CN116384127B - 用于气象生态环境的数值模拟预报方法及装置 - Google Patents
用于气象生态环境的数值模拟预报方法及装置 Download PDFInfo
- Publication number
- CN116384127B CN116384127B CN202310378000.4A CN202310378000A CN116384127B CN 116384127 B CN116384127 B CN 116384127B CN 202310378000 A CN202310378000 A CN 202310378000A CN 116384127 B CN116384127 B CN 116384127B
- Authority
- CN
- China
- Prior art keywords
- model
- assimilation
- forecasting
- database
- numerical
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 66
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008878 coupling Effects 0.000 claims abstract description 7
- 238000010168 coupling process Methods 0.000 claims abstract description 7
- 238000005859 coupling reaction Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 42
- 238000004458 analytical method Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 22
- 238000006467 substitution reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种用于气象生态环境的数值模拟预报方法及装置，所述方法包括：生成时空分辨率可控的同化数据库；基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型；将所述AI预报模型与预存的数据同化模型进行耦合，以形成AI更优同化模型，利用所述AI更优同化模型得到数值模拟预报结果。基于现有的数据同化方法与通过人工智能方法训练得到的AI模式或者构建大数据同化系统，提高了数据模拟预报的准确性，降低了数据模拟的计算量。
Description
技术领域
本发明涉及气象、生态、环境与人工智能技术领域，具体涉及一种用于气象生态环境的数值模拟预报方法及装置。
背景技术
目前，气象、生态与环境科学等领域一般采用物理、生物与化学等科学机制支持的数值预报模式软件系统对气象、生态与环境变量进行模拟与预报，其预报精度极大依赖于初始场精度。而基于最优化的理论与方法，通过数据同化技术将可获取的多源观测信息与数值模式的模拟结果充分融合，可以获取最优初始场、提高模式的模拟与预报精度。随着气象、生态与环境科学等领域的研究不断深入，数值模式的性能也随之提升；另外，全球、区域观测体系与数据同化技术的不断完善更加助力数值模式模拟与预报的精度不断攀升。随着数值模式与同化系统的愈发完善、观测资料的海量激增，基于数值预报模式、同化模块及观测处理模块的数值预报软件系统越发复杂，对计算资源(通常为超算平台)的要求越来越高、计算代价极难承受。
为应对通常数值模拟与预报计算代价过于昂贵的难题，人们开始尝试将基于人工智能方法引入数值模拟与预报领域。经常采用的方式主要有两种：
1)首先利用通常复杂的数值预报模式进行数值模拟、产生长时间序列的模拟结果，再基于这些模拟数据产品、利用人工智能(尤其是深度学习)方法训练得到数值预报模式的AI平替模式。如此得到的AI替代模式最大的优势就是计算经济，可极大缓解数值模式的日益复杂所伴随而来的计算量激增。这种方式只能给出数值预报模式的平替方案，所得到的AI模式的模拟与预报的精度上限即为数值预报模式本身，一般还略逊于数值预报模式；另外，这种AI平替模式的预报与模拟依然是一个初值依赖问题、其模拟与预报精度也必须依赖于初始场的精度；而这种AI平替模式并未与数据同化模块相耦合、构建对应的数据同化系统，不可避免地要借用现有数值预报同化系统所产生的最优初始场。没有现有的同化结果，其预报与模拟精度自然难以保证。
2)利用现有的数值预报同化业务系统所生产的高精度、长时间序列再分析数据进行训练、提取AI预报与模拟模式(比如Pangu-Weather，GraphCast等)。原则上，这些长时间序列的再分析数据融合了数值预报模式的动力约束与完备观测数据的有效信息，从中训练、提取的AI预报模式在精度上优于传统的数值预报模式。然而这种基于再分析数据业务产品的AI预报模式受制于产品本身的时空分辨率，其时间分辨率一般远大于数值模式的时间步长，应用范围与场景必然受限。另外，这样的AI预报模式，同样也未实现与数据同化模块的耦合、其初始场依然还需依赖于现有的数值预报同化系统。
综上可知，现有技术重要存在以下三个缺陷：1)传统数值预报模式难以承受的计算需求；2)基于人工智能的模拟与预报方法无法自给最佳初始场；3)基于人工智能的模拟与预报模式时空分辨率亦难自控、受限于再分析数据业务产品。
发明内容
为此，本发明实施例提供一种用于气象生态环境的数值模拟预报方法及装置，以期至少部分解决现有技术中存在的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
本发明提供一种用于气象生态环境的数值模拟预报方法，所述方法包括：
生成时空分辨率可控同化数据库；
基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型；
将所述AI预报模型与预存的数据同化模型进行耦合，以形成AI更优同化模型，利用所述AI更优同化模型得到数值模拟预报结果。
在一些实施例中，生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
