CN117932560A - 基于南北半球年代际模态的人工智能年代际气候预测方法 - Google Patents
基于南北半球年代际模态的人工智能年代际气候预测方法 Download PDFInfo
- Publication number
- CN117932560A CN117932560A CN202410321398.2A CN202410321398A CN117932560A CN 117932560 A CN117932560 A CN 117932560A CN 202410321398 A CN202410321398 A CN 202410321398A CN 117932560 A CN117932560 A CN 117932560A
- Authority
- CN
- China
- Prior art keywords
- annual
- observation data
- climate
- year
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 230000001932 seasonal effect Effects 0.000 claims abstract description 53
- 230000007774 longterm Effects 0.000 claims abstract description 50
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 238000001914 filtration Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 62
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000001556 precipitation Methods 0.000 description 10
- 230000010355 oscillation Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000014759 maintenance of location Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/26—Discovering frequent patterns
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于南北半球年代际模态的人工智能年代际气候预测方法,包括:基于去除长期趋势并进行低频滤波后的全球海表面温度和降水、气温等气候要素的季节平均历史观测数据;分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态;通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系,构建相应气候要素的年代际气候预测模型;通过将所述主要年代际模态的近期观测状态或未来预测状态导入预测模型,得到气候要素在未来几年到数十年内的实时预测结果。
Description
技术领域
本申请涉及气候预测领域,并且更具体地,涉及气候预测领域中一种基于南北半球年代际模态的人工智能年代际气候预测方法。
背景技术
年代际预测具有重要的社会经济以及环境价值,并且可以为需要应对气候变化的政府决策部门提供关键的科学支撑,是近年来气候变化研究的一个迅速发展的新兴热点领域,已成为国际前沿和热点问题。
年代际预测方法主要分为动力模式预测和统计预测两类。动力模式受限于模式偏差和初始化方法性能限制,尤其是在陆地和北太平洋的预测水平较差。统计预测方法主要基于已知的北半球海气系统的主要年代际模态或印度洋海温指数作为预测因子,使用多元线性回归等数理统计方法建立预测因子与降水、气温等预测要素的同期统计关系,构建有气候系统动力学基础的统计预测模型。上述北半球海气系统的主要年代际模态有:太平洋年代际振荡(Pacific Decadal Oscillation,PDO)、大西洋多年代际振荡(AtlanticMultidecadal Oscillation,AMO)等,印度洋海温指数如印度洋海盆模(Indian OceanBasin Mode,IOBM)。
但统计预测方法存在以下缺陷和不足,导致预测水平仍较差:
1)只考虑北半球和热带海气系统的主要年代际信号,忽视了南半球海气系统模态在年代际预测中的可能作用。南半球海洋面积较北半球更大,有研究表明南半球海气系统也可能存在显著的年代际信号,并对全球气候有重要的影响。
2)只考虑年代际预测因子与预测要素的同期统计关系,未考虑年代际信号的滞后影响。年代际信号往往在地球系统中存在滞后一至多年的传播和演变,其在不同区域的气候影响也可能存在滞后。以往统计预测方法往往基于年代际预测因子与预测要素的同期统计关系进行建模,不能正确反映影响的滞后性,容易导致预测效果降低。
3)采用传统的线性模型建立统计关系和预测模型,无法刻画非线性关系。近年来,人工智能方法在气候预测领域中的应用越来越频繁,在构建年代际预测的统计模型时使用人工神经网络、Transformer等人工智能方法较传统的多元线性回归方法有优势,但目前为止这方面的尝试仍然较少。
综上所述,基于统计预测的年代际气候预测方法仍有提升空间,如何提升年代际气候预测水平仍是亟需解决的科学和技术问题。
发明内容
为解决上述技术中的不足,本发明提出了一种基于南北半球年代际模态的人工智能年代际气候预测方法,可应用于年代际气候预测,有望提升年代际气候预测水平。
为实现上述目的,本发明提供了一种基于南北半球年代际模态的人工智能年代际气候预测方法,包括:
获取预设历史时间段内气候要素的逐月历史观测数据;根据所述逐月历史观测数据,获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据;其中,所述气候要素包括:全球海表面温度、降水和气温等;
根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据,分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的时间序列和空间型;
根据各所述主要年代际模态的时间序列,通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系,构建相应气候要素的年代际气候预测模型;
