一种基于循环神经网络的S2S降水预测方法技术

本发明专利技术公开了一种基于循环神经网络的S2S降水预测方法，包括：S1、收集待预测区域的历史降水数据，对其进行时间分解；S2、对历史降水数据进行LOESS局部加权回归分析，分析考虑气候变化影响的降水趋势；S3、确定预测区域的多圈层气候因子，将其统一为月尺度的气候因子指数；S4、构成输入特征输入至基于循环神经网络的预测模型中，获得不同季节的降水预测结果。本发明专利技术提供动态的不同季节的降水预测方法，可以应用于多种地形下的S2S降水预测；可以应用于未来气候变化下的降水预测；在大型计算机上确定参数以后，即可在个人PC上运行，节省了计算资源；本发明专利技术获得"四川省科技计划(2022YFS0544)”支持。支持。支持。

【技术实现步骤摘要】
一种基于循环神经网络的S2S降水预测方法


[0001]本专利技术属于短期气候预测
，具体涉及一种通过地球科学中的气候学和气象学理论，结合深度学习和大数据实现的基于循环神经网络的S2S降水预测方法。

技术介绍

[0002]天气预报和气候预测是一门对未来进行预测的科学，其中，天气预报的时间范围是指未来0
‑
7天的变化，而气候预测的时间范围主要是指年到年际尺度的气候变化。因此，在天气预报和气候预测之间就存在一个次季节
‑
季节尺度的“缝隙”，这一尺度又被称为“预测沙漠”。随着社会和经济的发展，这一尺度的预测对于政府决策、防汛抗旱、水资源管理、农业灌溉、旅游和保险等方面的重要作用越发凸显。为了桥接这一“缝隙”，从2013年开始，世界气象组织WCPR和WWRP，以及中国气象局就先后开展了“Sub
‑
seasonal to Seasonal Prediction”(S2S)的研究计划。但是到目前为止，世界和我国对S2S的降水预测准确率仍然不高，并且仍然有巨大的提升空间。
[0003]目前对S2S的降水预测方法主要有两类，一类是通过气候模式进行动力预测，另一类是使用统计和动力相结合的降尺度预测。对于第一类，由于理论认识和数值计算误差的原因，其预测准确率目前仍然较低，且提升十分困难。这是因为S2S尺度的降水预测受到大气环流，海温，陆地积雪，极地冰盖，植被和土壤等多圈层因子的相互作用，对这种相互作用和正负反馈的机制，目前的科学认识仍然非常有限。另一方面，来自地面和卫星对地球环境的观测存在一定的误差，这种误差随着计算时间的累积会逐渐放大，一个著名的例子是“蝴蝶效应”。对于第二类，主要通过统计分析的手段，计算不同气候因子与降水之间的关系，寻找最优的气候因子然后建立回归的预测方程，这种方法有效的提升了气候模式对于气象要素预测的准确率，但是由于全球气候变暖和气候系统内部变率的影响，其预测方程的使用具有较大的局限性。预测方程通常仅仅适用于某一类地形，某一个季节或者某一个时间段。
[0004]随着地球科学中观测数据的海量式增长和深度学习技术的发展。一些研究者开始将深度学习与地球科学进行融合，并在诸多细分领域取得了成功，例如：基于雷达回波的短临预警、基于卫星观测的降水反演、基于多源观测的数据同化等。但是在S2S的降水预测方面，尤其是预测复杂地形下的S2S降水，技术研究和业务应用还十分匮乏。本专利技术获得"四川省科技计划(2022YFS0544)”支持。