根据所述数值预报模型求解非线性最优化模型，以得到所述时空分辨率可控同化数据库。
在一些实施例中，构建的所述数值预报模型为：
其中，k为时间指标，x0为t0时刻的状态变量的分析场，xk为tk时刻的状态变量的分析场，为任一从t0到tk时刻进行预报的数值预报模型。
所述非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，yobs，k为观测数据，J代表非线性代价函数，T是指矩阵或者向量的转置，S是指最大的时间指标。
在一些实施例中，生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
对所述数值预报模型进行时间序列模拟，以得到时间序列模拟数据库；
利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型；
以所述AI替代模型作为预报算子，利用再分析数据集，并通过求解非线性最优化模型得到所述时空分辨率可控同化数据库。
在一些实施例中，利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型时，所述极小化代价函数为：
其中，L代表上述非线性代价函数，T是指总的训练样本量，M#为待定的AI预报模型，xk为tk时刻的状态变量的分析场。
在一些实施例中，以所述AI替代模型作为预报算子，利用再分析数据集后所计算的所述非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，ya，k为已知的tk时刻再分析变量场。
在一些实施例中，基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型时，所述极小化代价函数具体包括：
其中，L代表非线性代价函数，T是指总的训练样本量，M*为AI预报模型，xk为tk时刻的状态变量的分析场，xk+1为tk+1时刻的状态变量的分析场。
本发明还提供一种用于气象生态环境的数值模拟预报装置，所述装置包括：
第一模型生成单元，用于生成时空分辨率可控同化数据库；
第二模型生成单元，用于基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型；
结果生成单元，用于将所述AI预报模型与预存的数据同化模型进行耦合，以形成AI更优同化模型，利用所述AI更优同化模型得到数值模拟预报结果。
本发明还提供一种电子设备，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程序时实现如上所述方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
在一种或几种具体实施方式中，本发明所提供的用于气象生态环境的数值模拟预报方法和装置，具有以下技术效果：
1、以AI平替模式为预报算子利用全球/区域高精度再分析数据ya，k为观测数据构建数据同化系统，进行数据融合、形成时空分辨率可控的数据再融合产品；
2、采用时空分辨率可控的同化/再分析/再融合产品，采用人工智能方法(包括但不限于残差网络、U型网络、图神经网络以及基于注意力机制的神经网络等)进行训练，生成更优的AI模式
3、基于现有的数据同化方法(包括四维变分同化、集合卡尔曼滤波同化方法、集合四维变分同化方法以及基于人工智能的数据同化方法等)与通过人工智能方法训练得到的AI模式或者/>构建大数据同化系统。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明所提供的用于气象生态环境的数值模拟预报方法的流程图之一；
图2为本发明所提供的用于气象生态环境的数值模拟预报方法的流程图之二；
图3为本发明所提供的用于气象生态环境的数值模拟预报方法的流程图之三；
图4为本发明所提供的用于气象生态环境的数值模拟预报方法的流程图之四；
图5为本发明所提供的用于气象生态环境的数值模拟预报方法的流程图之五；
图6为本发明所提供的用于气象生态环境的数值模拟预报装置的结构示意图；
图7为本发明所提供的电子设备的实体结构示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的用于气象生态环境的数值模拟预报方法的流程图之一。
在一种具体实施方式中，本发明所提供的用于气象生态环境的数值模拟预报方法包括以下步骤：
S110：生成时空分辨率可控同化数据库；
S120：基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型；在步骤S120中，所述极小化代价函数为：
其中，L代表非线性代价函数，T是指总的训练样本量，M*为AI预报模型，xk为tk时刻的状态变量的分析场，xk+1为tk+1时刻的状态变量的分析场。
S130：将所述AI预报模型与预存的数据同化模型进行耦合，以形成AI更优同化模型，利用所述AI更优同化模型得到数值模拟预报结果。例如，在进行气象数据预测的场景下，输入的数据主要包括温度、湿度、气压、风速等气象场要素，得到的预报结果主要包括温度、湿度、气压、风速以及降水等气象场要素。
在一些实施例中，如图2所示，生成时空分辨率可控同化数据库，具体包括以下步骤：
S210：构建数值预报模型；其中，构建的所述数值预报模型为：
式中，k为时间指标，x0为t0时刻的状态变量的分析场，xk为tk时刻的状态变量的分析场，为任一从t0到tk时刻进行预报的数值预报模型。
S220：根据所述数值预报模型求解非线性最优化模型，以得到所述时空分辨率可控同化数据库。该非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，yobs，k为观测数据，J代表上述非线性代价函数，T是指矩阵或者向量的转置，S是指最大的时间指标。
具体地，针对该实施例的一个具体使用场景中，如图3所示，该方法是融合数据同化与人工智能方法进行数值模拟与预报的算法。该方法包括以下步骤：
第一步：可任意选择先进的数值预报模式其中，k为时间指标，x为气象、生态与环境状态变量、搜集全球/区域完备的观测数据yobs，k，由此构建传统的数据同化软件系统，求解公式(1)和(2)的非线性最优化问题、开展数据同化实验，生成时空分辨率可控的长时间序列同化数据库。
