CN117313307A - 一种融合时空环境信息的气候模型模拟温度数据修正方法 - Google Patents
一种融合时空环境信息的气候模型模拟温度数据修正方法 Download PDFInfo
- Publication number
- CN117313307A CN117313307A CN202310757517.4A CN202310757517A CN117313307A CN 117313307 A CN117313307 A CN 117313307A CN 202310757517 A CN202310757517 A CN 202310757517A CN 117313307 A CN117313307 A CN 117313307A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature data
- model
- monitoring
- temperature
- 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 60
- 238000012937 correction Methods 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 claims abstract description 72
- 230000007613 environmental effect Effects 0.000 claims abstract description 49
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000005855 radiation Effects 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000002715 modification method Methods 0.000 claims 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000004387 environmental modeling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000001737 promoting effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种融合时空环境信息的气候模型模拟温度数据修正方法，包括如下步骤：步骤一：获取监测站信息与历史温度数据；步骤二：获取监测数据对应环境信息；步骤三：气候模型模拟温度数据插值计算；步骤四：建立气候模型模拟温度数据修正模型；本发明在传统直接使用插值方法处理模拟温度数据集的方法上，提出了融合时间信息、空间信息和环境信息的模拟温度数据修正方法，提高了温度数据的准确性，解决了现有方法无法对模拟温度数据插值结果与实测数据的差异进行修正的问题，提高了将模拟温度数据进行大范围推广使用的可行性。
Description
技术领域
本发明涉及一种融合时空环境信息的气候模型模拟温度数据修正方法，即一种基于温度的大气物理变化规律，综合时间信息、地理信息和环境信息对气候模型模拟温度数据与实测温度数据的差异进行修正的方法；本方法针对气象监测站积累的历史环境温度数据和气候物理模型模拟计算得到的温度数据展开，提出以监测数据为修正目标，以温度采集时间信息，监测站点经度、纬度和海拔高度等地理信息以及其对应的太阳辐射、大气辐射等环境信息为修正因子，构建温度数据的修正模型；本方法适用于对全球范围模拟温度数据修正，是将现有大气物理仿真温度数据集推广使用的有效方法。
背景技术
环境温度是产品环境适应性研究的重要因素之一；温度变化会影响产品的性能和可靠性，通过对产品在各种温度条件下的测试和分析，可以帮助制造商确定产品适应性的极限和最佳工作范围，并制定相应的设计和生产措施以确保产品的可靠性和性能；环境温度受气候条件、太阳辐射、地形海拔等多种因素影响，且具有较强的周期性变化特征；
环境温度是环境监测站测量的主要环境因素之一，在全球范围内形成了丰富的历史监测数据集；但这些数据受限于环境监测点位置和时效性，缺乏区域性环境因素的数据分布；当前区域性温度数据的研究，主要通过结合观测数据与气候物理模型模拟计算方法实现；由于物理模型模拟设定的边界条件、气候模式等存在差异，计算得到的模拟温度数据间存在差异，且和实际的观测数据对比也存在较大差异；现有研究缺乏对数值模拟温度数据与实测环境数据间差异的修正分析，导致气候物理仿真模型计算得到温度数据准确性存疑，极大地限制了其数据的推广使用；
基于此，本发明提出了一种融合时空环境信息的气候模型仿真温度数据修正方法，它是一种将影响温度分布的时间信息、地理信息和环境信息作为修正因子，以监测温度数据为修正目标的神经网络修正模型；用于修正气候物理模型模拟温度数据与实测温度数据的差异，提高气候物理模型模拟温度数据集推广使用的可行性。
