一种监督学习与非监督学习结合的因子提取气候特征方法技术

本发明专利技术提供了一种监督学习与非监督学习结合的因子提取气候特征方法，包括：获取因子的历史数据；所述因子的历史数据包括物理量场因子的历史数据和预报对象的历史数据；对因子的历史数据进行标准化，得到标准化后的数据；对标准化后的数据采用监督学习回归类作分析，提取其均方误差场；对标准化后的数据采用相关系数类作分析，提取其相关系数场；获取均方误差场的预报因子集；获取相关系数场的预报因子集；将均方误差场的预报因子集和相关系数场的预报因子集合并，得到多因子序列。本发明专利技术的有益效果：避免了大范围提取因子时，总体高相关和高影响的区域会掩盖掉较低影响区域的信息；避免过多丢弃了与整体场要素模态不一致的低信号信息。信号信息。信号信息。

【技术实现步骤摘要】
一种监督学习与非监督学习结合的因子提取气候特征方法


[0001]本专利技术主要应用于气象预报预测领域，尤其涉及到在气候预测统计建模过程中的因子提取的机器学习特征工程方法，对中短期数值模式产品的解释应用也有一定的参考应用价值。

技术介绍

[0002]对气象的预测，往往采用机器学习相关方法进行。但就机器学习统计建模而言，特征工程和特征选择对于分析结果的影响，往往比机器学习模型的选择更为重要。
[0003]在月、季短期气候预测中，传统方法往往是基于线性方法来提取寻找特征，对于异常复杂的全球气候系统的非线性信息利用有限，需要发展新的非线性的因子查找方式。
[0004]同时对与月、季气候趋势而言，观测样本数又较为稀少，而涉及的物理量数量巨大,如何改进现有的因子提取方式，获取更有参考价值的预测信息，显得尤为关键。
[0005]现有技术存在的问题如下：
[0006]1、气候系统十分复杂，传统的因子提取方法往往采用了线性方法，而对于高影响的区域可能是非线性的影响统计没有一个好的提取方案。
[0007]2、全球场要素因子提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种监督学习与非监督学习结合的因子提取气候特征方法，其特征在于：具体包括以下步骤：S101：获取因子的历史数据；所述因子的历史数据包括物理量场因子的历史数据和预报对象的历史数据；S102：对因子的历史数据进行标准化，得到标准化后的数据；S103：对标准化后的数据采用监督学习回归类作分析，提取其均方误差场；对标准化后的数据采用相关系数类作分析，提取其相关系数场；S104：获取均方误差场的预报因子集；获取相关系数场的预报因子集；S105：将均方误差场的预报因子集和相关系数场的预报因子集合并，得到多因子序列。2.如权利要求1所述的一种监督学习与非监督学习结合的因子提取气候特征方法，其特征在于：步骤S104中，获取均方误差场的预报因子集的具体过程为：将均方误差场变换至(0,1)区间的取信度值场指导范围，并在取信度值场指导范围内中筛选出位于区间(0.1，0.5)对应的均方误差场区域；在均方误差场区域中进一步筛选出区域面积大于指定的经纬度网格面积的封闭性区域；在封闭性区域中挑选前3个区域的平均值作为均方误差场的预报因子集。3.如权利要求2所述的一种监督学习与非监督学习结合的因子提取气候特征方法，其特征在...

【专利技术属性】
技术研发人员：杜良敏，郭广芬，肖莺，熊开国，
申请(专利权)人：武汉区域气候中心湖北省农业气象中心，湖北省生态气象和卫星遥感中心，
类型：发明
国别省市：