数搭配方案，首先需要确定最优参数搭配方案，逐一利用每种参数搭配方案对所述的预报信息的每一个优选成员及相对应的实况值进行训练，训练集为过去两年长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的10-30天逐日预报信息中各成员以及相对应的实况值；使用每种参数搭配方案训练出的优选成员的权重值进行加权集成，得到过去两年的回报结果，计算回报结果的RMSE以及ACC评分，基于评分选出模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值，所述RMSE计算如下：
其中，fi，j，k为时间为i，纬度为j，经度为k时的模型预测结果，ti，j，k为时间为i，纬度为j，经度为k时的真实数据；Nlat代表纬向格点个数，Nlon代表经向格点个数，Nforecasts代表预测个例数；
根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10-30天逐日预报结果。
2.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，采集气象要素的实况信息及10-30天模式预报信息,所述模式预报信息包括71个成员具体包括：
所述模式预报信息包括过去两年的BABJ、ECMF、KWBC三个模式共71个成员的全球范围1.5°*1.5°的10-30天的逐日预报资料；
所述实况信息为降水以及2m气温的观测数据，包括过去两年内的长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的共计31329个格点。
3.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，将所述的模式预报信息插值至长三角地区格点内具体包括：
利用UNet的神经网络降尺度方法，将所述模式预报信息插值至长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格，共计31329个格点。
4.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，对所述模式预报信息中的成员进行择优筛选，确定优选成员，其中筛选保留预报效果高于均值的模式信息用于建模，具体包括：
计算过去两年的10-30天的每个提前预报时间的模式预报信息中的成员与相同时刻实况信息的ACC评分，筛选出ACC评分高于均值的模式预报信息中的成员作为优选成员，ACC评分计算如下：
其中符号’代表中心化后的变量，其中，fi，j，k为时间为i，纬度为j，经度为k时的模型预测结果；ti，j，k为时间为i，纬度为j，经度为k时的真实数据；
L(j)为纬向第j个格点的权重因子，L(j)被定义为：
其中Nlat代表纬向格点个数，j代表纬向第j个格点，lat(j)表示第j个格点的纬度，cos表示余弦函数。
5.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10-30天逐日预报结果，根据预报效果赋予模式预报信息的优选成员不同权重值得到集成预报结果，具体包括：
针对10-30天每个提前预报时间，将模式预报信息中的优选成员赋予由最优参数搭配得到的权重值，结合模式预报信息进行成员加权集成，得到10-30天气温及降水的预报结果。
6.一种基于人工智能模型的延伸期气象要素预报系统，其特征在于，包括：
数据采集模块：用于采集气象要素的模式预报信息以及实况观测信息，模式预报信息用于生成长三角地区的10-30天延伸期预报，实况观测信息用于表示长三角地区的实际气象特征；
数据处理模块：用于利用UNet方法将数据采集模块的模式预报信息进行降尺度插值到相应区域；
预报信息筛选模块：用于筛选数据处理模块中所生成的模式预报信息中的预报成员，确定模式预报信息中的优选成员；
建模模块：用于计算模式预报信息中的优选成员在不同参数搭配方案下的预报效果，确定最优参数搭配方案以及所得的优选成员的权重值；以多种参数搭配方案所得的回报效果作为衡量标准，确定最优参数搭配方案，具体包括：
利用On-Line人工智能模型对模式预报信息的优选成员进行建模，模型包括十二种参数搭配方案，首先需要确定最优参数搭配方案，逐一利用每种参数搭配方案对预报信息的每一个优选成员及相对应的实况值进行训练，训练集为过去两年长三角地区21-37.5°N，109.5-126°E的0.09375°*0.09375°网格的10-30天逐日预报信息中各成员以及相对应的实况值；使用每种参数搭配方案训练出的优选成员的权重值进行加权集成，得到过去两年的回报结果，计算回报结果的RMSE以及ACC评分，基于评分选出模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值，RMSE计算如下：
其中，fi，j，k为时间为i，纬度为j，经度为k时的模型预测结果，ti，j，k为时间为i，纬度为j，经度为k时的真实数据；Nlat代表纬向格点个数，Nlon代表经向格点个数，Nforecasts代表预测个例数；
预报模块：针对10-30天每个提前预报时间，根据建模模块输出的信息筛选模块确定的优选成员以及建模模块确定的权重值计算10-30天的逐日预报结果；
通信模块：用于将预报模块输出的气象要素10-30天延伸期预报信息发送至其他智能终端；
所述数据采集模块、所述数据处理模块、所述预报信息筛选模块、所述建模模块、所述预报模块与所述通信模块相连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211257265.0A CN115657163B (zh) | 2022-10-14 | 2022-10-14 | 基于人工智能模型的延伸期气象要素预报方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211257265.0A CN115657163B (zh) | 2022-10-14 | 2022-10-14 | 基于人工智能模型的延伸期气象要素预报方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115657163A CN115657163A (zh) | 2023-01-31 |
| CN115657163B true CN115657163B (zh) | 2023-06-27 |
Family