所述的“气候物理模型模拟”是指利用数值方法和计算机技术来模拟大气物理过程和气象现象的过程；气候物理模型是基于大气物理学基本方程式的数学表述，其描述了大气中的动力学、热力学和辐射过程；利用大气物理模型进行数值模拟，可以预测大气中的各种物理现象，如气温、气压、风速、湿度等变化；
发明内容
(1)本发明的目的：
针对现有研究对气候物理模型模拟温度数据和实测温度数据差异分析缺乏的现状，本发明的目的是提出一种融合时空环境信息的气候模型模拟温度数据的修正模型，即一种将影响温度分布的时间信息、地理信息和环境信息作为修正因子，以监测温度数据为修正目标，通过神经网络构建修正模型的方法；它是一种基于时空克里金插值方法、全连接神经网络的大气物理数值模拟温度数据修正方法，适用于全球范围的模拟温度数据与实测温度数据差异的修正；
(2)技术方案：
本发明建立如下基本设置：
设置1环境温度以NOAA提供的全球气象站温度监测数据为真实值，平均温度为一段时期内监测温度数据的均值，监测数据缺失量超过限度后，平均温度数据值舍弃；
所述的“NOAA”是美国国家海洋和大气管理局(National Oceanic andAtmospheric Administration)的缩写。它是美国政府的一个机构，直属于美国商务部，负责监测和研究海洋、大气和太空的环境变化，以及为政府和社会提供与这些变化相关的信息和服务；
设置2环境温度数据受多种因素综合影响，其中主要的影响因素包括时间信息、地理信息和环境信息，其余影响因素如人类活动等在本方法中设定为随机影响因素；
所述的“时间信息”是指观测数据对应时间月，温度数据随观测时间月呈现出明显的周期变化规律；
所述的“地理信息”是指观测数据对应的经度、纬度、海拔信息，这些地理信息会影响大气运动和辐射平衡，进而影响环境温度；
所述的“环境信息”是指观测数据对应的太阳辐射、大气长波辐射和大气短波辐射信息，太阳辐射是主要的热能来源，太阳辐射的强度和方向会影响环境温度，而大气辐射同样会影响温度的变化；
基于上述假设，本发明一种融合时空环境信息的气候模型模拟温度数据修正方法，通过如下步骤实现：
步骤一：获取监测站信息与历史温度数据；
环境温度的历史观测数据是构建与验证修正模型的基础，历史观测数据为环境气象监测站的历史观测数据，除环境温度数据外，还需要对温度数据对应的测量时间和监测站点的地理信息进行记录，采用如下向量形式进行保存：
(Ti,Loni,Lati,ti,hi)
其中，i为监测数据的编号，Ti为监测温度数据，单位为℃，Loni为数据经度，Lati为数据纬度，ti为数据测量时间，hi为数据测量海拔高度，单位为m；
步骤二：获取监测数据对应环境信息；
构建气候物理模型仿真温度修正模型除地理信息与时间信息外，还需要获得太阳辐射和大气辐射的环境数据；
辐射数据在监测历史数据中往往缺乏，本方法中辐射数据通过从已有的全球辐射环境数据集处理得到。现有的辐射数据集来源有NASA CERES EBAF与NCEI HIRS OLR等；上述辐射数据集提供了基于经度、纬度定位的全球栅格化辐射数据，对于各监测点对应的辐射数据，本方法中采用克里金插值方法得到；
对于确定的监测点i，其经纬度和时间信息记录为(Loni,Lati,ti)；首先通过时间信息ti找到数据集中对应时间的全球辐射数据分布；再通过经纬度信息Loni和Lati找到空间位置中距离监测点i地理距离最近的m个数据点对应的辐射数据，构成集合{fj|j＝1,2,…m}，其中fj为第j个临近点的辐射数据；基于此辐射数据集合，对监测点的辐射数据进行插值，具体实现方式如式(1)：
其中，Fi为监测点i辐射数据插值结果，λj为第j个临近数据的权重，由克里金插值算法确定；
所述的“NASA CERES EBAF”，其全称为Clouds and the Earth's Radiant EnergySystem(CERES)Energy Balanced and Filled(EBAF)数据集；该数据集旨在提供全球地表和大气辐射平衡的长时间序列数据，是当前全球辐射平衡领域中最为重要的数据集之一，被广泛应用于气候研究、气候建模、能量收支分析等方面；
所述的“NCEI HIRS OLR”，其全称为National Centers for EnvironmentalInformation High-resolution Infrared Radiation Sounder Outgoing LongwaveRadiation数据集；该数据集包含了全球范围内的高空气象观测数据，其中包括卫星测量的温度和湿度数据、云层信息、地表温度、长波辐射等数据；
所诉的“克里金插值方法”是一种常用的空间插值方法，主要用于对空间上缺失的数据进行估计和预测；该方法基于统计学原理，通过已知数据点的值和它们之间的距离来推算未知点的值；
本步骤获得了监测点对应的辐射环境数据后，数据采用如下向量形式保存：
(Ti,Loni,Lati,ti,hi,Fi 1,Fi 2,Fi 3)
其中：Fi 1为太阳辐射数据，Fi 2为大气长波辐射数据，Fi 3为大气短波辐射数据，三者单位均为W/m2；