通过将所述主要年代际模态的近期观测状态或未来预测状态导入所述年代际气候预测模型,得到针对所述气候要素在未来预设时间段内的预测结果。
在一种可能的实现方式中,所述基于南北半球年代际模态的人工智能年代际气候预测方法,包括:
a. 获取预设历史时段内全球海表面温度、降水和气温等气候要素的逐月历史观测数据;基于所述逐月历史观测数据,获取上述要素的各季节平均的逐年历史观测数据,并进行距平化。示例性的,季节可以为:秋季(9~11月)、冬季(12月~2月)、春季(3~5月)、夏季(6~8月)。
b. 基于上述距平化季节平均逐年历史观测数据,使用集合经验模态分解(EEMD)方法去除上述数据中的长期趋势,得到去除长期趋势的季节平均逐年历史观测数据。对上述去除长期趋势的历史观测数据进行低频滤波,得到低频滤波后的去除长期趋势的季节平均逐年历史观测数据。
c. 基于上述低频滤波后的去除长期趋势的季节平均逐年历史观测数据,构建包含季节演变信息的扩展矩阵,通过经验正交函数(EOF)分解法,分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的空间型和时间序列;
d. 基于上述两组主要年代际模态时间序列,通过人工智能(如卷积神经网络CNN、循环神经网络RNN、长短期记忆递归神经网络LSTM等人工神经网络、Transformer等)方法,在预测区域的每一个空间格点上建立所述主要年代际模态和降水、气温等作为预测对象的气候要素(下文中也可称为预测要素)间不同时滞步长的映射关系;
e. 对于每个主要年代际模态,选取其与滞后降水、气温等气候要素的映射关系最佳的滞后步长,依据最佳滞后步长对时间序列进行平移,得到最佳预测因子;
f. 基于上述最佳预测因子,通过同样的人工智能方法建立其与预测要素的映射关系,构建该预测要素的年代际气候预测模型;
g. 通过将所述主要年代际模态的近期观测状态或未来预测状态导入上述预测模型,得到预测要素在未来几年到数十年内的映射,作为对该预测要素的预测结果。
与现有技术相比,本发明有如下技术效果:
1)不同于以往仅考虑北半球和热带信号的年代际预测方法,本发明同时考虑北半球和南半球的主要年代际模态,预测因子更全面完备;
2)不同于以往仅考虑预测因子与预测对象的同期关系,本发明通过在不同时滞步长上建立预测因子与预测对象的映射关系,选取最优映射关系的滞后步长重新构建预报因子,挖掘二者间的时空错位关系,能有效提升预测水平;
3)不同于以往仅使用传统数理统计方法,本发明将多种人工智能技术应用于年代际气候预测,能提升预测因子与预测对象映射关系的准确性和稳定性。
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为本发明实施例提供的一种基于南北半球海气系统主要年代际模态的人工智能年代际气候预测方法的主要流程示意图;
图2为本发明实施例提供的一种基于南北半球海气系统主要年代际模态的人工智能年代际气候预测方法的示意性流程图。
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。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者多个该特征。
本实施例中提供一种基于南北半球海气系统主要年代际模态的人工智能年代际气候预测方法,包括:
1)资料获取及预处理
获取预设历史时段内全球气候要素的逐月历史观测数据Fi(y,m),其中F代表全球气候要素,i为空间格点,y为年,m为月。预设历史时间段为当前时刻之前的一段历史时长,比如可以为过去近百年、近几十年等以年为单位长度的时间段。y的范围是1~Y,Y为上述历史时段内的总年数,m的范围是1~12。全球的气候要素可以包括以下之一或其任意组合:海表面温度、海平面气压、降水和气温等。
基于所述逐月历史观测数据,获取上述要素的秋季(9~11月,缩写为SON)、冬季(12月~2月,缩写为DJF)、春季(3~5月,缩写为MAM)、夏季(6~8月缩写为JJA)平均的逐年历史观测数据,具体如下:
秋季平均历史观测数据Fi,SON(y)=∑Fi(y,m)/3, m=9,10,11
冬季平均历史观测数据Fi,DJF(y)=∑Fi(y,m)/3, m=12,1,2
春季平均历史观测数据Fi,MAM(y)=∑Fi(y,m)/3, m=3,4,5
夏季平均历史观测数据Fi,JJA(y)=∑Fi(y,m)/3, m=6,7,8
以上季节与月份的对应关系为示例性的,也可以为符合季节演变顺序的自然年中的其他时段,如秋季(9月15日~12月14日)、冬季(12月15日~2月28日)、春季(3月1日~6月14日)、夏季(6月15日~9月14日)等。
对上述每个季节平均的逐年历史观测数据Fi,SEASON(y)进行距平化,即减去其在预设历史时段内一基准时段的多年平均值,得到上述数据相对上述平均值的偏差,仍记为Fi,SEASON(y)。距平化的公式表达如下:
Fi,SEASON(y)= Fi,SEASON(y)-∑Fi, SEASON(yb)/(Y2-Y1+1), y=1,…,Y, yb=Y1,…,Y2
其中,SEASON为SON、DJF、MAM、JJA,yb为基准时段年份,范围是Y1~Y2,Y1和Y2为1~Y范围内两固定数字,且Y1<Y2,∑表示对Fi, SEASON(yb)进行求和。
使用集合经验模态分解(EEMD)方法提取并去除距平化后的季节平均逐年历史观测数据Fi,SEASON(y)中的长期趋势,具体如下:
Fi,SEASON(y)=∑FIMF,n i, SEASON(y), n=1,…,N
F# i,SEASON(y)=Fi,SEASON(y)–FIMF,N i,SEASON(y)
其中SEASON为SON、DJF、MAM、JJA,FIMF,n i,SEASON(y)为Fi,SEASON(y)经过EEMD分解得到的第n个分量,n范围为1至N。FIMF,N i,SEASON(y)为EEMD分解得到的最后一个分量,即数据中的长期趋势。F# i,SEASON(y)为去除长期趋势的距平化的季节平均逐年历史观测数据,称为第一目标历史观测数据。该去除长期趋势在下文中也可称为去趋势。
其中,集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)是经验模态分解(Empirical Mode Decomposition,EMD)的改进算法,有效的解决了EMD的混频现象。
