【技术实现步骤摘要】
本专利技术涉及人工智能，特别涉及一种智慧人工智能气候预测方法。
技术介绍
1、气候预测，特别是以降水、气温等主要气候要素为目标的季节和次季节气候预测，长期以来一直是我国气象科学理论研究和业务实践应用领域里的研究重点和难点，如何针对不同气候要素，提供精准的客观定量化预测结果，是气象部门和相关单位做好防汛抗旱等气象防灾减灾等工作的迫切需求。
2、地球气候系统是一个十分复杂的非线性系统，对于任何一个气候要素预测，多时间尺度、多影响因子以及大气“混沌”变率是造成气候预测准确率难以提高的根本原因，而这三个方面对气候要素的影响均涉及非线性过程，如：不同时间尺度影响的非线性叠加、不同影响因子非线性相互作用以及大气本身非线性造成的“混沌”变率等。因此，如何通过有针对性地构建非线性模型，实现气候要素的非线性预测是解决气候预测难题的重要途径。
3、传统的气候预测方案主要包括统计建模预测方案和气候动力模式预测方案。统计方案是基于历史观测数据，利用统计方法寻找气候系统前兆信号和预测目标气候要素之间的统计规律，通过多元线性回归等方法构建统计预测模型，但这种统计的线性模型无法实现对非线性系统的建模以及预测。气候动力模式则是基于气候系统的数学物理规律，通过超级计算机和数值计算手段求解数学物理方程组，从而实现对气候系统建模和预测，但动力模式预测对系统初值和物理框架要求很高，现有模式并不能完全通过数学物理方程来精确描述气候系统的所有过程；同时，受制于计算机性能和计算方案近似，动力模式也不能求得数学物理方程组的精确解，且由于非线性系统的“混
4、随着科技发展，人工智能技术不断在各个领域发挥更大作用，其中很重要的原因之一便是利用人工智能方案可以构建非线性模型，如随机树模型、支持向量机模型、人工神经网络以及在时序预测领域应用广泛、前景广阔的循环神经网络等。对于气候预测而言，如何提取预测因子则是气候动力学领域长期研究的重点，相关研究表明，气候系统中存在许多具有明确物理意义和不同时空尺度的气候模态，能够对区域气候要素异常起决定性作用。通过时间尺度分解，提取在目标时间尺度上决定气候要素异常的最优气候模态并将其作为预测因子对气候要素异常进行预测是切实有效的路径。基于上述技术背景，充分利用最优气候模态作为预测因子并运用人工智能方案构建非线性气候预测模型，对气候系统进行非线性预测具有非常重要的价值。
技术实现思路
1、本专利技术针对气候预测难题，特别是针对气候系统非线性问题，构建非线性预测模型，提出了一种基于最优气候模态（sm）和异常相对倾向（art）的智慧（smart）人工智能（ai）气候预测方法（即smart-ai气候预测方法）。通过提取决定预测目标气候要素异常的前期或同期最优气候模态，将其作为预测因子，基于历史观测数据和人工智能建模方案，构建上述最优模态与气候要素异常之间的非线性关系，实现对气候要素异常的客观定量化非线性预测。
2、技术方案：
3、为实现上述专利技术目的，本专利技术采用的技术方案是：基于最优气候模态和异常相对倾向的智慧人工智能气候预测方法。该方法包括以下步骤：
4、（1）根据预测目标气候要素异常的类型和区域，从历史数据中选择决定预测目标气候要素异常的前期或同期气候系统大尺度气候要素，分别计算这些要素的距平值（anomaly）、异常相对倾向（anomalous relative tendency，art）以及对应的近期背景异常（recent background anomaly，rba）。
5、（2）利用时空耦合模态分解方法，提取步骤（1）中所选定的前期或同期大尺度气候要素与预测目标气候要素异常相对倾向之间的时空耦合模态，选取协方差贡献大并具有明确物理意义的模态为最优气候模态，计算这些最优模态所对应的时间序列，将其作为预测目标气候要素异常相对倾向的预测因子。
6、（3）利用历史数据和人工智能模型，训练和构建步骤（2）中得到的最优气候模态时间序列（预测因子）与预测目标气候要素异常相对倾向之间关系的非线性人工智能模型。
7、（4）基于步骤（2）中得到的最优气候模态，利用空间投影方法，计算观测的前期最优气候模态时间系数实况或动力模式预测的同期最优气候模态对应的时间系数，将其带入步骤（3）中建立的非线性人工智能预测模型，从而实现对预测目标气候要素异常相对倾向的预测。
8、（5）基于步骤（1）中得到的近期背景异常与步骤（4）中预测得到的异常相对倾向，两者相加即最终得到对预测目标气候要素距平值的非线性客观定量化预测结果，从而实现基于最优气候模态和异常相对倾向的智慧人工智能气候预测方法。
9、其中：