步骤三：气候模型模拟温度数据插值计算；
气候模型模拟温度数据是本方法需要修正的数据，其数据来源通过公开的全球气候数据中心中获取，如WDCC与WMO等。同时为提高方法对模拟温度数据集修正的推广性，上述全球气候数据中心包含多种环境温度模拟数据，如MIROC5、CanCM4和ESM2M等。本步骤中建议选取3种及以上的模拟温度数据集；
在确定了模拟温度数据及后，对于各测点的仿真温度数据计算方式采用克里金插值方法得到。对于具体的监测点i和模拟温度数据集j，通过时间信息ti找到数据集j中对应时间的全球辐射数据分布；再通过经纬度信息Loni和Lati找到空间位置中距离监测点i地理距离最近的m个数据点对应的仿真温度数据，构成集合{gjk|k＝1,2,…m}，其中gjk为第j个仿真数据集第k个距离临近点的温度数据；基于此温度数据集合，对监测点的辐射数据进行插值，具体实现方式如式(2)：
其中，Ti j为监测点i第j个仿真温度数据集的数据插值结果，λk为第k个临近数据的权重，由克里金插值算法确定；
所述的“WDCC”全称为World Data Center for Climate，是由德国气象局和德国地球科学研究中心共同运营的一个国际气候数据中心，提供了多个全球气候模型的输出数据，包括温度、降水等气象要素，以及陆地、海洋、冰雪等地球系统要素；
所述的“WMO”全称为World Meteorological Organization，是联合国系统内的一个专门机构；WMO的成员包括全球185个国家和地区，旨在促进全球气象和水文领域的合作，提高气象和水文服务的质量和效率，以保护生命和财产，促进可持续发展和环境保护；
所述的“MIROC”全称为Model for Interdisciplinary Research On Climate，是由日本国家环境研究所(National Institute for Environmental Studies)和日本海洋研究开发机构(Japan Agency for Marine-Earth Science and Technology)合作开发的气候模型系列，MIROC5是MIROC模型系列的第五个版本；
所述的“CanCM”全称为Canadian Earth System Model，是加拿大气候模型的系列，由加拿大气候中心(Canadian Centre for Climate Modelling and Analysis)开发，CanCM4是该系列的第四个版本；
所述的“ESM2M”全称为Earth System Model version 2-Max Planck InstituteModel，是一个全球气候模型，该模型是由德国马克斯·普朗克气候系统研究所(MaxPlanck Institute for Meteorology)开发的。
本步骤完成后，步骤四修正模型涉及的时间信息、地理信息、环境信息、待修正模拟温度数据、监测温度数据完备，数据采用如下向量形式保存：
(Ti,Loni,Lati,ti,hi,Fi 1,Fi 2,Fi 3,Ti 1,…,Ti n)
其中，n为选择的模拟温度数据集个数，Ti j为第j个模拟温度数据集在第i条观测数据处对应的温度插值结果；
步骤四：建立气候模型仿真温度数据修正模型；
温度数据受到时间信息、地理信息和环境信息的综合影响，呈现出复杂的非线性关系，而气候模型仿真温度数据与监测温度数据的差值与上述信息间的关系则更加复杂；人工神经网络(ANN)通过多层神经元的组合，可以实现对非线性关系的建模和预测，具有自适应性强和泛化能力强的优点，本方法种选取其作为修正模型的基本框架；
本方法中人工神经网络的结构为两层，结构为(n+7)-30-30-1，n为选择的模拟温度数据集个数；该结构保证模型在具有非线性关系表达能力的基础上，减少模型的深度以提高其训练成本和泛化能力；模型的输入为为步骤三中所得环境，输出为预测温度/>模型的可以表达为如下形式：
其中：ANN(·)为本方法中使用的神经网络模型；
在神经网络模型训练中，本方法选取监测数据中的80％的数据作为训练集进行模型训练与建立，用余下的20％监测数据作为测试集，进行模型泛化能力的校验；模型损失函数采用均方误差函数，其表达式为：
其中：n为样本量。
模型参数迭代选用随机梯度下降法进行优化，迭代次数设定为300次。上述操作的编程实现均基于深度学习PyTorch框架。
所述的“随机梯度下降”是一种迭代优化算法，用于寻找目标函数的最优解。与传统的梯度下降法不同，随机梯度下降法每次迭代只使用训练集中的一个样本(或一小批样本)来计算梯度和更新参数。
所述的“PyTorch”是一个基于Python的开源机器学习框架，它提供了一系列工具和接口，可以方便地进行神经网络的构建、训练和部署；
通过以上步骤，本发明在直接使用插值方法处理气候模型模拟温度数据集的传统方法上，提出了融合时间信息、空间信息和环境信息的综合温度数据修正方法；提高了模拟温度数据的准确性，解决了现有方法无法对模拟温度数据与实测数据的差异进行修正的问题，提高了将气候模型仿真温度数据进行大范围推广使用的可行性。