对第一目标历史观测数据进行低频滤波,保留周期在10年以上的低频分量,得到低频滤波后的去趋势的历史观测数据F* i,SEASON(y),称为第二目标历史观测数据
F* i,SEASON(y)=L(F# i,SEASON(y))
其中,L为低频滤波算子,低频滤波可采用常用的低通滤波方法如Lanczos低通滤波法等。
2)提取南北半球海气系统主要年代际模态的时间序列
基于第二目标历史观测数据,构建包含季节演变信息的扩展矩阵,通过经验正交函数(EOF)分解法,分别提取北半球海气系统随季节演变的主要年代际模态的空间型VNH,p(i)和时间序列TNH,p(y),以及与之独立的南半球海气系统随季节演变的主要年代际模态的空间型VSH,q(j)和时间序列TSH,q(y),y为年,p和q分别为模态序号,范围分别为1~P和1~Q,i和j分别为北半球和南半球空间格点序号,范围分别为1~I和1~J。
其中,经验正交函数(Empirical Orthogonal Function,EOF)分解法是气象分析中常用的一种时空变率分解方法,可将变量的时空信息分解为若干个时空模态,每个模态对应一种空间型和一个时间序列。根据模态解释方差的大小排序,可挑选出对总体方差贡献较大的主要模态。本实施例中的主要模态包括上述北半球的主要年代际模态和南半球的主要年代际模态,且北半球的主要年代际模态和南半球的主要年代际模态之间相互独立。
提取北半球海气系统随季节演变的主要年代际模态的空间型VNH,p(i)和时间序列TNH,p(y)的方式如下:根据北半球海表面温度的第二目标历史观测数据F* i,SEASON(y),按照“秋-冬-春-夏”或其他季节演变顺序构建一个包含季节演变信息的扩展矩阵XNH:
XNH=
对XNH的自相关矩阵A=E(XNH TXNH)进行分解,得到XNH=VNHTNH,其中VNH为模态空间型矩阵,TNH为模态时间序列矩阵。
VNH=[VNH,1((i), …, VNH,P(i)]=
TNH==/>
提取南半球海气系统季节循环的主要年代际模态的空间型VSH,q(j)和时间序列TSH,q(y)的方式与上述提取VNH,p(i)和TNH,p(y)的方式类似,区别在于需要对所根据的南半球的第二目标历史观测数据多一步处理,实现过程如下:
从南半球滤波后的去趋势季节平均海表面温度数据F* j,SEASON(y)中,去除北半球的主要年代际模态的时间序列TNH的投影,得到与北半球主要年代际模态独立的逐年历史观测数据F** j,SEASON(y),称为南半球的第三目标历史观测数据:
F** j,SEASON(y)=F* j,SEASON(y)-S(F* j,SEASON(y), TNH)
其中,S为信息投影算子,信息投影算法可采用常用的多元回归线性拟合法等,本实施例中对采用的信息投影算法不做具体限定。S(F* j,SEASON(y), TNH)表示北半球的主要年代际模态的时间序列在南半球第二目标历史观测数据上的投影。
根据去除了北半球主要年代际模态投影的南半球第三目标历史观测数据F** j,SEASON(y),按照预设的季节循环顺序构建包含季节演变信息的扩展矩阵XSH。
对XSH的自相关矩阵B=E(XSH TXSH)进行分解,得到XSH=VSHTSH,其中VSH为模态空间型矩阵,TSH为模态时间序列矩阵。矩阵形式及分解方式与北半球类似,为避免重复此处不再赘述。
所得到的模态空间型VNH,p(i)和VSH,q(j)是长度分别为4*I和4*J的单位列向量,模态时间序列TNH,p(y)和TSH,q(y)是长度为年份的行向量。
示例性的,上述北半球海气系统季节循环的主要年代际模态(以下简称北半球的主要年代际模态)可以包括但不限于:太平洋年代际振荡PDO和大西洋多年代际振荡AMO。上述南半球海气系统季节循环的主要年代际模态(以下简称南半球的主要年代际模态)可以包括但不限于:南半球海洋年代际振荡(Southern Hemisphere Oceans DecadalOscillation,SDO)和南半球海洋年代际偶极型振荡(Southern Hemisphere OceansDecadal Dipole Oscillation,SDDO)。
3)构建预测模型
基于上述TNH,p(y)和TSH,j(y)两组模态时间序列,通过人工智能(如CNN、RNN、LSTM等人工神经网络、Transformer等)方法,在预测区域的每一个空间格点上建立所述主要年代际模态和预测要素间不同时滞步长的映射关系P i,NH,p,l: {TNH,p(y-l)}M* i,SEASON(y)和P i,SH,q,l: {T=SH,q(y-l)}M* i,SEASON(y),M* i,SEASON(y)为某一季节某格点的预测要素(降水、气温等)数据,l为时滞步长。
其中,时滞步长是以年为单位的滞后时间步长,表征预测起始年份与待预测的年份之间的年份间隔。比如,假设预测起始年份为今年,待预测的年份为明年,即在今年对明年的气候要素进行预测,则滞后时间步长为1年。假设预测起始年份为前年,待预测的年份为今年,即在前年对今年的气候要素进行预测,则滞后时间步长为2年。不同的时滞步长可以包括:1年、2年、3年、4年、10年、十几年等等。
对于每个主要年代际模态TNH,p(y)和TSH,q(y),选取其与滞后降水、气温等预测要素的映射关系最佳的滞后步长l best,p和l best,q,依据最佳滞后步长对时间序列进行平移,得到最佳预测因子TNH,p(y-l best,p)和TSH,q(y-l best,q);
基于上述最佳预测因子,通过同样的人工智能方法建立其与预测要素的映射关系P i: {TNH,p(y-l best,p),…,TSH,q(y-l best,q),…}M* i,SEASON(y),构建该预测要素的年代际气候预测模型,其中p和q可取多个;
通过将所述主要年代际模态的近期观测状态或未来预测状态T* NH,p(y')、T* SH,q(y')导入上述预测模型P i,得到预测要素在未来几年到数十年内的映射,作为对该预测要素的预测结果。T* NH,p(y')、T* SH,q(y')可通过将海表面温度近期观测或未来预测投影至主要年代际模态空间型VNH,p(i)或VSH,q(j)得到:
T* NH,p(y')= XT NH(y')·VNH,p(i)
T* SH,q(y')= XT SH(y')·VSH,q(j)
