基于人工智能模型的延伸期气象要素预报方法及系统技术方案

本发明专利技术公开了基于人工智能模型的延伸期气象要素预报方法及系统，包括：采集气象要素的实况信息及10

【技术实现步骤摘要】
基于人工智能模型的延伸期气象要素预报方法及系统


[0001]本专利技术属于气象预报
，尤其涉及基于人工智能模型的延伸期气象要素预报方法及系统。

技术介绍

[0002]近年来，全球气象灾害性事件呈多发趋势，给世界各国的社会、经济发展带来了巨大的隐患，如2020年我国长江流域的暴力梅、2022年夏季全球范围持续高温等。如果能获取较长时效的气象要素预报，则能够更为精准地助力防灾减灾。我国气象部门将时效为10
‑
30天的预报称为延伸期预报，其时间尺度处于0
‑
10天中短期天气预报和月尺度以上短期气候预测之间，是构建天气精细化预测体系中至关重要的一环。延伸期预测是主动减灾的关键，例如对于许多管理部门如农业、粮食安全、水资源、灾害风险降低以及卫生健康等的决策，最终的需求是月时间尺度以内的预报，所以发展和改善介于天气
‑
气候之间的无缝隙预报将具有显著的社会和应用价值。然而尽管延伸期预测结果可以得出可观的社会和经济价值，但其受到的关注程度要比中期天气预报及季节预测少得多。因此推进延伸期气象预测能力的快速高水平发展已成为世界性的热点及难点问题。
[0003]世界气象组织推出S2S研究计划，旨在提高延伸期时间尺度的预报技巧,并促进各国气象业务中心的成果应用。各国的气象模式数据实现了定时发布，因此可以获取数值模式延伸期预报信息。但从近几年气象模式数据预测检验评估效果来看，目前的模式预测技术虽然取得了较大进步，但其预测准确率与短中期预报相比仍有较大提升空间。
[0004]由于多模式之间的预测能力有差别，再加之同一模式的多个成员的预报离差较大，等权平均而得出的预报效果不佳。本专利技术利用On
‑
Line人工智能模型对多个数值模式的多成员结果进行智能优选，赋值不同权重获得集成预报结果，这一研究尚属气象届较为前沿的热门探索领域。

