一种ENSO智能预测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术涉及一种ENSO智能预测方法、装置、设备及存储介质，用于长期ENSO预测，方法包括：基于分段式深度神经网络的ENSO智能预测模型的构建、训练和预测流程和ENSO智能预测装置的描述，通过在深度学习建模过程中针对ENSO演化不同阶段的主导特征分别建模的方式获得了优于传统数值模式的预测准确性和高于传统深度学习模型的稳定性和可解释性。与现有技术相比，本发明专利技术具备搭建便捷、准确性高、节约资源等优点，可用于ENSO业务预测，有效提升ENSO预测准确性和预测时长。准确性和预测时长。准确性和预测时长。

【技术实现步骤摘要】
一种ENSO智能预测方法、装置、设备及存储介质


[0001]本专利技术涉及气象预测
，尤其是涉及一种ENSO智能预测方法、装置、设备及存储介质。

技术介绍

[0002]厄尔尼诺
‑
南方涛动(El
‑
Southern Oscillation，ENSO)是热带太平洋年际时间尺度上的海气耦合现象，具有2～7年的准周期振荡，是地球气候系统中最强的年际变率信号，且被证实能够与其它气候现象，例如PDO、IDO、MJO等产生相互作用，也对我国天气和气候异常产生重大影响。准确、及时、有效地预测ENSO的发生、发展和演变具有重大的科学和现实意义。
[0003]目前数值模式是国内外ENSO预测的主要技术。数值模式一般依赖于对物理过程的描述，只要数值模式能够合理描述各种物理过程，即可对ENSO做出合理的预报。因此，基于数值模式的ENSO预测研究往往依赖于精确的模式初始化、物理过程参数化、海气耦合模式等气象研究的改进。然而，目前由于气象学家对ENSO相关的大气和海洋物理过程及其相互作用的物理机制的认识存在不明确之处，以及数值模式的预报准确性对环境初始条件和模式方程误差有严重的依赖，导致数值模式对相关物理过程的模拟存在误差，在积分一定的时间后ENSO的预测技巧严重下降可预报性便会丢失，预测精度也不够理想。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种ENSO智能预测方法、装置、设备及存储介质。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]本专利技术涉及一种基于分段式深度神经网络的ENSO智能预测方法，该方法包括如下步骤：
[0007]S1：依据ENSO演化过程不平衡的特点，构建基于分段式深度神经网络的ENSO智能预测模型。
[0008]S2：对构建的基于分段式深度神经网络的ENSO智能预测模型进行训练。
[0009]S3：确定模型输入数据并对输入数据进行预处理，将预处理后的数据通过基于分段式深度神经网络的ENSO智能预测模型进行ENSO预测。
[0010]进一步地，构建基于分段式深度神经网络的ENSO智能预测模型的具体步骤包括：
[0011]S11：选定所需的ENSO的预测长度，根据切分定位模型，将ENSO预测分为前、后两段；
[0012]S12：依据ENSO在前、后两段不同的演化过程和海气特征，以时空序列预测深度学习模型为基础，分别设计前、后段的专用编码器与解码器；
[0013]S13：依据ENSO在前、后两段不同的演化过程和海气特征，以时空序列预测深度学习模型为基础，为前、后段分别构建加权特征融合器；
[0014]S14：基于S12、S13构建的结构创建基于分段式深度神经网络的ENSO智能预测模型。
[0015]所述切分定位模型的表达式为：
[0016][0017]式中，x
t
为ENSO预测数据集，t
seg
为前、后段的切分位置，为向下取整函数，seg(
·
)为用于计算前、后段切分位置的模型，f
seg
为seg(
·
)的斜率。
[0018]所述基于分段式深度神经网络的ENSO智能预测模型的表达式为：
[0019][0020][0021][0022]式中，concat(
·
)表示将不同分段的特征拼接到一起，encoder
i
(
·
)和decoder
i
(
·
)分别为S12中以时空序列预测深度学习模型为基础设计的编码器和解码器，merger
i
(
·
)为S13设计的加权特征融合器，为本分段解码器的输出，为加权特征融合器得到的加权融合特征，和分别为本分段和另一分段的编码器输出。
[0023]进一步地，S2的具体步骤包括：
[0024]S21：根据ENSO的海气特征，选择对与ENSO预测有关键作用的变量，构建ENSO预测数据集；
[0025]S22：对ENSO预测数据集中的不同物理变量，分别进行质量控制与数据预处理；
[0026]S23：将预处理后的数据集划分为训练集、验证集及测试集，利用训练集对构建的ENSO智能预测模型进行训练。
[0027]进一步地，S3的具体步骤包括：
