CN117909888B - 智慧人工智能气候预测方法 - Google Patents
智慧人工智能气候预测方法 Download PDFInfo
- Publication number
- CN117909888B CN117909888B CN202410321400.6A CN202410321400A CN117909888B CN 117909888 B CN117909888 B CN 117909888B CN 202410321400 A CN202410321400 A CN 202410321400A CN 117909888 B CN117909888 B CN 117909888B
- Authority
- CN
- China
- Prior art keywords
- climate
- prediction
- optimal
- target
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 230000002159 abnormal effect Effects 0.000 claims abstract description 43
- 230000005856 abnormality Effects 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 description 27
- 238000011160 research Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 239000002243 precursor Substances 0.000 description 3
- 230000002547 anomalous effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智慧人工智能气候预测方法,利用时空耦合模态分解方法,提取决定预测目标气候要素异常相对倾向的前期或同期最优气候模态及其对应的时间序列;利用人工智能模型训练和构建最优气候模态时间序列与预测目标气候要素异常相对倾向之间非线性关系的预测模型;将观测的前期或动力模式预测的同期最优气候模态时间序列带入非线性预测模型,实现对预测目标气候要素异常相对倾向预测;结合观测的近期背景异常,最终实现对预测目标气候要素距平值的非线性预测。
Description
技术领域
本发明涉及人工智能技术领域,特别涉及一种智慧人工智能气候预测方法。
背景技术
气候预测,特别是以降水、气温等主要气候要素为目标的季节和次季节气候预测,长期以来一直是我国气象科学理论研究和业务实践应用领域里的研究重点和难点,如何针对不同气候要素,提供精准的客观定量化预测结果,是气象部门和相关单位做好防汛抗旱等气象防灾减灾等工作的迫切需求。
地球气候系统是一个十分复杂的非线性系统,对于任何一个气候要素预测,多时间尺度、多影响因子以及大气“混沌”变率是造成气候预测准确率难以提高的根本原因,而这三个方面对气候要素的影响均涉及非线性过程,如:不同时间尺度影响的非线性叠加、不同影响因子非线性相互作用以及大气本身非线性造成的“混沌”变率等。因此,如何通过有针对性地构建非线性模型,实现气候要素的非线性预测是解决气候预测难题的重要途径。
传统的气候预测方案主要包括统计建模预测方案和气候动力模式预测方案。统计方案是基于历史观测数据,利用统计方法寻找气候系统前兆信号和预测目标气候要素之间的统计规律,通过多元线性回归等方法构建统计预测模型,但这种统计的线性模型无法实现对非线性系统的建模以及预测。气候动力模式则是基于气候系统的数学物理规律,通过超级计算机和数值计算手段求解数学物理方程组,从而实现对气候系统建模和预测,但动力模式预测对系统初值和物理框架要求很高,现有模式并不能完全通过数学物理方程来精确描述气候系统的所有过程;同时,受制于计算机性能和计算方案近似,动力模式也不能求得数学物理方程组的精确解,且由于非线性系统的“混沌”性,对于稍稍不同的输入,气候动力模式得到的结果可以差异很大。因此,无论是统计方案还是动力模式方案,现有的气候预测手法还无法完全满足季节和次季节气候预测的实际需求。
随着科技发展,人工智能技术不断在各个领域发挥更大作用,其中很重要的原因之一便是利用人工智能方案可以构建非线性模型,如随机树模型、支持向量机模型、人工神经网络以及在时序预测领域应用广泛、前景广阔的循环神经网络等。对于气候预测而言,如何提取预测因子则是气候动力学领域长期研究的重点,相关研究表明,气候系统中存在许多具有明确物理意义和不同时空尺度的气候模态,能够对区域气候要素异常起决定性作用。通过时间尺度分解,提取在目标时间尺度上决定气候要素异常的最优气候模态并将其作为预测因子对气候要素异常进行预测是切实有效的路径。基于上述技术背景,充分利用最优气候模态作为预测因子并运用人工智能方案构建非线性气候预测模型,对气候系统进行非线性预测具有非常重要的价值。