其中,y'为近期或未来某一年,“·”代表向量内积,XT NH(y')和XT SH(y')分别为北半球和南半球海表面温度季节演变向量XNH(y')和XSH(y')的转置,以北半球为例:
XNH(y')=
示例性的,如图1所示,本发明的流程包括:1)预处理:求季节平均和距平化,去除长期趋势并进行低频滤波保留周期10年以上信号;2)分别提取南北半球海气系统主要年代际模态;3)通过人工智能方法建立上述主要年代际模态和气候要素间在不同时滞步长的映射关系,选取最佳滞后步长对模态时间序列进行平移,得到最佳预测因子,并基于这些因子构建相应的气候要素年代际气候预测模型(即图1中的人工智能建模);4)通过将所述主要年代际模态的近期观测状态或预测状态(即图1中的模态近期观测或未来预测)导入上述预测模型,得到气候要素的年代际预测结果(即图1中降水、气温等要素未来几年到数十年的预测)。
上述预处理,即图1中,获取逐月全球海表面温度、降水、气温等要素的历史观测数据,对全球海表面温度、降水、气温等要素的历史观测数据,求秋、冬、春、夏四个季节平均并进行距平化,再去除长期趋势并进行低频滤波保留周期10年以上信号。
上述分别提取南北半球海气系统主要年代际模态,即图1中基于秋、冬、春、夏去趋势低频海表面温度历史观测数据,提取到北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态。
上述构建相应的气候要素年代际气候预测模型,即图1中根据提取的南北半球的主要年代际模态和某季节去除长期趋势并进行低频滤波的降水、气温等预测要素的历史观测数据,通过人工智能方法建立上述主要年代际模态和预测要素间在不同时滞步长的映射关系,选取最佳时滞步长对时间序列进行平移,得到最佳预测因子,并基于这些因子构建相应的气候要素年代际气候预测模型。
一种可能的实现方式中,基于南北半球年代际模态的人工智能年代际气候预测方法的示意性流程图可以参阅图2,包括:
步骤201:获取预设历史时间段内气候要素的逐月历史观测数据;根据所述逐月历史观测数据,获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据;其中,所述气候要素包括:全球海表面温度、降水和气温。
具体的,所述根据所述逐月历史观测数据,获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据,包括如下的步骤2011至步骤2013:
步骤2011:根据所述逐月历史观测数据,通过计算季节平均和距平化,得到季节平均的逐年历史观测数据。
具体的,气候要素各季节平均的逐年历史观测数据包括:上文所述的秋季平均历史观测数据Fi,SON(y)、冬季平均历史观测数据Fi,DJF(y)、春季平均历史观测数据Fi,MAM(y)以及夏季平均历史观测数据Fi,JJA(y)。各季节平均历史观测数据的计算公式可以如下:
秋季平均历史观测数据Fi,SON(y)=∑Fi(y,m)/3, m=9,10,11
冬季平均历史观测数据Fi,DJF(y)=∑Fi(y,m)/3, m=12,1,2
春季平均历史观测数据Fi,MAM(y)=∑Fi(y,m)/3, m=3,4,5
夏季平均历史观测数据Fi,JJA(y)=∑Fi(y,m)/3, m=6,7,8
以上季节与月份的对应关系为示例性的,也可以为能够符合季节演变顺序的自然年中的其他时段,如秋季(9月15日~12月14日)、冬季(12月15日~2月28日)、春季(3月1日~6月14日)、夏季(6月15日~9月14日)等。
对上述每个季节平均的逐年历史观测数据Fi,SEASON(y)进行距平化,即减去其在预设历史时段内一基准时段的多年平均值,得到上述数据相对上述平均值的偏差,仍记为Fi,SEASON(y),具体如下:
Fi,SEASON(y)= Fi,SEASON(y)-∑Fi, SEASON(yb)/(Y2-Y1+1), y=1,…,Y, yb=Y1,…,Y2
其中,SEASON为SON、DJF、MAM、JJA,yb为基准时段年份,范围是Y1~Y2,Y1和Y2为1~Y范围内两固定数字,且Y1<Y2,∑表示对Fi, SEASON(yb)进行求和。
步骤2012:采用集合经验模态分解方法,去除所述距平化的季节平均的逐年历史观测数据中的长期趋势,得到去除长期趋势的第一目标历史观测数据。
本实施例中,使用EEMD方法提取并去除各个季节的平均逐年历史观测数据中的长期趋势,得到去除长期趋势的上述平均逐年历史观测数据。本实施例中,将去除长期趋势的上述平均逐年历史观测数据称为第一目标历史观测数据。该第一目标历史观测数据通过如下公式计算:
Fi,SEASON(y)=∑FIMF,n i, SEASON(y), n=1,…,N
F# i,SEASON(y)=Fi,SEASON(y)–FIMF,N i,SEASON(y)
其中,F# i,SEASON(y)为去除长期趋势的上述平均逐年历史观测数据,即第一目标历史观测数据。具体的,当SEASON取SON时,F# i,SON(y)表示去除长期趋势的秋季平均逐年历史观测数据。当SEASON取DJF时,F# i,DJF(y)表示去除长期趋势的冬季平均逐年历史观测数据。当SEASON取MAM时,F# i,MAM(y)表示去除长期趋势的春季平均逐年历史观测数据。当SEASON取JJA时,F# i,JJA(y)表示去除长期趋势的夏季平均逐年历史观测数据。
步骤2013:对所述第一目标历史观测数据进行低频滤波,得到滤波后的第二目标历史观测数据,并将所述第二目标历史观测数据作为所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据。
其中,对上述第一目标历史观测数据进行低频滤波,也即对上述去除长期趋势的平均逐年历史观测数据进行低频滤波,保留周期在10年以上的低频分量,得到滤波后的第二目标历史观测数据。该第二目标历史观测数据实质为去除长期趋势且经过低频滤波后的平均逐年历史观测数据。第二目标历史观测数据可以记为F* i,SEASON(y),F* i,SEASON(y)=L(F# i,SEASON(y)),该公式上文已经阐述,此处不再赘述。
步骤202:根据所述去除长期趋势并进行低频滤波后的季节平均的逐年历史观测数据,分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的时间序列和空间型。
