基于南北半球年代际模态的人工智能年代际气候预测方法

本申请涉及气候预测领域，并且更具体地，涉及气候预测领域中一种基于南北半球年代际模态的人工智能年代际气候预测方法。

背景技术：

1、年代际预测具有重要的社会经济以及环境价值，并且可以为需要应对气候变化的政府决策部门提供关键的科学支撑，是近年来气候变化研究的一个迅速发展的新兴热点领域,已成为国际前沿和热点问题。

2、年代际预测方法主要分为动力模式预测和统计预测两类。动力模式受限于模式偏差和初始化方法性能限制，尤其是在陆地和北太平洋的预测水平较差。统计预测方法主要基于已知的北半球海气系统的主要年代际模态或印度洋海温指数作为预测因子，使用多元线性回归等数理统计方法建立预测因子与降水、气温等预测要素的同期统计关系，构建有气候系统动力学基础的统计预测模型。上述北半球海气系统的主要年代际模态有：太平洋年代际振荡（pacific decadal oscillation，pdo）、大西洋多年代际振荡（atlanticmultidecadal oscillation，amo）等，印度洋海温指数如印度洋海盆模（indian oceanbasin mode，iobm）。

3、但统计预测方法存在以下缺陷和不足，导致预测水平仍较差：

4、1）只考虑北半球和热带海气系统的主要年代际信号，忽视了南半球海气系统模态在年代际预测中的可能作用。南半球海洋面积较北半球更大，有研究表明南半球海气系统也可能存在显著的年代际信号，并对全球气候有重要的影响。

5、2）只考虑年代际预测因子与预测要素的同期统计关系，未考虑年代际信号的滞后影响。年代际信号往往在地球系统中存在滞后一至多年的传播和演变，其在不同区域的气候影响也可能存在滞后。以往统计预测方法往往基于年代际预测因子与预测要素的同期统计关系进行建模，不能正确反映影响的滞后性，容易导致预测效果降低。

6、3）采用传统的线性模型建立统计关系和预测模型，无法刻画非线性关系。近年来，人工智能方法在气候预测领域中的应用越来越频繁，在构建年代际预测的统计模型时使用人工神经网络、transformer等人工智能方法较传统的多元线性回归方法有优势，但目前为止这方面的尝试仍然较少。

7、综上所述，基于统计预测的年代际气候预测方法仍有提升空间，如何提升年代际气候预测水平仍是亟需解决的科学和技术问题。

技术实现思路

1、为解决上述技术中的不足，本发明提出了一种基于南北半球年代际模态的人工智能年代际气候预测方法，可应用于年代际气候预测，有望提升年代际气候预测水平。

2、为实现上述目的，本发明提供了一种基于南北半球年代际模态的人工智能年代际气候预测方法，包括：

3、获取预设历史时间段内气候要素的逐月历史观测数据；根据所述逐月历史观测数据，获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据；其中，所述气候要素包括：全球海表面温度、降水和气温等；

4、根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据，分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态，得到各所述主要年代际模态的时间序列和空间型；

5、根据各所述主要年代际模态的时间序列，通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型；

6、通过将所述主要年代际模态的近期观测状态或未来预测状态导入所述年代际气候预测模型，得到针对所述气候要素在未来预设时间段内的预测结果。

7、在一种可能的实现方式中，所述基于南北半球年代际模态的人工智能年代际气候预测方法，包括：

8、a. 获取预设历史时段内全球海表面温度、降水和气温等气候要素的逐月历史观测数据；基于所述逐月历史观测数据，获取上述要素的各季节平均的逐年历史观测数据，并进行距平化。示例性的，季节可以为：秋季（9~11月）、冬季（12月~2月）、春季（3~5月）、夏季（6~8月）。

9、b. 基于上述距平化季节平均逐年历史观测数据，使用集合经验模态分解（eemd）方法去除上述数据中的长期趋势，得到去除长期趋势的季节平均逐年历史观测数据。对上述去除长期趋势的历史观测数据进行低频滤波，得到低频滤波后的去除长期趋势的季节平均逐年历史观测数据。

10、c. 基于上述低频滤波后的去除长期趋势的季节平均逐年历史观测数据，构建包含季节演变信息的扩展矩阵，通过经验正交函数（eof）分解法，分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态，得到各所述主要年代际模态的空间型和时间序列；