发明内容
本发明针对气候预测难题,特别是针对气候系统非线性问题,构建非线性预测模型,提出了一种基于最优气候模态(SM)和异常相对倾向(ART)的智慧(SMART)人工智能(AI)气候预测方法(即SMART-AI气候预测方法)。通过提取决定预测目标气候要素异常的前期或同期最优气候模态,将其作为预测因子,基于历史观测数据和人工智能建模方案,构建上述最优模态与气候要素异常之间的非线性关系,实现对气候要素异常的客观定量化非线性预测。
技术方案:
为实现上述发明目的,本发明采用的技术方案是:基于最优气候模态和异常相对倾向的智慧人工智能气候预测方法。该方法包括以下步骤:
(1)根据预测目标气候要素异常的类型和区域,从历史数据中选择决定预测目标气候要素异常的前期或同期气候系统大尺度气候要素,分别计算这些要素的距平值(Anomaly)、异常相对倾向(Anomalous Relative Tendency,ART)以及对应的近期背景异常(Recent Background Anomaly,RBA)。
(2)利用时空耦合模态分解方法,提取步骤(1)中所选定的前期或同期大尺度气候要素与预测目标气候要素异常相对倾向之间的时空耦合模态,选取协方差贡献大并具有明确物理意义的模态为最优气候模态,计算这些最优模态所对应的时间序列,将其作为预测目标气候要素异常相对倾向的预测因子。
(3)利用历史数据和人工智能模型,训练和构建步骤(2)中得到的最优气候模态时间序列(预测因子)与预测目标气候要素异常相对倾向之间关系的非线性人工智能模型。
(4)基于步骤(2)中得到的最优气候模态,利用空间投影方法,计算观测的前期最优气候模态时间系数实况或动力模式预测的同期最优气候模态对应的时间系数,将其带入步骤(3)中建立的非线性人工智能预测模型,从而实现对预测目标气候要素异常相对倾向的预测。
(5)基于步骤(1)中得到的近期背景异常与步骤(4)中预测得到的异常相对倾向,两者相加即最终得到对预测目标气候要素距平值的非线性客观定量化预测结果,从而实现基于最优气候模态和异常相对倾向的智慧人工智能气候预测方法。
其中:
步骤(1)中,针对不同预测目标选取前期或同期大尺度气候要素的方法为:基于相关气候动力学理论研究,选取从物理上决定预测目标气候要素的气候系统大尺度气候要素,其中前期数据主要为相对应的实际观测数据,同期数据为气候动力模式的预测结果。
计算距平值的方法为:
距平值=实际值-气候态(气候态为实际值的多年平均)。
距平值、异常相对倾向、近期背景异常之间的关系为:
距平值=异常相对倾向+近期背景异常,其中近期背景异常为气候要素近期平均的异常,则异常相对倾向=距平值-近期背景异常。
步骤(2)中,提取用于气候预测的最优气候模态及其对应的时间序列方法为:利用奇异值分解法(Singular Value Decomposition,SVD),基于步骤(1)中得到的异常相对倾向,提取大尺度气候要素与预测目标气候要素之间的时空耦合模态,进而基于协方差排序,通过投影法计算最优气候模态及其对应的时间序列。
步骤(3)中,基于最优气候模态和人工智能建模的方法为:将步骤(2)中得到的最优模态时间序列与对应时段的预测目标气候要素异常相对倾向数据作为人工智能模型的训练集,将训练集数据时段后期的对应预测目标气候要素异常相对倾向数据集作为验证集,进行人工智能建模。
在模型构建时,可以选择多种人工智能模型,包括循环神经网络(如LSTM)、支持向量机、分类树等方法;为得到用于气候预测的人工智能模型,上述模型中至少应包括一个回归层,即将最优气候模态时间序列作为自变量,将预测目标气候要素异常相对倾向作为因变量,进而构建基于最优气候模态和异常相对倾向的智慧(SMART)人工智能非线性预测模型。
步骤(4)中,计算用于最终预测的前期或同期最优气候模态时间系数具体计算方法为:利用投影法,基于步骤(2)中得到的最优气候模态,计算上述异常相对倾向数据所对应的时间系数,这些时间系数将作为最后的预测因子。将这些预测因子带入步骤(3)中构建的人工智能预测模型,进而得到预测目标气候要素异常相对倾向的预测结果。
步骤(5)中,实现对预测目标气候要素距平值的非线性定量化预测方法为:将步骤(1)中计算得到的近期背景异常和步骤(4)中得到的异常相对倾向预测结果,按照步骤(1)中所描述的关系进行相加,进而得到预测目标气候要素距平值的预测结果,从而最终实现智慧(SMART)人工智能的非线性气候预测。
有益效果:
与现有技术相比,本发明具有以下优点:
(1)本发明针对气候系统非线性的特性和预测难题,利用人工智能模型可以非线性建模的优势,构建非线性预测模型,从而实现对气候要素进行非线性客观定量化预测。
(2)本发明实际预测因子为决定预测目标气候要素的前期或同期最优气候模态,相较于以往预测因子直接建模,本发明能够构建起具有清晰因果关系和物理意义的预测模型,从而使得预测模型具备较强的物理约束,预测结果具有可解释性。
