基于人工智能低空气温集成预报系统及方法技术方案

本发明专利技术涉气温预测技术领域，特别是涉及一种基于人工智能低空气温集成预报系统及方法，包括：处理目标地区智能网格预报、CMA‑MESO预报、EC细网格预报数据，以及处理目标区域地面气象台站和ECMWF ERA5再分析数据；提取ECMWF ERA5再分析数据中不同垂直层次处的数据使用所述USRnet学习生成水平降尺度模型；使用LSTM学习生成多模式集成预报模型；并使用CGAN学习生成垂直生成模型。本发明专利技术提供了更准确、可靠和精细的低空气温预报结果，对低空气温服务和相关领域具有重要的实际应用价值。

【技术实现步骤摘要】

本专利技术涉及低空气温预报，特别是涉及一种基于人工智能低空气温集成预报系统及方法。

技术介绍

1、低空气温预报是对未来气温在垂直及水平范围内分布状态进行预测的过程，人们生活、生产的范围都集中在3000m以下的低空范围，低空精细化气温预报对于人们的日常生活、农业、交通等各个领域都具有重要意义。

2、然而，现有的低空气温预报存在一些挑战和困难，由于气温预报依赖于大量的观测数据和数值模型，而观测数据的获取和质量可能存在差异，数值模型的参数设置和算法选择也会产生不同的结果，导致预报情报的差异，并且大气环流系统非常复杂，受许多因素的相互作用影响，如地形、海洋、太阳辐射等，这些因素的微小变化可能导致低空气温出现非线分布，进而影响气温预报的准确性，因此通过多资料的融合集成预报方法的气温预测将减少这方面的影响，此外，不同数值模式间的高度层设置不同，无法准确获得特定垂直高度处气温预报，如何建立特定垂直高度处的气温预测模型，提高精细化程度的同时提高准确率是一项挑战。

3、因此，如何提供一种基于人工智能低空气温集成预报系统及方法是本领域技术人员急需解决的本文档来自技高网...

【技术保护点】

1.一种基于人工智能低空气温集成预报系统，其特征在于，包括：

2.根据权利要求1所述的基于人工智能低空气温集成预报系统，其特征在于，所述水平降尺度模块使用USRnet进行训练学习，所述水平降尺度模块用于将水平分辨率从0.25×0.25°降尺度到0.00390625×0.00390625°，设置有数据预处理提取所述不同垂直层次处的数据，包括原始的0.25×0.25°分辨率的地面、1000hPa、975hPa、950hPa、925hPa、900hPa、875hPa、850hPa气温，以每一数据目标区域中心点截取周边50×50km固定范围内的数据，所有数据分为训练集、验证集和测试集...

【技术特征摘要】

1.一种基于人工智能低空气温集成预报系统，其特征在于，包括：

2.根据权利要求1所述的基于人工智能低空气温集成预报系统，其特征在于，所述水平降尺度模块使用usrnet进行训练学习，所述水平降尺度模块用于将水平分辨率从0.25×0.25°降尺度到0.00390625×0.00390625°，设置有数据预处理提取所述不同垂直层次处的数据，包括原始的0.25×0.25°分辨率的地面、1000hpa、975hpa、950hpa、925hpa、900hpa、875hpa、850hpa气温，以每一数据目标区域中心点截取周边50×50km固定范围内的数据，所有数据分为训练集、验证集和测试集，提取两年内的第一年全年数据的90％进行训练作为所述训练集，提取剩下10％进行验证作为所述验证集，并输入第二年的数据新型测试作为测试集，初始化超参数后输入所述ecmwf era5再分析数据，并使用所述usrnet对输入的数据集进行归一化处理，训练后再将训练结果反归一化得到预测值，使用pytorch搭建usrnet及loss函数、dataloader进行迭代训练，生成水平降尺度模型并在测试集上进行评估，准确率不低于85％。

3.根据权利要求2所述的基于人工智能低空气温集成预报系统，其特征在于，所述水平降尺度模块的所述usrnet中包含数据模块d、先验模块p、超参模块h；

4.根据权利要求3所述的基于人工智能低空气温集成预报系统，其特征在于，所述水平降尺度模块在生成所述水平降尺度模型时在测试集上进行评估，当准确率低于85％，调整超参数和模型结构来改善模型性能。

5.根据权利要求4所述的基于人工智能低空气温集成预报系统，其特征在于，所述数据集成模块使用lstm进行训练，数据集成...

【专利技术属性】
技术研发人员：哈斯塔木嘎，格日乐，孙岳飞，范嘉承，楚健坤，
申请(专利权)人：内蒙古自治区锡林郭勒盟气象局，
类型：发明
国别省市：