[0028]S31：根据实际业务需要选择起报时间，获取初始时刻数据，并进行质量控制与数据预处理，处理后的结果作为基于分段式深度神经网络ENSO智能预测模型的输入；
[0029]S32：将处理后的初始时刻数据输入至基于分段式深度神经网络ENSO智能预测模型的前段与后段的编码器进行特征编码，确定ESNO的各分段特征；
[0030]S33：将前、后分段编码后的特征拼接后输入各自的加权特征融合器进行特征融合，获取加权融合特征；
[0031]S34：将前后段的加权融合特征分别输入基于分段式深度神经网络ENSO智能预测模型的前段与后段的解码器进行解码，并进行数据后处理，得到ENSO格点预测结果，利用非迭代预测的方式进行长期ENSO预测；
[0032]S35：根据基于分段式深度神经网络ENSO智能预测模型的预测结果，计算ENSO相关的多种指数及评价指标。
[0033]加权特征融合器的计算式为：
[0034][0035]式中，为加权融合特征，和分别为本分段和另一分段的编码器输出，每个分段分别构建各自的加权特征融合器merger
th
(
·
)。
[0036]本专利技术另一方面提供一种基于分段式深度神经网络的ENSO智能预测装置，该装置包括：
[0037]初始数据获取模块，获取ENSO的初始预报时刻、初始数据和预报时长；
[0038]数据预处理模块，将获取的初始时刻数据转换为模型规定的输入格式，转换后的数据作为输入数据；
[0039]预测模块，将输入数据传输至基于分段式深度神经网络的ENSO智能预测模型，运行模型，获取预测结果；
[0040]结果采集模块，对模型的输出进行处理，将输出数据转化为气象格点数据及多种ENSO指数与量化的评价指标。
[0041]本专利技术第三方面提供一种计算机设备，包括：处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述基于分段式深度神经网络的ENSO智能预测方法的步骤。
[0042]本专利技术第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现上述的分段式深度神经网络的ENSO智能预测方法的步骤。
[0043]本专利技术提供的ENSO智能预测方法、装置、设备及存储介质，相较于现有技术至少包括如下有益效果：
[0044]1)模型建立便捷：不依赖物理方程建立模型，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分段式深度神经网络的ENSO智能预测方法，其特征在于，包括下列步骤：1)依据ENSO演化过程不平衡的特点，构建基于分段式深度神经网络的ENSO智能预测模型；2)对构建的基于分段式深度神经网络的ENSO智能预测模型进行训练；3)确定模型输入数据并对输入数据进行预处理，将预处理后的数据通过基于分段式深度神经网络的ENSO智能预测模型进行ENSO预测。2.根据权利要求1所述的基于分段式深度神经网络的ENSO智能预测方法，其特征在于，构建基于分段式深度神经网络的ENSO智能预测模型的具体步骤包括：11)选定所需的ENSO的预测长度，根据切分定位模型，将ENSO预测分为前、后两段；12)依据ENSO在前、后两段不同的演化过程和海气特征，以时空序列预测深度学习模型为基础，分别设计前、后段的专用编码器与解码器；13)依据ENSO在前、后两段不同的演化过程和海气特征，以时空序列预测深度学习模型为基础，为前、后段分别构建加权特征融合器；14)基于步骤12)、13)构建的结构创建基于分段式深度神经网络的ENSO智能预测模型。3.根据权利要求2所述的基于分段式深度神经网络的ENSO智能预测方法，其特征在于，所述切分定位模型的表达式为：式中，x
t
为ENSO预测数据集，t
seg
为前、后段的切分位置，为向下取整函数，seg(
·
为用于计算前、后段切分位置的模型，f
seg
为seg(
·
的斜率。4.根据权利要求2所述的基于分段式深度神经网络的ENSO智能预测方法，其特征在于，所述基于分段式深度神经网络的ENSO智能预测模型的表达式为：所述基于分段式深度神经网络的ENSO智能预测模型的表达式为：所述基于分段式深度神经网络的ENSO智能预测模型的表达式为：式中，concat(
·
)表示将不同分段的特征拼接到一起，encoder
i
(
·
)和decoder
i
(
·
)分别为步骤12)中以时空序列预测深度学习模型为基础设计的编码器和解码器，merger
i
(
·
)为步骤13)设计的加权特征融合器，为本分段解码器的输出，为加权特征融合器得到的加权融合特征，和分别为本分段和另一分段的编码器输出。5.根据权利要求1所述的基于分段式深度神经网络的ENSO智能预测方法，其特征在于，步骤2)的具体步骤包括：21)根据ENSO的...

【专利技术属性】
技术研发人员：袁时金，冯新，穆斌，
申请(专利权)人：同济大学，
类型：发明
国别省市：