(3)本发明基于距平值、异常相对倾向、近期背景异常之间的关系,将实际预测目标气候要素距平值的预测转化为对异常相对倾向的预测,能够有效分离不同时间尺度的气候异常,将预测聚焦于目标时间尺度气候异常,并充分利用长时间尺度的观测的近期背景异常,从而有利于提高距平值的预测准确率。
附图说明
图1为本发明实施例提供的基于最优气候模态和异常相对倾向的智慧人工智能气候预测方法流程图;
图2为本发明实施例提供的具体操作流程图;
图3为本发明实施例中提取的两个最优气候模态及其对应的时间序列结果图;
图4为本发明实施例中构建的人工智能模型结构图;
图5为本发明实施例中逐年夏季预测结果与业务模式预测结果评估结果图。
具体实施方式
下面结合附图和具体实施例,进一步阐述本发明的具体实施方式。
应注意这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本发明所附权利要求所限定的范围。实施例所使用的数据,均为公开使用权限的数据。
如图1所示,本发明所公开的智慧人工智能气候预测方法,包括以下步骤:
(1)选取预测因子和预测目标气候要素,并对其历史数据进行相应的处理,得到对应的异常相对倾向数据。
在一种可能的实施方式中,根据预测目标气候要素异常的类型和区域,从历史数据中选择决定预测目标气候要素异常的前期或同期气候系统的大尺度气候要素,分别计算这些大尺度气候要素的距平值(Anomaly)、异常相对倾向(Anomalous Relative Tendency,ART)以及对应的近期背景异常(Recent Background Anomaly,RBA)。在图1中,历史数据是指气候要素历史观测数据集。
(2)通过SVD方法提取决定预测目标的最优模态,并计算最优模态所对应的时间序列,将其作为实际的预测因子。
在一种可能的实施方式中,利用时空耦合模态分解方法,提取步骤(1)中所选定的前期或同期大尺度气候要素与预测目标气候要素异常相对倾向之间的时空耦合模态,选取协方差贡献大并具有明确物理意义的模态作为最优气候模态,计算这些最优气候模态所对应的时间序列,将该时间序列作为预测目标气候要素异常相对倾向的预测因子。
(3)利用人工智能模型,训练和构建最优模态与预测目标气候要素历史数据之间的非线性人工智能模型。
在一种可能的实施方式中,利用历史数据和人工智能模型,训练和构建用于预测步骤(2)中得到的最优气候模态所对应的时间序列(预测因子)与预测目标气候要素异常相对倾向之间关系的非线性人工智能模型。
(4)计算最终预测因子的时间系数,利用上述人工智能预测模型对预测目标气候要素异常相对倾向进行非线性预测。
在一种可能的实施方式中,基于步骤(2)中得到的最优气候模态,利用空间投影方法,计算观测的前期最优气候模态对应的时间系数实况或动力模式预测的同期最优气候模态对应的时间系数,将其带入步骤(3)中建立的非线性人工智能预测模型,从而实现对预测目标气候要素异常相对倾向的预测。
(5)将预测目标气候要素异常相对倾向预测结果与近期背景异常相加,最终得到预测目标气候要素距平值的非线性预测结果。
在一种可能的实施方式中,基于步骤(1)中得到的近期背景异常与步骤(4)中预测得到的预测目标气候要素异常相对倾向,两者相加即最终得到对预测目标气候要素距平值的非线性客观定量化预测结果,从而实现基于最优气候模态和异常相对倾向的智慧人工智能气候预测。
如图2所示,本发明进一步对中国夏季降水距平值进行预测作为实施例,对本发明所公开的智慧人工智能气候预测方法,进行详细说明。
首先对本实施例基本信息进行相关说明:
本实施例中,以决定中国夏季(当年六月、七月、八月平均)降水的前期冬季(前一年十二月、当年一月、二月)热带地区(30°N~30°S)向外长波辐射(Outgoing LongwaveRadiation,OLR,该数据由美国国家大气与海洋局NOAA发布)和北半球中高纬地区(90°N~20°N)500hPa位势高度(Geopotential Height @ 500hPa,Z500,该数据由美国国家大气与海洋局NOAA发布)的最优模态作为实际预测因子进行预测,选取上述两个预测因子主要参考相关气候动力学研究成果:决定中国夏季降水主要前兆信号为热带地区对流活动和北半球中高纬地区大气环流,上述两个大尺度气候要素可以有效代表这两个前兆信号。
本实施例中,预测目标气候要素为2016~2020年中国夏季 160站(该数据由中国气象局发布)降水距平值,预测因子训练集时间长度为30年,验证集时间长度为5年,则以预测2016年为例,训练集为1981~2010年,验证集为2011~2015年,以此递进类推。
本实施例中,所选取的人工智能模型为长短期记忆网络(Long-Short TermMemory,LSTM Network),该网络是一种特殊的循环神经网络(Recurrent Neural Network,RNN)。相关研究表明,该人工智能模型因为可以用于解决一般循环神经网络中普遍存在的长期依赖问题和梯度消失问题,在非线性时序预测,特别是时间序列本身时间尺度复杂时具备优越的预测性能。
