【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。