具体的,根据所述第二目标历史观测数据,即所述去除长期趋势并进行低频滤波后的季节平均的逐年历史观测数据,通过经验正交分解法,提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的时间序列和空间型。
进一步的,根据所述去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据,按照预设的季节演变顺序构建包含季节演变信息的扩展矩阵,获取所述扩展矩阵的自相关矩阵,并对所述自相关矩阵进行分解,得到各所述主要年代际模态的时间序列和空间型。
进一步的,所述去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据包括:所述北半球的第二目标历史观测数据和所述南半球的第二目标历史观测数据,所述北半球的第二目标历史观测数据为所述北半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据,所述南半球的第二目标历史观测数据为所述南半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据;所述扩展矩阵包括:所述北半球对应的第一扩展矩阵和所述南半球对应的第二扩展矩阵,所述扩展矩阵包括:所述北半球对应的第一扩展矩阵XNH和所述南半球对应的第二扩展矩阵XSH。
根据所述北半球的第二目标历史观测数据,按照预设的季节演变顺序构建包含季节演变信息的第一扩展矩阵XNH,获取所述第一扩展矩阵XNH的自相关矩阵B=E(XSH TXSH),并对所述第一扩展矩阵的自相关矩阵B=E(XSH TXSH)进行分解,得到所述北半球的主要年代际模态的时间序列TNH和空间型VNH。
从所述南半球的第二目标历史观测数据F* j,SEASON(y)中,去除所述北半球的主要年代际模态的时间序列在所述南半球的第二目标历史观测数据上的投影S(F* j,SEASON(y),TNH),得到所述南半球的第三目标历史观测数据F** j,SEASON(y)。
根据所述南半球的第三目标历史观测数据F** j,SEASON(y),按照预设的季节演变顺序构建包含季节演变信息的第二扩展矩阵XSH,获取所述第二扩展矩阵的自相关矩阵B=E(XSH TXSH),并对所述第二扩展矩阵的自相关矩阵B=E(XSH TXSH)进行分解,得到所述南半球的主要年代际模态的时间序列TSH和空间型VSH。
步骤203:根据各所述主要年代际模态的时间序列,通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系,构建相应气候要素的年代际气候预测模型。
具体的,步骤203的实现方式包括如下的步骤2031至步骤2034:
步骤2031:根据各所述主要年代际模态的时间序列,通过人工智能方法针对预测区域的每个空间格点,建立在不同时滞步长下所述主要年代际模态与所述气候要素之间的映射关系。
具体的,映射关系包括上述的P i,NH,p,l: {TNH,p(y-l)}M* i,SEASON(y)和P i,SH,q,l:{T=SH,q(y-l)}M* i,SEASON(y),P i,NH,p,l为北半球的主要年代际模态和气候要素间不同时滞步长的映射关系,P i,SH,q,l为南半球的主要年代际模态和气候要素间不同时滞步长的映射关系。l的不同取值即为不同的时滞步长,不同的时滞步长可以包括:1年、2年、3年、4年、10年、十几年等等。对于每个主要年代际模态,1个时滞步长对应1个映射关系。
其中,预测区域可以是待预测区域,即期望采用年代际气候预测模型进行气候预测的区域。预测区域可以根据实际需要选择,本实施例对此不做具体限定。
步骤2032:对于每个所述主要年代际模态,根据在不同时滞步长下所述主要年代际模态与所述气候要素之间的映射关系,在所述不同时滞步长中选取目标时滞步长。
对于每个主要年代际模态,根据在不同时滞步长下该主要年代际模态与气候要素之间的映射关系,计算该映射关系的相关系数,选取相关系数最大的映射关系作为目标映射关系,该目标映射关系即为最佳映射关系。将该目标映射关系对应的时滞步长确定为最佳的滞后步长,也即目标时滞步长。也就是说,在不同时滞步长下该主要年代际模态与气候要素之间的映射关系中,选择最佳映射关系,将该最佳映射关系对应的时滞步长确定为目标时滞步长。
该步骤中,对于南北半球的主要年代际模态TNH,p(y)和TSH,q(y),选取其与气候要素的映射关系最佳的滞后步长l best,p和l best,q。l best,p表示北半球对应的最佳的滞后步长,l best,q表示南半球对应的最佳的滞后步长。
步骤2033:根据所述目标时滞步长对所述主要年代际模态的时间序列进行平移,并将平移后的时间序列作为最佳预测因子。
如上文所述,北半球的最佳预测因子为TNH,p(y-l best,p),南半球的最佳预测因子TSH,q(y-l best,q)。
步骤2034:根据所述最佳预测因子,通过人工智能方法建立所述最佳预测因子与所述气候要素的映射关系,以构建所述气候要素的年代际气候预测模型。
具体的,结合上文描述,构建的该年代际气候预测模型如下:
P i: {TNH,p(y-l best,p),…,TSH,q(y-l best,q),…}M* i,SEASON(y)
步骤204:通过将所述主要年代际模态的近期观测状态或未来预测状态导入所述年代际气候预测模型,得到针对所述气候要素在未来预设时间段内的预测结果。
具体的,步骤204的实现方式包括如下的步骤2041至步骤2043:
步骤2041:获取近期时段或未来时段内的气候要素的观测数据;其中,所述近期时段为当前时刻之前的时段,所述未来时段为所述当前时刻之后的时段。
其中,近期时段为当前时刻之前的时段,未来时段为所述当前时刻之后的时段。该近期时段和未来时段均为以年为单位的时段,比如,近期时段可以为近1年、近2年、近3年等,未来时段可以为未来1年、未来2年、未来3年等。近期时段的气候要素的观测数据可以从存储气候要素的观测数据的数据库中获取,未来时段内的气候要素的观测数据可以从第三方获取,比如第三方基于自己研发的预测模型预测未来时段内的气候要素的观测数据,以使得本实施例中可以从第三方获取到未来时段内的气候要素的观测数据。
步骤2042:根据所述近期时段或未来时段内的气候要素的观测数据和所述空间型,确定所述主要年代际模态在近期时段的近期观测状态或未来时段的未来预测状态。
其中,近期时段的气候要素的观测数据记为近期观测数据,未来时段内的气候要素的观测数据记为未来观测数据。从而,可以通过将气候要素的近期观测数据或未来预测数据投影至主要年代际模态的空间型得到近期观测状态或未来预测状态。