本实施例中,预测结果评估所选取的评价指标为距平值相关系数,所选取的对照组为国家气候中心现行主要业务动力模式BCC_CSM1.1(m)对中国夏季降水的预测结果(该数据由北京气候中心发布),在本实施例中,因为前期冬季观测数据一般在当年3月初获得,因此对照组动力模式预测的起报时间设定为3月。
以预测2016年中国夏季降水距平值为样本,本实施例具体操作步骤如下:
(1)基于历史数据,计算1981~2015年冬季热带OLR和北半球中高纬Z500,以及对应的中国夏季160站降水数据的距平值、异常相对倾向和近期背景异常,其中近期背景异常的长度取为1年。以2016年中国夏季降水为例,2016年中国夏季降水近期背景异常为2015年中国夏季降水距平值,异常相对倾向为2016年中国夏季降水距平值与2015年中国夏季降水距平值之差,其他数据以此类推。
其中,在上述说明中,中国夏季降水为大尺度气候要素,计算1981~2015年冬季热带OLR和北半球中高纬Z500为预测因子。历史数据是指图2中气候要素历史观测数据集。中国夏季降水距平值为图2中的历史观测数据距平。
(2)将1981~2010年冬季热带OLR和北半球中高纬Z500分别与对应的中国夏季160站降水(PRC)数据的异常相对倾向进行SVD分解,SVD分解如下公式(1)所示:
(1)
其中,为待分解矩阵,计算方法为下述公式(2):
(2)
分解得到的可以进一步通过投影法,得到OLR和Z500对应的若干个SVD模态及其对应的时间系数,根据/>可以计算出不同模态的协方差贡献,根据协方差贡献排序进一步得到决定中国夏季降水的热带OLR和北半球中高纬Z500异常相对倾向的最优模态,其中,协方差贡献前两个最优模态及其对应的时间序列如图3所示。对上述两个模态进一步做气候动力学分析,决定中国夏季降水的最优热带OLR模态为ENSO模态,决定中国夏季降水的最优北半球中高纬Z500模态为AO模态,也即是根据图3所表述的结果,其对应结果与相关研究所展示的ENSO模态和AO模态非常相似,因此可以得到上述结论。上述结论符合相关气候动力学研究结果,该模态具有明确物理意义。
(3)将步骤(2)中计算得到的前10个热带OLR和前10个北半球中高纬Z500最优模态所对应的时间序列和对应时段的单个站点中国夏季降水异常相对倾向数据集作为人工智能模型的训练集,将2011~2015年中国夏季降水异常相对倾向数据集作为验证集,构建如图4所示的LSTM预测模型。通常而言,LSTM模型应至少包括若干个LSTM层、全连接层、丢弃层以及一个用于预测的回归层,本实施例实际使用2组LSTM网络嵌套,每组网络包括1个LSTM层、1个全连接层以及一个丢弃层,主要参数设置如下:丢弃率设置为0.5,全连接数量设置为20,最大迭代次数为1000次,学习率为0.001,Alpha为4,求解器选择ADAM求解器,其他参数不做详细描述。上述网络设置以及参数可以根据实际需要进行调整。
(4)基于步骤(2)中得到的最优模态,通过投影法计算2016年冬季热带OLR和北半球中高纬Z500异常相对倾向前10个模态所对应的时间系数,该时间系数作为计算2016年中国夏季降水异常相对倾向的实际预测因子,输入由步骤(3)得到的LSTM预测模型,得到2016年中国160站点中国夏季降水异常相对倾向预测结果。
(5)将基于步骤(1)中计算得到的2016年中国夏季降水近期背景异常与基于步骤(4)中计算得到2016年中国夏季降水异常相对倾向预测结果相加,进一步可以得到2016年中国夏季降水距平值的预测结果。
对2017年至2020年中国夏季降水的预测按照上述步骤进行。
全部计算完毕后,对依照本发明所公开的预测方法所预测得到的2016~2020年中国夏季降水距平值的预测结果进行评估,对照业务模式同时段预测结果,其评估结果如图5所示。结果表明,本发明所公开的基于最优气候模态和异常相对倾向的智慧人工智能气候预测方法在2016~2020年中国夏季降水距平值预测中展现出明显高于业务模式的预测性能。
参考上述实施例,本发明所公开的智慧人工智能气候预测方法,针对不同预测目标气候要素,可以通过计算机系统进行自动化计算和运行,进而能够满足实际业务应用的需求,从而实现对气候要素的非线性客观定量化预测,为提升我国气候预测业务水平提供了一个可行的方案。
Claims (6)
1.一种智慧人工智能气候预测方法,其特征在于:包括以下步骤:
(1)根据预测目标气候要素异常的类型和区域,从历史数据中选择决定预测目标气候要素异常的前期或同期气候系统的大尺度气候要素,分别计算这些大尺度气候要素的距平值、异常相对倾向以及对应的近期背景异常;
(2)利用时空耦合模态分解方法,提取步骤(1)中所选定的前期或同期大尺度气候要素与预测目标气候要素异常相对倾向之间的时空耦合模态,选取协方差贡献大并具有明确物理意义的模态作为最优气候模态,计算这些最优气候模态所对应的时间序列,将所述时间序列作为预测目标气候要素异常相对倾向的预测因子;