(3)优点和功效在于：
①本发明在现有研究缺乏对仿真温度数据修正的基础上，综合考虑了时间信息、地理信息和环境信息，提出了适用范围广、泛化能力强的仿真温度数据修正模型；
②本发明提出的修正模型，可以实现对仿真温度数据精确的修正；
③本发明的修正方法，可以结合现有温度监测数据和全球公开温度仿真数据集进行全球性温度分布预测，其结果可以用于产品温度适应性设计，具有广阔应用前景。
附图说明
图1是本发明所述方法流程图。
图2是实施实例的监测站点位置分布图。
图3a和图3b是实施实例的模型修正温度与监测温度数据分布图。
图4是实施实例的模拟数据插值结果与修正结果对比图。
具体实施方式
下面将结合实例对本发明做进一步详细说明。
本发明一种融合时空环境信息的气候模型仿真温度数据修正方法，即一种综合考虑时间信息、地理信息和环境信息对气候模型模拟温度数据进行修正的方法，见图1所示，其具体实现方式如下：
步骤一：获取监测站信息与历史温度数据；
本案例中监测站信息与历史温度数据来源于美国国家海洋和大气管理局，选取了1000个监测站点进行数据分析，监测站点的分布如图2；温度监测数据量为39488条，包含监测时间信息、经度、纬度和海拔高度；表1是30条监测数据示例：
表1部分监测数据示例
步骤二：获取监测数据对应环境信息；
根据本发明说明，案例中选取NASACERES EBAF作为太阳辐射数据和大气辐射数据来源；采用方法中所述克里金插值方法，选取距离每个监测点最近的25个辐射数据，通过克里金插值获取得到对应测点的环境数据；表2为30条示例数据的辐射数据插值结果；
表2监测点辐射环境数据示例
| 测点编号 | 太阳辐射(W·m-2) | 大气长波辐射(W·m-2) | 大气短波辐射(W·m-2) |
| 1 | 280.05 | 98.85 | 242.40 |
| 2 | 58.89 | 31.30 | 209.07 |
| 3 | 365.46 | 66.31 | 286.57 |
| 4 | 368.46 | 99.13 | 247.06 |
| 5 | 187.32 | 86.75 | 211.50 |
| 6 | 472.34 | 87.68 | 291.84 |
| 7 | 293.71 | 101.42 | 254.13 |
| 8 | 472.30 | 137.36 | 234.35 |
| 9 | 285.76 | 59.87 | 251.69 |
| 10 | 441.42 | 98.86 | 273.48 |
| 11 | 408.49 | 85.60 | 238.78 |
| 12 | 467.06 | 142.35 | 246.59 |
| 13 | 490.68 | 141.61 | 255.52 |
| 14 | 292.56 | 136.96 | 206.05 |
| 15 | 185.73 | 84.69 | 208.53 |
| 16 | 150.86 | 66.40 | 210.94 |
| 17 | 391.21 | 106.14 | 250.92 |
| 18 | 461.76 | 152.70 | 242.58 |
| 19 | 195.08 | 74.45 | 224.11 |
| 20 | 406.57 | 132.13 | 223.59 |
| 21 | 190.46 | 102.87 | 187.01 |
| 22 | 439.38 | 80.30 | 261.31 |
| 23 | 217.08 | 89.66 | 191.77 |
| 24 | 332.49 | 83.05 | 254.54 |
| 25 | 108.27 | 58.57 | 183.03 |
| 26 | 339.75 | 120.62 | 232.01 |
| 27 | 370.23 | 83.74 | 289.84 |
| 28 | 0.00 | 0.25 | 179.71 |
| 29 | 207.15 | 68.16 | 238.87 |
| 30 | 437.16 | 75.29 | 286.25 |
步骤三：气候模型仿真温度数据插值计算；
案例中气候模型仿真温度数据从世界气象数据中心(WDCC)中获取，共选取了3个不同模型计算得到的温度仿真数据，模型分别为GFDL、GISS和CSIRO-Mk3-6-0；采用方法中所述克里金插值方法，选取最近的25个温度数据，插值得到对应测点的环境数据；表3为30条示例数据的仿真温度插值结果：
| 测点编号 | 模拟温度数据1(℃) | 模拟温度数据2(℃) | 模拟温度数据3(℃) |
| 1 | 8.55 | 16.41 | 2.38 |
| 2 | -7.35 | -3.21 | -1.78 |
| 3 | 23.93 | 23.64 | 23.15 |
| 4 | 22.84 | 24.66 | 23.40 |
| 5 | -2.02 | 2.45 | 0.19 |
| 6 | 22.75 | 23.00 | 28.36 |
| 7 | 17.90 | 20.05 | 14.21 |