示例性的,上述步骤2042的实现方式包括:根据所述近期时段或所述未来时段内的气候要素的观测数据,确定所述气候要素的季节演变扩展矩阵;确定所述季节演变扩展矩阵的转置;根据所述季节演变扩展矩阵的转置和所述空间型,确定所述主要年代际模态的近期观测状态或未来预测状态。
具体的,根据近期时段或未来时段内的气候要素的观测数据,构建北半球的气候要素的季节演变扩展矩阵XNH(y')和南半球的气候要素的季节演变扩展矩阵XSH(y')。北半球的主要年代际模态的近期观测状态或未来预测状态记为T* NH,p(y'),南半球的主要年代际模态的近期观测状态或未来预测状态记为T* SH,q(y')。T* NH,p(y')和T* SH,q(y')的确定方式,可参见上文描述,此处不再赘述。
步骤2043:将所述近期观测状态或未来预测状态输入所述年代际气候预测模型,得到针对所述气候要素在未来预设时间段内的预测结果。
通过将上述的主要年代际模态的近期观测状态或未来预测状态T* NH,p(y')、T* SH,q(y')导入上述年代际气候预测模型P i,得到气候要素在未来几年到数十年内的映射,作为对该气候要素的预测结果。
综上,本实施例具有如下技术效果:
1)不同于以往仅考虑北半球和热带信号的年代际预测方法,本实施例中同时考虑北半球和南半球的主要年代际模态,预测因子更全面完备。
2)不同于以往仅考虑预测因子与预测对象即气候要素的同期关系,本实施例通过在不同时滞步长上建立预测因子与预测对象的映射关系,选取最优映射关系的时滞步长重新构建最佳预测因子,挖掘二者间的时空错位关系,能有效提升预测水平。
3)不同于以往仅使用传统数理统计方法,本实施例将多种人工智能技术应用于年代际气候预测,能提升预测因子与预测对象映射关系的准确性和稳定性。
以上,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 (10)
1.一种基于南北半球年代际模态的人工智能年代际气候预测方法,其特征在于,包括以下步骤:
获取预设历史时间段内气候要素的逐月历史观测数据;根据所述逐月历史观测数据,获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据;
根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据,分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的时间序列和空间型;
根据各所述主要年代际模态的时间序列,通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系,构建相应气候要素的年代际气候预测模型;
通过将所述主要年代际模态的近期观测状态或未来预测状态导入所述年代际气候预测模型,得到针对所述气候要素在未来预设时间段内的预测结果。
2.根据权利要求1所述的方法,其特征在于,根据各所述主要年代际模态的时间序列,通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系,构建相应气候要素的年代际气候预测模型,包括:
根据各所述主要年代际模态的时间序列,通过人工智能方法针对预测区域的每个空间格点,建立在不同时滞步长下所述主要年代际模态与所述气候要素之间的映射关系;
对于每个所述主要年代际模态,根据在不同时滞步长下所述主要年代际模态与所述气候要素之间的映射关系,在所述不同时滞步长中选取目标时滞步长;
根据所述目标时滞步长对所述主要年代际模态的时间序列进行平移,并将平移后的时间序列作为最佳预测因子;
根据所述最佳预测因子,通过人工智能方法建立所述最佳预测因子与所述气候要素的映射关系,以构建所述气候要素的年代际气候预测模型。
3.根据权利要求1所述的方法,其特征在于,所述根据所述逐月历史观测数据,获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据,包括:
根据所述逐月历史观测数据,通过计算季节平均和距平化,得到季节平均的逐年历史观测数据;
采用集合经验模态分解方法,去除所述季节平均的逐年历史观测数据中的长期趋势,得到去除长期趋势的第一目标历史观测数据;
对所述第一目标历史观测数据进行低频滤波,得到滤波后的第二目标历史观测数据,并将所述第二目标历史观测数据作为所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据。
4.根据权利要求1所述的方法,其特征在于,所述根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据,分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的时间序列和空间型,包括:
根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据,通过经验正交分解法,提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的空间型和时间序列。
5.根据权利要求4所述的方法,其特征在于,所述根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据,通过经验正交分解法,提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态,得到各所述主要年代际模态的空间型和时间序列,包括:
根据所述去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据,按照预设的季节演变顺序构建包含季节演变信息的扩展矩阵,获取所述扩展矩阵的自相关矩阵,并对所述自相关矩阵进行分解,得到各所述主要年代际模态的时间序列和空间型。
6.根据权利要求5所述的方法,其特征在于,所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据包括:所述北半球的第二目标历史观测数据和所述南半球的第二目标历史观测数据,所述北半球的第二目标历史观测数据为所述北半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据,所述南半球的第二目标历史观测数据为所述南半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据;所述扩展矩阵包括:所述北半球对应的第一扩展矩阵和所述南半球对应的第二扩展矩阵;