公式(1)中x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场(即待确定最优场)，B与Rk分别为背景误差协方差矩阵以及观测误差协方差矩阵，Hk称为观测算子、将状态变量映射到观测变量。通常可采用伴随方法或者集合方法均可以求解以上公式(1)和(2)的最优化问题。据此得到的同化数据模式的格式与所选择的数值预报模式的模拟结果保持一致、均为格点化，时空分辨率亦可任意选择。概况起来，这种数据模型具有格点化、精度高以及蕴含比原有数值预报模式更优性能的模式的突出特点。
第二步：基于上述第一步生成的时空分辨率可控同化数据库，采用人工智能方法进行训练，得到更优性能的AI预报模式训练目标为以下最小化函数：
公式(3)中待确定的AI预报模式M*可以是各种适合的人工智能模型，包括但不限于残差网络、U型网络、图神经网络以及基于注意力机制的神经网络，通过通常的梯度下降法可以对M*的模型参数进行求解；这种数据驱动模式的表现性能比原有的数值预报模式/>更优。
第三步：将获得的AI更优模式与现行的数据同化模块耦合，形成以AI更优模式/>为预报模式的AI预报大数据同化系统，同样通过下面的数据同化、进行高精度的模拟与预报。
在实际操作中，全球/区域完备观测资料的获取与处理均不容易，基于这些全球/区域完备观测数据的数据同化亦相当困难。为克服这一困难，进一步给出下面的改进方案。
在另一些实施例中，如图4所示，生成时空分辨率可控同化数据库，具体包括以下步骤：
S410：构建数值预报模型；
S420：对所述数值预报模型进行时间序列模拟，以得到时间序列模拟数据库；
S430：利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型；步骤S430中，极小化代价函数为：
其中，L代表非线性代价函数，T是指总的训练样本量，M#为待定的AI预报模型，xk为tk时刻的状态变量的分析场。
S440：以所述AI替代模型作为预报算子，利用再分析数据集，并通过求解非线性最优化模型得到所述时空分辨率可控同化数据库。在步骤S440中的非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，ya，k为已知的tk时刻再分析变量场。
具体地，针对该实施例的一个具体使用场景中，如图4所示，这一改进方案包括以下步骤：
第一步：任意选择传统的数值预报模式直接进行长时间序列的模拟，得到长时间序列模拟数据库。这种长时间序列模拟数据库的特点为格点化、时空分辨率自主控制，其蕴含的数值模式即为选择的数值预报模式本身。基于以上生成的时空分辨率可控模拟数据库，采用人工智能的方法、通过极小化代价函数(6)进行训练，得到所选择的数值预报模式/>的AI平替模式/>
第二步：以上步训练得到的AI平替模式为预报算子，采用数据同化的方法融合容易获取的再分析数据集ya，k，通过求解公式(7)和(8)的非线性最优化问题，得到时空分辨率可控的数据再融合模型。
这种数据产品同样具有格点化、精度高以及蕴含比原有数值预报模式更优性能的突出特点。
第三步：同样地，基于以上生成的时空分辨率可控同化数据库，采用人工智能的方法通过极小化代价函数(9)进行训练，得到AI模式
这种数据驱动模式的表现性能比原有的数值预报模式更优；
第四步：将获得AI更优模式与现行的数据同化模块耦合，形成以AI更优模式为预报模式的AI预报大数据同化系统，同样通过公式(10)和(11)的数据同化、进行高精度的模拟与预报。
在一种或几种具体实施方式中，本发明所提供的用于气象生态环境的数值模拟预报方法，具有以下技术效果：
1、以AI平替模式为预报算子利用全球/区域高精度再分析数据ya，k为观测数据构建数据同化系统，进行数据融合、形成时空分辨率可控的数据再融合产品；
2、采用时空分辨率可控的同化/再分析/再融合产品，采用人工智能方法(包括但不限于残差网络、U型网络、图神经网络以及基于注意力机制的神经网络等)进行训练，生成更优的AI模式
3、基于现有的数据同化方法(包括四维变分同化、集合卡尔曼滤波同化方法、集合四维变分同化方法以及基于人工智能的数据同化方法等)与通过人工智能方法训练得到的AI模式或者/>构建大数据同化系统。
除了上述方法，本发明还提供一种用于气象生态环境的数值模拟预报装置，如图6所示，所述装置包括：
第一模型生成单元610，用于生成时空分辨率可控同化数据库；
第二模型生成单元620，用于基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型；
结果生成单元630，用于将所述AI预报模型与预存的数据同化模型进行耦合，以形成AI更优同化模型，利用所述AI更优同化模型得到数值模拟预报结果。
在一些实施例中，生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
根据所述数值预报模型求解非线性最优化模型，以得到所述时空分辨率可控同化数据库。
在一些实施例中，构建的所述数值预报模型为：
其中，k为时间指标，x0为t0时刻的状态变量的分析场，xk为tk时刻的状态变量的分析场，为任一从t0到tk时刻进行预报的数值预报模型。
所述非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为亡0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，yobs，k为观测数据，J代表非线性代价函数，T是指矩阵或者向量的转置，S是指最大的时间指标。
在一些实施例中，生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
对所述数值预报模型进行时间序列模拟，以得到时间序列模拟数据库；
利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型；
以所述AI替代模型作为预报算子，利用再分析数据集，并通过求解非线性最优化模型得到所述时空分辨率可控同化数据库。
在一些实施例中，利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型时，所述极小化代价函数为：