技术实现思路

[0005]为了减少多成员预测结果的离散度问题，进一步提高多模式的延伸期预报准确性，本专利技术提出基于人工智能模型的延伸期气象要素预报方法及系统，对比世界主流的延伸期预报模型，本专利技术的预报效果优于单模式及多模式等权集成的预报结果，一定程度上可以帮助提高10
‑
30天延伸期的可预报性。
[0006]为实现上述目的，本专利技术提供了基于人工智能模型的延伸期气象要素预报方法，包括以下步骤：
[0007]采集气象要素的实况信息及10
‑
30天模式预报信息,所述模式预报信息包括71个成员；
[0008]将所述的模式预报信息插值至长三角地区格点内；
[0009]对所述的模式预报信息中的成员进行择优筛选，确定优选成员；
[0010]利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及
根据该方案计算的各优选成员的权重值；
[0011]根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10
‑
30天逐日预报结果。
[0012]可选的，采集气象要素的实况信息及10
‑
30天模式预报信息,所述模式预报信息包括71个成员具体包括：
[0013]所述模式预报信息包括过去两年的BABJ、ECMF、KWBC三个模式共71个成员的全球范围1.5
°
*1.5
°
的10
‑
30天的逐日预报资料；
[0014]所述实况信息为降水以及2m气温的观测数据，包括过去两年内的长三角地区21
‑
37.5
°
N，109.5
‑
126
°
E的0.09375
°
*0.09375
°
网格的共计31329个格点。
[0015]可选的，将所述的模式预报信息插值至长三角地区格点内具体包括：
[0016]利用UNet的神经网络降尺度方法，将所述模式预报信息插值至长三角地区21
‑
37.5
°
N，109.5
‑
126
°
E的0.09375
°
*0.09375
°
网格，共计31329个格点。
[0017]可选的，对所述模式预报信息中的成员进行择优筛选，确定优选成员，其中筛选保留预报效果高于均值的模式信息用于建模，具体包括：
[0018]计算过去两年的10
‑
30天的每个提前预报时间的模式预报信息中的成员与相同时刻实况信息的ACC评分，筛选出ACC评分高于均值的模式预报信息中的成员作为优选成员，ACC评分计算如下：
[0019][0020]其中符号
’
代表中心化后的变量，其中，f
i.j.k
为时间为i，纬度为j，经度为k时的模型预测结果；t
i,j,k
为时间为i，纬度为j，经度为k时的真实数据；
[0021]L(j)为纬向第j个格点的权重因子，L(j)被定义为：
[0022][0023]其中N
lat
代表纬向格点个数，j代表纬向第j个格点，lat(j)表示第j个格点的纬度，cos表示余弦函数。
[0024]可选的，利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据所述方案计算各优选成员的权重值；以多种参数搭配方案所得的回报效果作为衡量标准，确定最优参数搭配方案，具体包括：
[0025]利用On
‑
Line人工智能模型对模式预报信息的优选成员进行建模，模型包括十二种参数搭配方案，首先需要确定最优参数搭配方案，逐一利用每种参数搭配方案对所述的预报信息的每一个优选成员及相对应的实况值进行训练，训练集为过去两年长三角地区21
‑
37.5
°
N，109.5
‑
126
°
E的0.09375
°
*0.09375
°
网格的10
‑
30天逐日预报信息中各成员以及相对应的实况值；使用每种参数搭配方案训练出的优选成员的权重值进行加权集成，得到过去两年的回报结果，计算回报结果的RMSE以及ACC评分，基于评分选出模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值，所述RMSE计算如下：
[0026][0027]其中，f
i.j.k
为时间为i，纬度为j，经度为k时的模型预测结果，t
i,j,k
为时间为i，纬度为j，经度为k时的真实数据；N
lat
代表纬向格点个数，N
lon
代表经向格点个数，N
forecasts
代表预测个例数。
[0028]可选的，根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10
‑
30天逐日预报结果，根据预报效本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于人工智能模型的延伸期气象要素预报方法，其特征在于，包括以下步骤：采集气象要素的实况信息及10
‑
30天模式预报信息,所述模式预报信息包括71个成员；将所述的模式预报信息插值至长三角地区格点内；对所述的模式预报信息中的成员进行择优筛选，确定优选成员；利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据该方案计算的各优选成员的权重值；根据所述的权重值对模式预报信息的优选成员进行加权集成，输出10
‑
30天逐日预报结果。2.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，采集气象要素的实况信息及10
‑
30天模式预报信息,所述模式预报信息包括71个成员具体包括：所述模式预报信息包括过去两年的BABJ、ECMF、KWBC三个模式共71个成员的全球范围1.5
°
*1.5
°
的10
‑
30天的逐日预报资料；所述实况信息为降水以及2m气温的观测数据，包括过去两年内的长三角地区21
‑
37.5
°
N，109.5
‑
126
°
E的0.09375
°
*0.09375
°
网格的共计31329个格点。3.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，将所述的模式预报信息插值至长三角地区格点内具体包括：利用UNet的神经网络降尺度方法，将所述模式预报信息插值至长三角地区21
‑
37.5
°
N，109.5
‑
126
°
E的0.09375
°
*0.09375
°
网格，共计31329个格点。4.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，对所述模式预报信息中的成员进行择优筛选，确定优选成员，其中筛选保留预报效果高于均值的模式信息用于建模，具体包括：计算过去两年的10
‑
30天的每个提前预报时间的模式预报信息中的成员与相同时刻实况信息的ACC评分，筛选出ACC评分高于均值的模式预报信息中的成员作为优选成员，ACC评分计算如下：其中符号
’
代表中心化后的变量，其中，f
i.j.k
为时间为i，纬度为j，经度为k时的模型预测结果；t
i,j,k
为时间为i，纬度为j，经度为k时的真实数据；L(j)为纬向第j个格点的权重因子，L(j)被定义为：其中N
lat
代表纬向格点个数，j代表纬向第j个格点，lat(j)表示第j个格点的纬度，cos表示余弦函数。5.如权利要求1所述的基于人工智能模型的延伸期气象要素预报方法，其特征在于，利用人工智能模型训练所述的优选成员，确定训练模型的最优参数搭配方案以及根据所述方案计算各优选成员的权重值；以多种参数...

【专利技术属性】
技术研发人员：信飞，卢楚翰，沈逸晨，
申请(专利权)人：上海市气候中心上海区域气候中心，
类型：发明
国别省市：