所述根据所述去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据,按照预设的季节演变顺序构建包含季节演变信息的扩展矩阵,获取所述扩展矩阵的自相关矩阵,并对所述自相关矩阵进行分解,得到各所述主要年代际模态的时间序列和空间型,包括:
根据所述北半球的第二目标历史观测数据,按照预设的季节演变顺序构建包含季节演变信息的第一扩展矩阵,获取所述第一扩展矩阵的自相关矩阵,并对所述第一扩展矩阵的自相关矩阵进行分解,得到所述北半球的主要年代际模态的时间序列和空间型;
从所述南半球的第二目标历史观测数据中,去除所述北半球的主要年代际模态的时间序列在所述南半球的第二目标历史观测数据上的投影,得到所述南半球的第三目标历史观测数据;
根据所述南半球的第三目标历史观测数据,按照预设的季节演变顺序构建包含季节演变信息的第二扩展矩阵,获取所述第二扩展矩阵的自相关矩阵,并对所述第二扩展矩阵的自相关矩阵进行分解,得到所述南半球的主要年代际模态的时间序列和空间型。
7.根据权利要求6所述的方法,其特征在于,所述从所述南半球的第二目标历史观测数据中,去除所述北半球的主要年代际模态的时间序列在所述南半球的第二目标历史观测数据上的投影,得到所述南半球的第三目标历史观测数据,包括:
通过如下公式计算所述南半球的第三目标历史观测数据:
F** j,SEASON(y)=F* j,SEASON(y)-S(F* j,SEASON(y), TNH)
其中,F** j,SEASON(y)为所述南半球的第三目标历史观测数据,F* j,SEASON(y)为所述南半球的第二目标历史观测数据,S为信息投影算子,TNH为所述北半球的主要年代际模态的时间序列。
8.根据权利要求1至7任一项所述的方法,其特征在于,所述通过将所述主要年代际模态的近期观测状态或未来预测状态导入所述年代际气候预测模型,得到针对所述气候要素在未来预设时间段内的预测结果,包括:
获取近期时段或未来时段内的气候要素的观测数据;其中,所述近期时段为当前时刻之前的时段,所述未来时段为所述当前时刻之后的时段;
根据所述近期时段或未来时段内的气候要素的观测数据和所述空间型,确定所述主要年代际模态在近期时段的近期观测状态或未来时段的未来预测状态;
将所述近期观测状态或未来预测状态输入所述年代际气候预测模型,得到针对所述气候要素在未来预设时间段内的预测结果。
9.根据权利要求8所述的方法,其特征在于,所述根据所述近期时段或未来时段内的气候要素的观测数据和所述空间型,确定所述主要年代际模态在近期时段的近期观测状态或未来时段的未来预测状态,包括:
根据所述近期时段或所述未来时段内的气候要素的观测数据,确定所述气候要素的季节演变扩展矩阵;
确定所述季节演变扩展矩阵的转置;
根据所述季节演变扩展矩阵的转置和所述空间型,确定所述主要年代际模态的近期观测状态或未来预测状态。
10.根据权利要求9所述的方法,其特征在于,所述根据所述季节演变扩展矩阵的转置和所述空间型,确定所述主要年代际模态的近期观测状态或未来预测状态,包括:
通过如下公式计算所述主要年代际模态的近期观测状态或未来预测状态:
T* NH,p(y')= XT NH(y')·VNH,p(i)
T* SH,q(y')= XT SH(y')·VSH,q(j)
其中,T* NH,p(y')为所述北半球的主要年代际模态的近期观测状态或未来预测状态,T* SH,q(y')为所述南半球的主要年代际模态的近期观测状态或未来预测状态,y'为所述近期时段或未来时段内的年标识,XT NH(y')为所述北半球的季节演变扩展矩阵的转置,XT SH(y')为所述南半球的季节演变扩展矩阵的转置,VNH,p(i)为所述北半球海气系统随季节演变的主要年代际模态的空间型,VSH,q(j)为所述南半球海气系统随季节演变的主要年代际模态的空间型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410321398.2A CN117932560B (zh) | 2024-03-20 | 2024-03-20 | 基于南北半球年代际模态的人工智能年代际气候预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410321398.2A CN117932560B (zh) | 2024-03-20 | 2024-03-20 | 基于南北半球年代际模态的人工智能年代际气候预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117932560A true CN117932560A (zh) | 2024-04-26 |
CN117932560B CN117932560B (zh) | 2024-07-23 |
Family
ID=90766701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410321398.2A Active CN117932560B (zh) | 2024-03-20 | 2024-03-20 | 基于南北半球年代际模态的人工智能年代际气候预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117932560B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291944A (zh) * | 2020-03-16 | 2020-06-16 | 中国人民解放军61540部队 | 基于npsdv驱动因子识别的海洋气候预测方法及系统 |
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 |
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
CN117406309A (zh) * | 2023-11-13 | 2024-01-16 | 国网湖南省电力有限公司 | 多数值计算成员生成方法、装置及存储介质 |
-
2024