ID=84986708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211257265.0A Active CN115657163B (zh) | 2022-10-14 | 2022-10-14 | 基于人工智能模型的延伸期气象要素预报方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115657163B (zh) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11402542B2 (en) * | 2018-10-30 | 2022-08-02 | The Tomorrow Companies Inc. | Forecasting method with machine learning |
| CN114200548B (zh) * | 2021-12-15 | 2023-07-18 | 南京信息工程大学 | 基于SE-Resnet模型的延伸期气象要素预报方法 |
| CN114280696A (zh) * | 2021-12-23 | 2022-04-05 | 无锡九方科技有限公司 | 一种海雾等级智能预报方法及系统 |
-
2022
- 2022-10-14 CN CN202211257265.0A patent/CN115657163B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115657163A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555561B (zh) | 一种中长期径流集合预报方法 | |
| Solaiman et al. | Development of probability based intensity-duration-frequency curves under climate change | |
| CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
| CN112765912B (zh) | 基于气候模式集合的洪涝灾害社会经济暴露度的评估方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| Hashimoto et al. | Scenario analysis of land-use and ecosystem services of social-ecological landscapes: implications of alternative development pathways under declining population in the Noto Peninsula, Japan | |
| Hassan | Climate change impact on groundwater recharge of Umm er Radhuma unconfined aquifer Western Desert, Iraq | |
| Maddahi et al. | Land suitability analysis for rice cultivation using multi criteria evaluation approach and GIS | |
| Hammouri et al. | Climate change impacts on surface water resources in arid and semi-arid regions: a case study in northern Jordan | |
| Chilkoti et al. | Multi-objective autocalibration of SWAT model for improved low flow performance for a small snowfed catchment | |
| Grouillet et al. | Sensitivity analysis of runoff modeling to statistical downscaling models in the western Mediterranean | |
| CN109933901B (zh) | 一种生态系统服务价值最优化的mcr城市扩张模拟方法 | |
| CN114254802B (zh) | 气候变化驱动下植被覆盖时空变化的预测方法 | |
| CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
| CN117009887B (zh) | 流域水环境质量精细化估算及分析的方法及系统 | |
| CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
| CN115829163B (zh) | 基于多模式集成的长江中下游流域径流预测方法和系统 | |
| Salahi et al. | An evaluation of Delta and SDSM Downscaling Models for simulating and forecasting of average wind velocity in Sistan, Iran | |
| CN115657163B (zh) | 基于人工智能模型的延伸期气象要素预报方法及系统 | |
| CN116401939A (zh) | 一种基于梯度约束神经网络的北极海冰短期预报方法 | |
| CN114325879A (zh) | 一种基于分级概率的定量降水订正方法 | |
| Ozabor et al. | Identifying Climate Change Signals from Downscaled Temperature Data in Umuahia Metropolis, Abia State, Nigeria | |
| CN112380778A (zh) | 一种基于海温的气象干旱预报方法 | |
| Gemmechis | Land use land cover dynamics using CA-Markov chain a case of belete gera forest priority area south western ethiopia | |
| Gemmechis et al. | Modeling land use land cover using cellular automata-Markov chain: A case of Belete Gera regional forest priority area, south western Ethiopia |
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 |