| 8 | -30.22 | -22.69 | -12.99 |
| 9 | 8.80 | 11.73 | 0.96 |
| 10 | 32.08 | 31.10 | 32.14 |
| 11 | 15.19 | 12.18 | 16.59 |
| 12 | 23.07 | 21.04 | 23.53 |
| 13 | 23.39 | 23.04 | 19.30 |
| 14 | -9.91 | -15.22 | -12.72 |
| 15 | -1.30 | -4.61 | -2.97 |
| 16 | -2.65 | -0.41 | -6.64 |
| 17 | 17.16 | 20.00 | 11.41 |
| 18 | 20.48 | 15.18 | 23.11 |
| 19 | 6.19 | 7.37 | 2.32 |
| 20 | 4.39 | 0.44 | 5.17 |
| 21 | -10.02 | -12.07 | -8.58 |
| 22 | 25.93 | 28.97 | 26.89 |
| 23 | -2.11 | -9.22 | 2.96 |
| 24 | 15.63 | 11.33 | 8.32 |
| 25 | -1.98 | -3.17 | -13.37 |
| 26 | 15.31 | 13.84 | 19.44 |
| 27 | 20.04 | 21.22 | 20.53 |
| 28 | -34.84 | -28.95 | -22.33 |
| 29 | 9.86 | 10.17 | 2.63 |
| 30 | 20.69 | 17.64 | 21.77 |
步骤四：建立气候模型仿真温度数据修正模型；
根据方法说明，案例中选取39488条监测数据中80％的数据为训练数据，20％的数据为测试数据，构建了10-20-20-1的全连接神经网络训练模型；使用训练集进行模型参数训练，测试集进行模型泛化修正能力和泛化效果的检验；最终模型修正温度数据与原始温度数据的分布如图3a和图3b；30条示例数据的仿真数据插值结果与本方法修正结果的对比如图4；
综上所述，本发明涉及一种融合时空环境信息的气候模型仿真温度数据修正方法，它是一种考虑时间信息、地理信息和环境信息的综合修正模型，具有较高的修正精度和泛化能力；该方法的具体步骤是：一、获取监测站信息与历史温度数据；二、获取监测数据对应环境信息；三、插值计算气候模型仿真温度数据；四、建立气候模型仿真温度数据修正模型；本发明适用于全球范围内的仿真温度数据修正，可用于受温度影响的产品环境适应性研究及其他环境建模问题，具有较高的实用价值。
Claims (8)
1.一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：包括如下步骤：
步骤一：获取监测站信息与历史温度数据；
环境温度的历史观测数据是构建与验证修正模型的基础，历史观测数据为环境气象监测站的历史观测数据，除环境温度数据外，还需要对温度数据对应的测量时间和监测站点的地理信息进行记录，采用如下向量形式进行保存：
(Ti,Loni,Lati,ti,hi)
其中，i为监测数据的编号，Ti为监测温度数据，单位为℃，Loni为数据经度，Lati为数据纬度，ti为数据测量时间，hi为数据测量海拔高度，单位为m；
步骤二：获取监测数据对应环境信息；
构建气候物理模型仿真温度修正模型除地理信息与时间信息外，还需要获得太阳辐射和大气辐射的环境数据；
对于确定的监测点i，其经纬度和时间信息记录为(Loni,Lati,ti)；首先通过时间信息ti找到数据集中对应时间的全球辐射数据分布；再通过经纬度信息Loni和Lati找到空间位置中距离监测点i地理距离最近的m个数据点对应的辐射数据，构成集合{fj|j＝1,2,…m}，其中fj为第j个临近点的辐射数据；
步骤三：气候模型模拟温度数据插值计算；
气候模型模拟温度数据是需要修正的数据，其数据来源通过公开的全球气候数据中心中获取，建议选取3种及以上的模拟温度数据集；
在确定了模拟温度数据及后，对于各测点的仿真温度数据计算方式采用克里金插值方法得到；对于具体的监测点i和模拟温度数据集j，通过时间信息ti找到数据集j中对应时间的全球辐射数据分布；再通过经纬度信息Loni和Lati找到空间位置中距离监测点i地理距离最近的m个数据点对应的仿真温度数据，构成集合{gjk|k＝1,2,…m}，其中gjk为第j个仿真数据集第k个距离临近点的温度数据；
步骤四：建立气候模型仿真温度数据修正模型；
选取人工神经网络作为修正模型的框架，人工神经网络通过多层神经元的组合，实现对非线性关系的建模和预测；
人工神经网络的结构为两层，结构为(n+7)-30-30-1，n为选择的模拟温度数据集个数；该结构保证模型在具有非线性关系表达能力的基础上，减少模型的深度以提高其训练成本和泛化能力；模型的输入为输出为预测温度/>
表达为如下形式：
其中：ANN(·)为使用的神经网络模型。