其中，L代表上述非线性代价函数，T是指总的训练样本量，M#为待定的AI预报模型，xk为tk时刻的状态变量的分析场。
在一些实施例中，以所述AI替代模型作为预报算子，利用再分析数据集后所计算的所述非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，ya，k为已知的tk时刻再分析变量场。
在一些实施例中，基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型时，所述极小化代价函数具体包括：
其中，L代表上述非线性代价函数，T是指总的训练样本量，M*为AI预报模型，xk为tk时刻的状态变量的分析场，xk+1为tk+1时刻的状态变量的分析场。
在一种或几种具体实施方式中，本发明所提供的用于气象生态环境的数值模拟预报装置，具有以下技术效果：
1、以AI平替模式为预报算子利用全球/区域高精度再分析数据ya,k为观测数据构建数据同化系统，进行数据融合、形成时空分辨率可控的数据再融合产品；
2、采用时空分辨率可控的同化/再分析/再融合产品，采用人工智能方法(包括但不限于残差网络、U型网络、图神经网络以及基于注意力机制的神经网络等)进行训练，生成更优的AI模式
3、基于现有的数据同化方法(包括四维变分同化、集合卡尔曼滤波同化方法、集合四维变分同化方法以及基于人工智能的数据同化方法等等)与通过人工智能方法训练得到的AI模式或者/>构建大数据同化系统。
图7示例了一种电子设备的实体结构示意图，如图7所示，该电子设备可以包括：处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740，其中，处理器710，通信接口720，存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令，以执行上述方法。
此外，上述的存储器730中的逻辑指令可以通过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设备(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所述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(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法。
以上所描述的装置实施例仅仅是示意性的，其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。
Claims (8)
1.一种用于气象生态环境的数值模拟预报方法，其特征在于，所述方法包括：
生成时空分辨率可控同化数据库；
基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型；
将所述AI预报模型与预存的数据同化模型进行耦合，以形成AI更优同化模型，利用所述AI更优同化模型得到数值模拟预报结果；
生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
根据所述数值预报模型求解非线性最优化模型，以得到所述时空分辨率可控同化数据库；
或者，生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
对所述数值预报模型进行时间序列模拟，以得到时间序列模拟数据库；
利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型；
以所述AI替代模型作为预报算子，利用再分析数据集、并通过求解非线性最优化模型得到所述时空分辨率可控同化数据库。
2.根据权利要求1所述的用于气象生态环境的数值模拟预报方法，其特征在于，构建的所述数值预报模型为：
其中，k为时间指标，x0为t0时刻的状态变量的分析场，xk为tk时刻的状态变量的分析场，为任一从t0到tk时刻进行预报的数值预报模型；
所述非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，yobs,k为观测数据，J代表非线性代价函数，T是指矩阵或者向量的转置，S是指最大的时间指标。
3.根据权利要求1所述的用于气象生态环境的数值模拟预报方法，其特征在于，利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型时，所述极小化代价函数为：
其中，L代表非线性代价函数，T是指总的训练样本量，M#为待定的AI预报模型，xk为tk时刻的状态变量的分析场。
4.根据权利要求1所述的用于气象生态环境的数值模拟预报方法，其特征在于，以所述AI替代模型作为预报算子，利用再分析数据集后所计算的所述非线性最优化模型为：
其中，x′＝x0-xb，xb为背景场或者初猜场、x0为t0时刻的状态变量的分析场，k为时间指标，xk为tk时刻的状态变量的分析场，B为背景误差协方差矩阵，Rk为观测误差协方差矩阵，Hk为观测算子，ya,k为已知的tk时刻再分析变量场，S是指最大的时间指标。
5.根据权利要求1所述的用于气象生态环境的数值模拟预报方法，其特征在于，基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型时，所述极小化代价函数具体包括：
其中，L代表非线性代价函数，T是指总的训练样本量，M*为AI预报模型，xk为tk时刻的状态变量的分析场，xk+1为tk+1时刻的状态变量的分析场。
6.一种用于气象生态环境的数值模拟预报装置，其特征在于，所述装置包括：
第一模型生成单元，用于生成时空分辨率可控同化数据库；
第二模型生成单元，用于基于所述时空分辨率可控同化数据库，利用人工智能算法通过极小化代价函数进行训练，以得到AI预报模型；
结果生成单元，用于将所述AI预报模型与预存的数据同化模型进行耦合，以形成AI更优同化模型，利用所述AI更优同化模型得到数值模拟预报结果；
生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
根据所述数值预报模型求解非线性最优化模型，以得到所述时空分辨率可控同化数据库；