11、d. 基于上述两组主要年代际模态时间序列，通过人工智能（如卷积神经网络cnn、循环神经网络rnn、长短期记忆递归神经网络lstm等人工神经网络、transformer等）方法，在预测区域的每一个空间格点上建立所述主要年代际模态和降水、气温等作为预测对象的气候要素（下文中也可称为预测要素）间不同时滞步长的映射关系；

12、e. 对于每个主要年代际模态，选取其与滞后降水、气温等气候要素的映射关系最佳的滞后步长，依据最佳滞后步长对时间序列进行平移，得到最佳预测因子；

13、f. 基于上述最佳预测因子，通过同样的人工智能方法建立其与预测要素的映射关系，构建该预测要素的年代际气候预测模型；

14、g. 通过将所述主要年代际模态的近期观测状态或未来预测状态导入上述预测模型，得到预测要素在未来几年到数十年内的映射，作为对该预测要素的预测结果。

15、与现有技术相比，本发明有如下技术效果：

16、1）不同于以往仅考虑北半球和热带信号的年代际预测方法，本发明同时考虑北半球和南半球的主要年代际模态，预测因子更全面完备；

17、2）不同于以往仅考虑预测因子与预测对象的同期关系，本发明通过在不同时滞步长上建立预测因子与预测对象的映射关系，选取最优映射关系的滞后步长重新构建预报因子，挖掘二者间的时空错位关系，能有效提升预测水平；

18、3）不同于以往仅使用传统数理统计方法，本发明将多种人工智能技术应用于年代际气候预测，能提升预测因子与预测对象映射关系的准确性和稳定性。

技术特征：

1.一种基于南北半球年代际模态的人工智能年代际气候预测方法，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，根据各所述主要年代际模态的时间序列，通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型，包括：

3.根据权利要求1所述的方法，其特征在于，所述根据所述逐月历史观测数据，获取所述气候要素去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据，包括：

4.根据权利要求1所述的方法，其特征在于，所述根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据，分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态，得到各所述主要年代际模态的时间序列和空间型，包括：

5.根据权利要求4所述的方法，其特征在于，所述根据所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据，通过经验正交分解法，提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态，得到各所述主要年代际模态的空间型和时间序列，包括：

6.根据权利要求5所述的方法，其特征在于，所述去除长期趋势并进行低频滤波后的各季节平均的逐年历史观测数据包括：所述北半球的第二目标历史观测数据和所述南半球的第二目标历史观测数据，所述北半球的第二目标历史观测数据为所述北半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据，所述南半球的第二目标历史观测数据为所述南半球的去除长期趋势并进行低频滤波后的季节平均逐年历史观测数据；所述扩展矩阵包括：所述北半球对应的第一扩展矩阵和所述南半球对应的第二扩展矩阵；

7.根据权利要求6所述的方法，其特征在于，所述从所述南半球的第二目标历史观测数据中，去除所述北半球的主要年代际模态的时间序列在所述南半球的第二目标历史观测数据上的投影，得到所述南半球的第三目标历史观测数据，包括：

8.根据权利要求1至7任一项所述的方法，其特征在于，所述通过将所述主要年代际模态的近期观测状态或未来预测状态导入所述年代际气候预测模型，得到针对所述气候要素在未来预设时间段内的预测结果，包括：

9.根据权利要求8所述的方法，其特征在于，所述根据所述近期时段或未来时段内的气候要素的观测数据和所述空间型，确定所述主要年代际模态在近期时段的近期观测状态或未来时段的未来预测状态，包括：

10.根据权利要求9所述的方法，其特征在于，所述根据所述季节演变扩展矩阵的转置和所述空间型，确定所述主要年代际模态的近期观测状态或未来预测状态，包括：

技术总结
本发明公开了一种基于南北半球年代际模态的人工智能年代际气候预测方法，包括：基于去除长期趋势并进行低频滤波后的全球海表面温度和降水、气温等气候要素的季节平均历史观测数据；分别提取北半球海气系统随季节演变的主要年代际模态和与之独立的南半球海气系统随季节演变的主要年代际模态；通过人工智能方法建立所述主要年代际模态和气候要素间在不同时滞步长的映射关系，构建相应气候要素的年代际气候预测模型；通过将所述主要年代际模态的近期观测状态或未来预测状态导入预测模型，得到气候要素在未来几年到数十年内的实时预测结果。

技术研发人员：杨修群,张志琦,孙旭光,房佳蓓,王昱,陶凌峰,张昱培
受保护的技术使用者：南京大学
技术研发日：
技术公布日：2024/4/29