一种基于逐步聚类与循环神经网络的地表温度降尺度方法技术

本发明专利技术公开了属于地表温度降尺度技术领域的一种基于逐步聚类与循环神经网络的地表温度降尺度方法。包括以下步骤，步骤1：获取站点温度实测数据以及大尺度、低分辨率气候预报因子，得到预报因子代表性强的因子；步骤2：对步骤1的数据进行逐步聚类，并对温度实测数据序列中的缺失值进行插值处理；步骤3：设定超参数，构建循环神经网络模型；步骤4：训练与验证循环神经网络模型；步骤5：对未来气候变化情景下的每日温度数据进行降尺度；步骤6：通过全连接层，得到未来气候变化情景下高分辨率的每日模拟温度数据。本发明专利技术方法的效果优于大部分传统统计降尺度方法，运算较快，使用方便，善于处理少量有效样本的站点实测数据，实用性较强。实用性较强。实用性较强。

【技术实现步骤摘要】
一种基于逐步聚类与循环神经网络的地表温度降尺度方法


[0001]本专利技术涉及地表温度降尺度
，尤其涉及一种基于逐步聚类与循环神经网络的地表温度降尺度方法。

技术介绍

[0002]全球气候模型为气候变化分析和研究提供了全球大尺度的模拟信息，但其输出的分辨率较低。降尺度方法可通过对大尺度的气候预报因子经过一系列处理，得到小尺度、高分辨率的区域气候变量，可为区域的气候变化影响评估提供科学支持。降尺度方法主要分为动力降尺度和统计降尺度两种。相较于动力降尺度方法，统计降尺度方法的计算量较小，可实现的分辨率精度更高，并且模型的构建相比于动力降尺度的物理模型构建相对简单，众多统计方法可被应用在统计降尺度领域中。
[0003]然而，现有的统计降尺度方法存在以下不足：(1)降尺度精度不高；(2)难以有效识别时间序列的强相关性；(3)在站点数据呈现大量缺失(少量有效样本)的情况下，无法取得理想的降尺度效果。因此，需要一种统计降尺度方法能够有效识别大尺度气候预报因子与高精度站点实测数据之间的统计关系，在此基础上实现即使少量样本情况下也能取得较高精度的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于逐步聚类与循环神经网络的地表温度降尺度方法，其特征在于，包括以下步骤：步骤1：获取站点温度实测数据以及大尺度、低分辨率气候预报因子，通过计算皮尔逊相关系数，得到预报因子代表性强的因子；步骤2：利用逐步聚类分析法对步骤1中的温度实测数据以及大尺度、低分辨率气候预报因子进行逐步聚类，并通过聚类后的统计关系对温度实测数据序列中的缺失值进行插值处理，得出无缺失的温度实测数据；步骤3：设定超参数，构建循环神经网络模型；步骤4：将时间上对应并经过处理的温度实测数据和大尺度、低分辨率气候预报因子按比例进行划分，再利用划分后的数据训练与验证步骤3构建的循环神经网络模型；步骤5：利用步骤3和步骤4中构建并训练好的循环神经网络模型，对未来气候变化情景下的每日温度数据进行降尺度；步骤6：通过全连接层，得到未来气候变化情景下高分辨率的每日模拟温度数据。2.根据权利要求1所述的基于逐步聚类与循环神经网络的地表温度降尺度方法，其特征在于，所述步骤1中的皮尔逊相关系数为式中，n为大尺度气候预报因子或与其相对应的站点地表温度实测数据的总样本量，X
i
为第i个大尺度气候预报因子，为所选气候预报因子的平均值，Y
i
为第i个站点地表温度实测数据，为站点地表温度实测数据的平均值。3.根据权利要求1所述的基于逐步聚类与循环神经网络的地表温度降尺度方法，其特征在于，所述步骤2具体包括以下子步骤：步骤21：构建站点温度实测数据和大尺度、低分辨率气候预报因子变量的集合，形成样本矩阵；步骤22：基于Wilks准则的F统计检验，将所有样本分入相应的子类中，其中F统计检验量表示为式中，d为变量的维度，n
e
和n
f
为两个子类e和f的样本个数，Λ为Wilks值，表示为：式中，E为组内和组间平方和，H为交叉乘积矩阵，分别表示如下：
式中，e
i
为e子类的第i个样本，f
j
为f子类的第j个样本，为e子类的样本均值，为f子类的样本均值；步骤23：生成逐步聚类树，得出聚类后的站点温度实测数据和大尺度、低分辨率气候预报...

【专利技术属性】
技术研发人员：田初引，黄国和，吴莹辉，林夏婧，张重，王丝雨，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：