(3)利用历史数据和人工智能模型,训练和构建用于预测步骤(2)中得到的最优气候模态所对应的时间序列与预测目标气候要素异常相对倾向之间关系的非线性人工智能模型;
(4)基于步骤(2)中得到的最优气候模态,利用空间投影方法,计算观测的前期最优气候模态对应的时间系数实况或动力模式预测的同期最优气候模态对应的时间系数,将其带入步骤(3)中建立的非线性人工智能预测模型,从而实现对预测目标气候要素异常相对倾向的预测;
(5)基于步骤(1)中得到的近期背景异常与步骤(4)中预测得到的预测目标气候要素异常相对倾向,两者相加即最终得到对预测目标气候要素距平值的非线性客观定量化预测结果,从而实现基于最优气候模态和异常相对倾向的智慧人工智能气候预测。
2.根据权利要求1所述的方法,其特征在于:步骤(1)中选择对应的能够对预测目标气候要素异常起到重要影响的前期或同期气候系统大尺度气候要素作为提取预测因子的对象,并将对预测目标气候要素距平值的直接预测转变为基于预测目标气候要素距平值、预测目标气候要素异常相对倾向和近期背景异常关系的对异常相对倾向的间接预测,在步骤(5)中实现间接预测结果到直接预测结果的转换。
3.根据权利要求1所述的方法,其特征在于:步骤(2)中通过SVD分解法和投影法,提取了步骤(1)中所选取的决定预测目标气候要素异常相对倾向的前期或同期大尺度气候要素的最优模态,计算了这些模态对应的时间序列,并将这些时间序列作为实际的预测因子。
4.根据权利要求1所述的方法,其特征在于:步骤(3)中利用人工智能模型,包括循环神经网络、支持向量机以及分类树网络中的任一项,构建用于预测最优气候模态与预测目标气候要素异常相对倾向之间关系的非线性模型。
5.根据权利要求1所述的方法,其特征在于:步骤(4)中,基于步骤(2)得到的最优气候模态,利用空间投影法,可以计算得到相应的观测的前期最优气候模态对应的时间系数实况或动力模式预测的同期最优气候模态对应的时间系数,将这些时间系数输入步骤(3)中建立的人工智能预测模型,进而得到预测目标气候要素异常相对倾向的预测结果。
6.根据权利要求1所述的方法,其特征在于:步骤(5)中,将基于步骤(4)得到的预测目标气候要素异常相对倾向的预测结果与基于步骤(1)得到的近期背景异常相加,最终得到预测目标气候要素距平值的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410321400.6A CN117909888B (zh) | 2024-03-20 | 2024-03-20 | 智慧人工智能气候预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410321400.6A CN117909888B (zh) | 2024-03-20 | 2024-03-20 | 智慧人工智能气候预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117909888A CN117909888A (zh) | 2024-04-19 |
CN117909888B true CN117909888B (zh) | 2024-05-28 |
Family
ID=90692683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410321400.6A Active CN117909888B (zh) | 2024-03-20 | 2024-03-20 | 智慧人工智能气候预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117909888B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117950087A (zh) * | 2024-03-21 | 2024-04-30 | 南京大学 | 基于大尺度最优气候模态的人工智能降尺度气候预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592165A (zh) * | 2021-07-23 | 2021-11-02 | 南京大学 | 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 |
CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
CN114330850A (zh) * | 2021-12-21 | 2022-04-12 | 南京大学 | 一种用于气候预测的异常相对倾向生成方法与系统 |