10、步骤（1）中，针对不同预测目标选取前期或同期大尺度气候要素的方法为：基于相关气候动力学理论研究，选取从物理上决定预测目标气候要素的气候系统大尺度气候要素，其中前期数据主要为相对应的实际观测数据，同期数据为气候动力模式的预测结果。
11、计算距平值的方法为：
12、距平值=实际值-气候态（气候态为实际值的多年平均）。
13、距平值、异常相对倾向、近期背景异常之间的关系为：
14、距平值=异常相对倾向+近期背景异常，其中近期背景异常为气候要素近期平均的异常，则异常相对倾向=距平值-近期背景异常。
15、步骤（2）中，提取用于气候预测的最优气候模态及其对应的时间序列方法为：利用奇异值分解法（singular value decomposition，svd），基于步骤（1）中得到的异常相对倾向，提取大尺度气候要素与预测目标气候要素之间的时空耦合模态，进而基于协方差排序，通过投影法计算最优气候模态及其对应的时间序列。
16、步骤（3）中，基于最优气候模态和人工智能建模的方法为：将步骤（2）中得到的最优模态时间序列与对应时段的预测目标气候要素异常相对倾向数据作为人工智能模型的训练集，将训练集数据时段后期的对应预测目标气候要素异常相对倾向数据集作为验证集，进行人工智能建模。
17、在模型构建时，可以选择多种人工智能模型，包括循环神经网络（如lstm）、支持向量机、分类树等方法；为得到用于气候预测的人工智能模型，上述模型中至少应包括一个回归层，即将最优气候模态时间序列作为自变量，将预测目标气候要素异常相对倾向作为因变量，进而构建基于最优气候模态和异常相对倾向的智慧（smart）人工智能非线性预测模型。
18、步骤（4）中，计算用于最终预测的前期或同期最优气候模态时间系数具体计算方法为：利用投影法，基于步骤（2）中得到的最优气候模态，计算上述异常相对倾向数据所对应的时间系数，这些时间系数将作为最后的预测因子。将这些预测因子带入步骤（3）中构建的人工智能预测模型，进而得到预测目标气候要素异本文档来自技高网...
【技术保护点】
1.一种智慧人工智能气候预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：步骤（1）中选择对应的能够对预测目标气候要素异常起到重要影响的前期或同期气候系统大尺度气候要素作为提取预测因子的对象，并将对预测目标气候要素距平值的直接预测转变为基于预测目标气候要素距平值、预测目标气候要素异常相对倾向和近期背景异常关系的对异常相对倾向的间接预测，在步骤（5）中实现间接预测结果到直接预测结果的转换。
3.根据权利要求1所述的方法，其特征在于：步骤（2）中通过SVD分解法和投影法，提取了步骤（1）中所选取的决定预测目标气候要素异常相对倾向的前期或同期大尺度气候要素的最优模态，计算了这些模态对应的时间序列，并将这些时间序列作为实际的预测因子。
4.根据权利要求1所述的方法，其特征在于：步骤（3）中利用人工智能模型，包括循环神经网络、支持向量机以及分类树网络中的任一项，构建用于预测最优气候模态与预测目标气候要素异常相对倾向之间关系的非线性模型。
5.根据权利要求1所述的方法，其特征在于：步骤（4）中，基于步骤（2）得到的
6.根据权利要求1所述的方法，其特征在于：步骤（5）中，将基于步骤（4）得到的预测目标气候要素异常相对倾向的预测结果与基于步骤（1）得到的近期背景异常相加，最终得到预测目标气候要素距平值的预测结果。
...【技术特征摘要】
1.一种智慧人工智能气候预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的方法，其特征在于：步骤（1）中选择对应的能够对预测目标气候要素异常起到重要影响的前期或同期气候系统大尺度气候要素作为提取预测因子的对象，并将对预测目标气候要素距平值的直接预测转变为基于预测目标气候要素距平值、预测目标气候要素异常相对倾向和近期背景异常关系的对异常相对倾向的间接预测，在步骤（5）中实现间接预测结果到直接预测结果的转换。
3.根据权利要求1所述的方法，其特征在于：步骤（2）中通过svd分解法和投影法，提取了步骤（1）中所选取的决定预测目标气候要素异常相对倾向的前期或同期大尺度气候要素的最优模态，计算了这些模态对应的时间序列，并将这些时间序列作为实际的预测因子。
4.根据权利要求1所...
【专利技术属性】
技术研发人员：杨修群，王昱，孙旭光，房佳蓓，陶凌峰，张志琦，张昱培，
申请(专利权)人：南京大学，
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。