或者，生成时空分辨率可控同化数据库，具体包括：
构建数值预报模型；
对所述数值预报模型进行时间序列模拟，以得到时间序列模拟数据库；
利用人工智能算法通过极小化代价函数进行训练，以得到AI替代模型；
以所述AI替代模型作为预报算子，利用再分析数据集、并通过求解非线性最优化模型得到所述时空分辨率可控同化数据库。
7.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378000.4A CN116384127B (zh) | 2023-04-10 | 2023-04-10 | 用于气象生态环境的数值模拟预报方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310378000.4A CN116384127B (zh) | 2023-04-10 | 2023-04-10 | 用于气象生态环境的数值模拟预报方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116384127A CN116384127A (zh) | 2023-07-04 |
| CN116384127B true CN116384127B (zh) | 2024-01-02 |
Family
ID=86970778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310378000.4A Active CN116384127B (zh) | 2023-04-10 | 2023-04-10 | 用于气象生态环境的数值模拟预报方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384127B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117273244A (zh) * | 2023-11-22 | 2023-12-22 | 中国电力科学研究院有限公司 | 一种区域风光资源中长期人工智能预报方法及装置 |
| CN118094112B (zh) * | 2024-04-18 | 2024-07-30 | 北京市农林科学院智能装备技术研究中心 | 灌溉数据同化方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3343249A1 (de) * | 2017-01-03 | 2018-07-04 | UBIMET GmbH | Verfahren zur erhöhung der räumlichen auflösung einer wettervorhersage |
| CN108983320A (zh) * | 2018-04-08 | 2018-12-11 | 浙江大学 | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 |
| CN111401602A (zh) * | 2019-12-31 | 2020-07-10 | 河海大学 | 基于神经网络的卫星以及地面降水测量值同化方法 |
| CN113486540A (zh) * | 2021-08-20 | 2021-10-08 | 天津大学 | 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法 |
| CN113505521A (zh) * | 2021-05-20 | 2021-10-15 | 天津大学 | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 |
| CN114724647A (zh) * | 2022-06-09 | 2022-07-08 | 南京大学 | 一种高时空分辨率co2通量反演系统及方法 |
| CN115081307A (zh) * | 2022-04-28 | 2022-09-20 | 同济大学 | 一种基于神经网络的气象数值模式同化方法及装置 |
| CN115630566A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180038994A1 (en) * | 2016-08-02 | 2018-02-08 | International Business Machines Corporation | Techniques to Improve Global Weather Forecasting Using Model Blending and Historical GPS-RO Dataset |
| US11720727B2 (en) * | 2018-09-06 | 2023-08-08 | Terrafuse, Inc. | Method and system for increasing the resolution of physical gridded data |
-
2023
- 2023-04-10 CN CN202310378000.4A patent/CN116384127B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3343249A1 (de) * | 2017-01-03 | 2018-07-04 | UBIMET GmbH | Verfahren zur erhöhung der räumlichen auflösung einer wettervorhersage |
| CN108983320A (zh) * | 2018-04-08 | 2018-12-11 | 浙江大学 | 一种沿海台风极值风速的数值天气预报-人工智能耦合预测方法 |
| CN111401602A (zh) * | 2019-12-31 | 2020-07-10 | 河海大学 | 基于神经网络的卫星以及地面降水测量值同化方法 |
| CN113505521A (zh) * | 2021-05-20 | 2021-10-15 | 天津大学 | 一种耦合神经网络-数值模拟的城市内涝快速预报方法 |