2.根据权利要求1所述的一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：环境温度以NOAA提供的全球气象站温度监测数据为真实值，平均温度为一段时期内监测温度数据的均值，监测数据缺失量超过限度后，平均温度数据值舍弃。
3.根据权利要求1所述的一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：环境温度数据受多种因素综合影响，其中主要影响因素包括时间信息、地理信息和环境信息，其余影响因素设定为随机影响因素。
4.根据权利要求1或2或3所述的一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：在步骤二中，对监测点的辐射数据进行插值，具体实现方式如式(1)：
其中，Fi为监测点i辐射数据插值结果，λj为第j个临近数据的权重，由克里金插值算法确定。
5.根据权利要求4所述的一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：在步骤二中，获得了监测点对应的辐射环境数据后，数据采用如下向量形式保存：
(Ti,Loni,Lati,ti,hi,Fi 1,Fi 2,Fi 3)
其中：Fi 1为太阳辐射数据，Fi 2为大气长波辐射数据，Fi 3为大气短波辐射数据，三者单位均为W/m2。
6.根据权利要求1或2或3所述的一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：在步骤三中，对监测点的辐射数据进行插值，具体实现方式如式(2)：
其中，Ti j为监测点i第j个仿真温度数据集的数据插值结果，λk为第k个临近数据的权重，由克里金插值算法确定。
7.根据权利要求1或2或3所述的一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：修正模型涉及的时间信息、地理信息、环境信息、待修正模拟温度数据、监测温度数据完备，数据采用如下向量形式保存：
(Ti,Loni,Lati,ti,hi,Fi 1,Fi 2,Fi 3,Ti 1,…,Ti n)
其中，n为选择的模拟温度数据集个数，Ti j为第j个模拟温度数据集在第i条观测数据处对应的温度插值结果。
8.根据权利要求7所述的一种融合时空环境信息的气候模型模拟温度数据修正方法，其特征在于：在步骤四中，在神经网络模型训练中，选取监测数据中的80％的数据作为训练集进行模型训练与建立，用余下的20％监测数据作为测试集，进行模型泛化能力的校验；模型损失函数采用均方误差函数，其表达式为：
其中：n为样本量；
模型参数迭代选用随机梯度下降法进行优化，迭代次数设定为300次；上述操作的编程实现均基于深度学习PyTorch框架。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757517.4A CN117313307A (zh) | 2023-06-26 | 2023-06-26 | 一种融合时空环境信息的气候模型模拟温度数据修正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757517.4A CN117313307A (zh) | 2023-06-26 | 2023-06-26 | 一种融合时空环境信息的气候模型模拟温度数据修正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117313307A true CN117313307A (zh) | 2023-12-29 |
Family
ID=89254214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310757517.4A Pending CN117313307A (zh) | 2023-06-26 | 2023-06-26 | 一种融合时空环境信息的气候模型模拟温度数据修正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117313307A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
| CN109738091A (zh) * | 2019-01-28 | 2019-05-10 | 象谱信息产业有限公司 | 基于公路地理环境预测路面温度的系统及方法 |
| CN112800603A (zh) * | 2021-01-26 | 2021-05-14 | 北京航空航天大学 | 一种基于集合最优插值算法的大气环境数据同化方法 |
| CN113887058A (zh) * | 2021-10-13 | 2022-01-04 | 北京航空航天大学 | 一种考虑距海岸线距离和风速影响的氯离子沉积率预测方法 |
-
2023
- 2023-06-26 CN CN202310757517.4A patent/CN117313307A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