- 2024-03-20 CN CN202410321398.2A patent/CN117932560B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291944A (zh) * | 2020-03-16 | 2020-06-16 | 中国人民解放军61540部队 | 基于npsdv驱动因子识别的海洋气候预测方法及系统 |
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 |
CN116128099A (zh) * | 2022-11-28 | 2023-05-16 | 南京信息工程大学 | 一种基于人工智能的中国短期气候预测方法及系统 |
CN117406309A (zh) * | 2023-11-13 | 2024-01-16 | 国网湖南省电力有限公司 | 多数值计算成员生成方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
王鑫;马振锋;: "川渝地区主汛期降水的年代际变化与短期气候预测模型的建立", 高原气象, no. 03, 15 June 2010 (2010-06-15), pages 595 - 694 * |
Also Published As
Publication number | Publication date |
---|---|
CN117932560B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104239706B (zh) | 一种地面观测气温时空数据集的制备方法 | |
Mason | Seasonal forecasting of South African rainfall using a non‒linear discriminant analysis model | |
Hao et al. | A novel clustering algorithm based on mathematical morphology for wind power generation prediction | |
CN109359411B (zh) | 一种气候变化影响下沼泽湿地植被覆盖度估算方法 | |
Lee et al. | Applying machine learning methods to detect convection using Geostationary Operational Environmental Satellite-16 (GOES-16) advanced baseline imager (ABI) data | |
CN111612055A (zh) | 天气形势的分型方法、空气污染状况的预测方法及装置 | |
Darwish et al. | A regional frequency analysis of UK sub‐daily extreme precipitation and assessment of their seasonality | |
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 | |
Priatna et al. | Precipitation prediction using recurrent neural networks and long short-term memory | |
CN113536373B (zh) | 一种脱敏气象数据的生成方法 | |
Yin et al. | Statistical downscaling of regional daily precipitation over southeast Australia based on self-organizing maps | |
CN117932560B (zh) | 基于南北半球年代际模态的人工智能年代际气候预测方法 | |
CN116341391B (zh) | 基于STPM-XGBoost模型的降水预测方法 | |
CN114282336A (zh) | 一种新能源电站出力场景生成方法及系统 | |
CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
Zahraie et al. | SST clustering for winter precipitation prediction in southeast of Iran: Comparison between modified K-means and genetic algorithm-based clustering methods | |
Saghafian et al. | Backcasting long-term climate data: evaluation of hypothesis | |
CN116563709A (zh) | 面向多时相遥感数据的耕地资源智能监测方法 | |
CN113052433B (zh) | 基于关键时相和农田景观特征参量的作物单产估算方法 | |
Croley et al. | Near real-time forecasting of large lake supplies | |
CN110175639B (zh) | 一种基于特征选取的短期风电功率预测方法 | |
Jagannathan et al. | Time Series Analyzation and Prediction of Climate using Enhanced Multivariate Prophet | |
CN112257960A (zh) | 水库流域径流分解预测方法及系统 | |
Böker et al. | Added value of an atmospheric circulation pattern‐based statistical downscaling approach for daily precipitation distributions in complex terrain | |
Li et al. | Responses of Climate Indicators to Droughts in SF Bay Area. |
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 |