| CN113486540A (zh) * | 2021-08-20 | 2021-10-08 | 天津大学 | 一种基于集合卡尔曼滤波的潮汐数值模型水深估计方法 |
| CN115081307A (zh) * | 2022-04-28 | 2022-09-20 | 同济大学 | 一种基于神经网络的气象数值模式同化方法及装置 |
| CN114724647A (zh) * | 2022-06-09 | 2022-07-08 | 南京大学 | 一种高时空分辨率co2通量反演系统及方法 |
| CN115630566A (zh) * | 2022-09-28 | 2023-01-20 | 中国人民解放军国防科技大学 | 一种基于深度学习和动力约束的资料同化方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| Bridging observations, theory and numerical simulation of the ocean using machine learning;Maike Sonnewald;《ENVIRONMENT RESEARCH》;全文 * |
| 基于机器学习方法的西安市数值模拟优化研究;李娟，等;《环境科学研究》;872-881 * |
| 强对流天气人工智能应用训练基础数据集构建;刘娜，等;《应用气象学报》;530-541 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116384127A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116384127B (zh) | 用于气象生态环境的数值模拟预报方法及装置 | |
| US20230028237A1 (en) | Method and apparatus for training image processing model | |
| US20220215259A1 (en) | Neural network training method, data processing method, and related apparatus | |
| Wang et al. | Simulating multiple class urban land-use/cover changes by RBFN-based CA model | |
| CN112990116A (zh) | 基于多注意力机制融合的行为识别装置、方法和存储介质 | |
| Zhang et al. | Deep learning from spatio-temporal data using orthogonal regularizaion residual cnn for air prediction | |
| CN111797970A (zh) | 训练神经网络的方法和装置 | |
| CN114548428B (zh) | 基于实例重构的联邦学习模型智能攻击检测方法及装置 | |
| CN114693624B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
| Wang et al. | Environmental monitoring based on fog computing paradigm and internet of things | |
| CN113066037B (zh) | 基于图注意力机制的多光谱与全色图像融合方法及系统 | |
| CN110472725A (zh) | 一种平衡二值化神经网络量化方法及系统 | |
| CN109299170B (zh) | 一种针对带标签时间序列数据的补全方法 | |
| CN108665308A (zh) | 评分预测方法和装置 | |
| CN116740422A (zh) | 基于多模态注意力融合技术的遥感图像分类方法及装置 | |
| Yao et al. | A stability criterion for discrete-time fractional-order echo state network and its application | |
| Wang et al. | Multi‐scale network for remote sensing segmentation | |
| Yang et al. | Extraction of land covers from remote sensing images based on a deep learning model of NDVI-RSU-Net | |
| Wang et al. | A distributed load balancing algorithm for climate big data processing over a multi‐core CPU cluster | |
| CN116958041A (zh) | 一种产品缺陷检测方法、装置、电子设备和存储介质 | |
| Liu | Multidimensional nonlinear landscape planning based on parameter feature extraction and multimedia technology | |
| CN114627085A (zh) | 目标图像的识别方法和装置、存储介质及电子设备 | |
| Wang et al. | Phenological prediction algorithm based on deep learning | |
| CN116680434B (zh) | 基于人工智能的图像检索方法、装置、设备及存储介质 | |
| Hu et al. | Theory of spatiotemporal deep analogs and their application to solar forecasting |
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 |