| CN109738091A (zh) * | 2019-01-28 | 2019-05-10 | 象谱信息产业有限公司 | 基于公路地理环境预测路面温度的系统及方法 |
| CN112800603A (zh) * | 2021-01-26 | 2021-05-14 | 北京航空航天大学 | 一种基于集合最优插值算法的大气环境数据同化方法 |
| CN113887058A (zh) * | 2021-10-13 | 2022-01-04 | 北京航空航天大学 | 一种考虑距海岸线距离和风速影响的氯离子沉积率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kaba et al. | Estimation of daily global solar radiation using deep learning model | |
| Feng et al. | Evaluation of sunshine-based models for predicting diffuse solar radiation in China | |
| Bengtsson et al. | The need for a dynamical climate reanalysis | |
| CN109344865B (zh) | 一种多数据源的数据融合方法 | |
| Arowolo et al. | Comparison of spatial interpolation techniques to generate high‐resolution climate surfaces for Nigeria | |
| CN112163375B (zh) | 一种基于神经网络的长时间序列近地面臭氧反演方法 | |
| Li et al. | Mapping near-surface air temperature, pressure, relative humidity and wind speed over Mainland China with high spatiotemporal resolution | |
| CN114265836A (zh) | 一种基于云区温湿度廓线反演的卫星微波温湿度计全天候同化方法及装置 | |
| CN110909447B (zh) | 一种高精度电离层区域短期预报方法 | |
| Jiang et al. | A Municipal PM2. 5 Forecasting Method Based on Random Forest and WRF Model. | |
| CN105956691A (zh) | 预测区域不同方位、观测点pm2.5背景浓度计算方法 | |
| Liu et al. | Estimation of summer air temperature over China using Himawari-8 AHI and numerical weather prediction data | |
| CN115859789A (zh) | 一种提高极地大气温度廓线反演精度的方法 | |
| CN115795399A (zh) | 一种多源遥感降水数据自适应融合方法和系统 | |
| CN109657988B (zh) | 基于hasm和欧氏距离算法的烟叶品质分区方法 | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
| CN114595876A (zh) | 一种区域风场预测模型生成方法和装置、电子设备 | |
| Mahdi et al. | Using artificial neural networks to predict solar radiation for Duhok City, Iraq | |
| Dong et al. | Simulation of United States mesoscale convective systems using GFDL’s new high-resolution general circulation model | |
| CN117493476A (zh) | 一种融合物理机制和人工智能的径流回溯模拟方法及系统 | |
| Ramedani et al. | A method based on neural networks for generating solar radiation map | |
| CN112329334A (zh) | 一种基于模拟亮温的mwhts和mwts-ii融合反演海面气压方法 | |
| CN117313307A (zh) | 一种融合时空环境信息的气候模型模拟温度数据修正方法 | |
| CN115688588A (zh) | 一种基于改进xgb方法的海表面温度日变化振幅预测方法 |
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 |