技术实现思路

[0005]针对现有技术中的上述不足，本专利技术提供的基于循环神经网络的S2S降水预测方法解决了现有技术中，难以实现复杂地形及不同气候下S2S降水预测的问题。
[0006]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于循环神经网络的S2S降水预测方法，包括以下步骤：
[0007]S1、收集待预测区域的历史降水数据，并对其进行时间分解；
[0008]S2、对历史降水数据进行LOESS局部加权回归分析，分析考虑气候变化影响的降水
趋势；
[0009]S3、确定预测区域的多圈层气候因子，将其统一为月尺度的气候因子指数；
[0010]S4、将时间分解数据、降水趋势以及气候因子指数构成输入特征输入至基于循环神经网络的预测模型中，获得不同季节的降水预测结果。
[0011]进一步地，所述步骤S1中，进行时间分解的方法为：
[0012]Pseq＝Ps+Pt+Pr
[0013]其中，P
seq
为历史降水序列，Ps为季节性循环，Pt为降水趋势，Pr为剩余的降水残差。
[0014]进一步地，所述步骤S2中，进行LOESS局部加权回归分析的方法为：
[0015][0016]式中，J(a,b,c)为雅克比矩阵，n为降水时间序列的长度，w
i
为每一个时间序列点的权重，x
i
为降水序列的时间坐标，d
i
为距离当前时间坐标的时间间隔，d
max
为距离当前时间坐标的最大时间间隔，为120个月。
[0017]进一步地，所述步骤S3中多圈层气候因子包括北极海冰、巴伦支海海冰、青藏高原积雪、北半球积雪、印度洋TIOD模态、印度洋SIOD模态、赤道西太平洋4区海温、赤道东太平洋1+2区海温、太平洋中东太平洋3.4区海温、北极涛动遥相关AO以及北大西洋涛动遥相关NAO；
[0018]对多圈层气候因子进行Z
‑
score标准化处理，获得月尺度的气候因子指数的公式为：
[0019][0020]式中，Z为标准化处理的气候指数因子，X为计算前的气候指数，E[X]为气候指数的期望值，σ(X)为气候指数的标准差。
[0021]进一步地，所述步骤S4中的预测模型包括依次连接的输入层、模型计算层以及输出层；
[0022]所述输入层的输入特征依次为待预测地区前一年12个月的输入特征；
[0023]所述模型计算层包括一个2
×4×
14的隐藏层和一个2
×
12的全连接层，其中隐藏层用于计算输入特征和降水之间的非线性关系，确定与未来降水有关的无量纲数，全连接层用于将隐藏层计算的无量纲数转换为有量纲的降水数据；
[0024]所述输出层包括两个全连接层，分别对应夏半年和冬半年，用于将夏半年和冬半年的降水预测结果按时间顺序排列，得到输入层中历史降水所在位置下未来12个月的降水预测结果。
[0025]将预测降水结果映射至对应的地形上。
[0026]进一步地，所述隐藏层中每个神经元进一步提炼的公式为：
[0027]h
t
＝tanh(w
i
x+b
i
+w
h
h
t
‑1+b
h
)
[0028]式中，h
t
为t时间时刻的隐藏层输出值，tanh(
·
)为激活函数，w
i
为当前时间t下气候指数的权重参数，x为当前时间t下的气候指数，b
i
为当前时间t下气候指数的偏置参数，w
h
为上一个时间t
‑
1下气候指数的权重参数，b
h
为上一个时间t
‑
1下气候指数的偏置参数。
[0029]进一步地，所述预测模型采用Adam方法进行损失优化，并在损失优化过程中，引入1阶和2阶的动量矩动态调整损失梯度下降的方向。
[0030]进一步地，1阶动量矩阵的表达式为：
[0031]m
t
＝β1m
t
‑1+(1
‑
β1)g
t
[0032]式中，m
t
为t时刻下的1阶动量矩估计，β1为1阶动量参数，g
t
为t时刻的损失梯度；
[0033]2阶动量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的S2S降水预测方法，其特征在于，包括以下步骤：S1、收集待预测区域的历史降水数据，并对其进行时间分解；S2、对历史降水数据进行LOESS局部加权回归分析，分析考虑气候变化影响的降水趋势；S3、确定预测区域的多圈层气候因子，将其统一为月尺度的气候因子指数；S4、将时间分解数据、降水趋势以及气候因子指数构成输入特征输入至基于循环神经网络的预测模型中，获得不同季节的降水预测结果。2.根据权利要求1所述的基于循环神经网络的S2S降水预测方法，其特征在于，所述步骤S1中，进行时间分解的方法为：Pseq＝Ps+Pt+Pr其中，P
seq
为历史降水序列，Ps为季节性循环，Pt为降水趋势，Pr为剩余的降水残差。3.根据权利要求2所述的基于循环神经网络的S2S降水预测方法，其特征在于，所述步骤S2中，进行LOESS局部加权回归分析的方法为：骤S2中，进行LOESS局部加权回归分析的方法为：式中，J(a,b,c)为雅克比矩阵，n为降水时间序列的长度，w
i
为每一个时间序列点的权重，x
i
为降水序列的时间坐标，d
i
为距离当前时间坐标的时间间隔，d
max
为距离当前时间坐标的最大时间间隔，为120个月。4.根据权利要求1所述的基于循环神经网络的S2S降水预测方法，其特征在于，所述步骤S3中多圈层气候因子包括北极海冰、巴伦支海海冰、青藏高原积雪、北半球积雪、印度洋TIOD模态、印度洋SIOD模态、赤道西太平洋4区海温、赤道东太平洋1+2区海温、太平洋中东太平洋3.4区海温、北极涛动遥相关AO以及北大西洋涛动遥相关NAO；对多圈层气候因子进行Z
‑
score标准化处理，获得月尺度的气候因子指数的公式为：式中，Z为标准化处理的气候指数因子，X为计算前的气候指数，E[X]为气候指数的期望值，σ(X)为气候指数的标准差。5.根据权利要求1所述的基于循环神经网络的S2S降水预测方法，其特征在于，所述步骤S4中的预测模型包括依次连接的输入层、模型计算层以及输出层；所述输入层的输入特征依次为待预测地区前一年12个月的输入特征；所述模型计算层包括一个2
×4×
14的隐藏层和一个2
×
12的全连接层，其中隐藏层用于计算输入特征和降水之间的非线性关系，确定与未来降水有关的无量纲数，全连接层用于将隐藏层计算的无量纲数转换为有量纲的降水数据；所述输出层...

【专利技术属性】
技术研发人员：高国路，向筱铭，周学云，李扬，李嘉琪，
申请(专利权)人：四川省气象探测数据中心，
类型：发明
国别省市：