CN115660140A (zh) * | 2022-09-09 | 2023-01-31 | 中国气象科学研究院 | 一种基于人工智能订正的多模式集合气候预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10871594B2 (en) * | 2019-04-30 | 2020-12-22 | ClimateAI, Inc. | Methods and systems for climate forecasting using artificial neural networks |
-
2024
- 2024-03-20 CN CN202410321400.6A patent/CN117909888B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113592165A (zh) * | 2021-07-23 | 2021-11-02 | 南京大学 | 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 |
CN113779760A (zh) * | 2021-08-10 | 2021-12-10 | 南京大学 | 基于可预测气候模态的动力-统计结合季节气候预测方法 |
CN114330850A (zh) * | 2021-12-21 | 2022-04-12 | 南京大学 | 一种用于气候预测的异常相对倾向生成方法与系统 |
CN115660140A (zh) * | 2022-09-09 | 2023-01-31 | 中国气象科学研究院 | 一种基于人工智能订正的多模式集合气候预测方法 |
Non-Patent Citations (1)
Title |
---|
一种基于全球动力模式和SMART 原理结合的 统计降尺度区域季节气候预测方法;王昱 等;《气象科学》;20211031;第569-583页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117909888A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117909888B (zh) | 智慧人工智能气候预测方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN108009674A (zh) | 基于cnn和lstm融合神经网络的空气pm2.5浓度预测方法 | |
Kyselý et al. | Comparison of regional and at‐site approaches to modelling probabilities of heavy precipitation | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
WO2015150747A1 (en) | A computer implemented method of deriving performance from a local model | |
CN113592165B (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 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN114358213B (zh) | 非线性时序数据预测的误差消融处理方法及系统与介质 | |
CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
CN112819312A (zh) | 气候变化情景下干旱社会经济暴露度评估方法和系统 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
Han et al. | FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN116316615B (zh) | 基于数据增强的分布式光伏群短期功率预测方法及系统 | |
Li et al. | Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors | |
CN116663404A (zh) | 一种耦合人工智能和贝叶斯理论的洪水预报方法及系统 | |
CN112446550B (zh) | 一种短期建筑负荷概率密度预测方法 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
Liu et al. | Forecasting China’s per capita living energy consumption by employing a novel DGM (1, 1, tα) model with fractional order accumulation |
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 |