System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及气象类气候预测,尤其涉及基于模式的延伸期长短期记忆冷空气过程预测方法。
技术介绍
1、20世纪中叶以来,区域性的冷空气过程频发,冷空气降温幅度变大,对人们的健康及生命、劳动生产率、工农业生产、基础设施、生态系统等造成的损害越来越大,预计未来相关灾害风险会越来越严重。但是,冷空气/寒潮过程的气候预测仍是一个世界性的科学挑战与难题。
2、为了推动延伸期-次季节尺度的气候预测技术发展,2013年世界气象组织wmo的世界气象研究计划(wwrp)和世界气候研究计划(wcrp)开展次季节至季节预报(s2s)研究项目,该项目整合了全球11家气候预报机构cma(中国)、ecmwf(欧洲)、ncep(美国)、jma(日本)等气候模式预报产品,数据中心设在中国。这些模式的预报时效最长达3个月,涵盖了延伸期时段,可提供最为全面的气候模式预报产品,在全球得到了广泛的应用。
3、随着s2s模式的推广,各模式对多种气象要素的预测性能研究也发展迅速,但大多研究多是针对enso、季风、mjo或nao等海洋或大气遥相关指数这类可预报性较高的要素开展的。由于大气运动的非线性特征,各模式针对气温、降水等直接气象要素预测技巧尚有欠缺。目前部分研究开始着眼于气候模式针对极端事件的预测技巧,首先开展的就是极端气温研究,有一些研究成果指出2m处极端温度在延伸期时段具有预报技巧,预测时效在两周内,这些研究为个例的周平均分析。国内的研究多是针对s2s中多模式的月或季节平均气温的预测性能评估,以s2s模式中常用的两种数值模式产品:中国的der
4、综上所述:1)气候模式针对延伸期时段大尺度环流预测技巧相对较高,针对极端气温也具有一定的预报技巧;2)但气候模式针对冷空气过程预测的时间精细化程度及准确性方面尚有较大欠缺。
5、在气候模式发展进展的同时,人工智能技术在气象届也有了迅速进展。相关技术人员指出“人工智能技术在气象领域的应用具有较宽的覆盖面,可通过大数据分析、信息识别、机器学习等技术解决各类难以通过数理模型直接给出确定性方案的复杂问题”。ibm推出的全球高分辨率大气预报系统(graf)正是基于云计算、ai技术的预报模型。2018年,第二届ai chanllenger全球天气预报挑战赛召开。2019年国内开展了全国首届“观云识天”人机对抗大赛。然而利用机器学习技术开展延伸期时段的气温预报的研究较少,多数研究都是针对10天以内的逐日或逐小时气温进行预报,利用机器学习技术开展延伸期时段的逐日冷空气过程预测尚属空白,亟待发展。
6、冷空气/寒潮的过程预测在天气尺度即10天以内预报技巧较高,但10天以上的预测能力很差。目前已有的技术方法包括:1、气候模式的集合预测;2、统计预测方法;3、利用历史、前期实况或模式进行机器学习的预测方法。这些方法均存在弊端:1、方法1-气候模式,其预测随着预报时效的增加,气象要素的预报越来越平滑,难以反映极端温度事件,而冷空气/寒潮过程预测需要对气温的日变率有精确的预测,气候模式难以满足。2、方法2-统计预测方法,如小波分析等多利用大气环流的周期性特征开展预测,但大气运动的非线性特征,则会破坏周期性,预报技巧偏低;3、方法3-机器学习方法,目前这一方法多在天气即10天以内的预测中开展,少有的延伸期时段的预测也很难做到逐日预测,预报时效偏低,预报时间分辨率难以满足业务需求。
技术实现思路
1、为解决上述技术问题,本专利技术提出了基于模式的延伸期长短期记忆冷空气过程预测方法,此方法相对气候模式的原始预测得到了较大的提升。
2、基于模式的延伸期长短期记忆冷空气过程预测方法,包括:
3、选取预报因子,并确定所述预报因子的高度层次;
4、根据所述高度层次选取训练样本,利用长短期记忆网络和所述训练样本,分别构建并训练不同预报时效预测模型,其中,所述不同预报时效预测模型根据不同的预测时间独立构建;
5、将所述预报因子纳入训练好的所述不同预报时效预测模型中进行预测,并对预测结果进行动态订正,获得冷空气过程预测结果。
6、优选地,选取所述预报因子,并确定所述预报因子的高度层次包括:
7、选取气候模式的高度场作为所述预报因子,根据反映受陆面过程影响振荡的强弱确定所述预报因子的高度层次,最后对所述预报因子进行集合平均处理。
8、优选地,所述训练样本为基于样本扩展法进行扩展后的训练样本。
9、优选地,选取所述训练样本的方法为:
10、选取历史回报到预报的第n天分别建立预测样本,形成若干个模型,获取不同预报时效的训练样本。
11、优选地,所述长短期记忆网络为序贯模型,所述序贯模型的维度为1,时间窗长度为1,隐含层神经元节点数为5,激活函数为sigmoid函数,迭代次数为100次。
12、优选地,所述不同预报时效预测模型包括五个神经网络层次,迭代次数为100次,激活函数为sigmoid函数。
13、优选地,对所述预测结果进行动态订正的方法为:
14、ti=t′i+(t′i-t′i-1)×1.5
15、其中,ti为动态订正t时刻预测值,t′i为lstm预测的t时刻值,t′i-1为lstm预测的t-1时刻值。
16、与现有技术相比,本专利技术具有如下优点和技术效果:
17、(1)本专利技术考虑到气候模式的环流预报性能优于气温预测的特点,没有选择气候模式的气温预测作为预报因子进行建模,而是选取1000hpa和850hpa高度场进行建模,节省了机时,提高了效率;
18、(2)本专利技术充分利用气候模式的预报信息,突破以往机器学习中仅利用历史和前期实况气象信息进行训练的方式,能够有效增加预报时效;
19、(3)本专利技术中机器学习建模选取同一预报时效进行建模,避免了不同平滑程度的大气环流信息进入一个模型中建模而导致的信息不一致,降低了预报准确率,相比于现有技术方案,本专利技术提高了预测的时间分辨率,同时具有更高的预测精度和更快的预测速度。
本文档来自技高网...【技术保护点】
1.基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,包括:
2.根据权利要求1所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,选取所述预报因子,并确定所述预报因子的高度层次包括:
3.根据权利要求1所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,所述训练样本为基于样本扩展法进行扩展后的训练样本。
4.根据权利要求3所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,选取所述训练样本的方法为:
5.根据权利要求1所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,所述长短期记忆网络为序贯模型,所述序贯模型的维度为1,时间窗长度为1,隐含层神经元节点数为5,激活函数为sigmoid函数,迭代次数为100次。
6.根据权利要求1所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,所述不同预报时效预测模型包括五个神经网络层次,迭代次数为100次,激活函数为sigmoid函数。
7.根据权利要求1所述的基于模式的延伸期长短期记忆冷空气过程预测
...【技术特征摘要】
1.基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,包括:
2.根据权利要求1所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,选取所述预报因子,并确定所述预报因子的高度层次包括:
3.根据权利要求1所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,所述训练样本为基于样本扩展法进行扩展后的训练样本。
4.根据权利要求3所述的基于模式的延伸期长短期记忆冷空气过程预测方法,其特征在于,选取所述训练样本的方法为:
5.根据权利要求1所述的基...
【专利技术属性】
技术研发人员:杨雅薇,潘一昂,
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:
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。