基于最优气候模态的人工智能次季节预测方法

本技术涉及天气气候预测业务中降水、气温等气象要素的次季节预测领域，并且更具体地，涉及一种基于最优气候模态的人工智能次季节预测方法。

背景技术：

1、天气气候预测对于气象防灾减灾、经济社会发展以及国家安全保障具有重要意义。如何提高如降水、气温等气象要素的预测准确率是当前气象预测的难题，也是气象科研所亟需解决的重要任务。目前主要的天气气候预测技术主要有统计方法预测和动力模式预测两类。无论是统计方法预测还是动力模式预测，目前对于自然存在的气候模态与气象要素之间的非线性关系估计还存在严重不足。

2、对于统计方法预测，其主要基于强大气信号的历史演变规律，寻找物理统计关系，进而建立统计模型进行预测。现阶段统计预测模型基于的物理关系主要还是简单线性关系；然而大气内在具有强烈的非线性特征，简单统计线性关系无法准确描述气候模态变化以及主要由其决定的气象要素场如降水、气温的变化。对于数值预报动力模型，其主要基于物理方程，如动力学方程、热力学方程等，描述大气中的各种运动和相互作用。数值预报模型将大气划分为三维网格，通过在每个网格点上解方程，模拟大气状态的演变情况。数值预报模型运行时，会使用与实际大气状态尽可能一致的初始条件，以时间步进的方式计算大气的变化，模型输出包括未来时刻的温度、湿度、风速等大气状态参数。然而，数值预报模型输出的预测结果往往存在一定偏差，需要与实际观测情况进行验证后加以调整和订正。特别是对如气温、降水等气象要素的预报，数值预报模型直接输出的结果较为不足。已有的调整订正方法主要还是基于观测统计线性关系，对自然存在的非线性关系未能很好考虑。

3、因此，如何更好地识别气候模态与气象要素之间的复杂关系是提高气象要素预测准确性所亟需解决的问题。

技术实现思路

1、本技术提供了一种基于最优气候模态的人工智能次季节预测方法，本技术能够通过人工智能方法建立气候模态与气象要素之间的非线性关系，从而提高对气象要素预测的准确性。

2、第一方面，提供了一种基于最优气候模态的人工智能次季节预测方法，所述方法包括：

3、将观测中逐日热带地区olr场、中高纬地区500hpa位势高度场以及各个气象要素场分别计算转换为以各自天为中心的候倾向距平场，得到前期或同期olr场和500hpa位势高度场的候倾向距平场与各气象要素的候倾向距平场；

4、对所述前期或同期olr场和500hpa位势高度场的候倾向距平场与各气象要素的候倾向距平场分别进行奇异值分解，得到的olr场和500hpa位势高度场为与所述气象要素最紧密联系的前期或同期气候模态，以及将分解得到的olr和500hpa位势高度场的时间序列进行标准化，得到标准化后的各个时间序列；

5、对所述标准化后的各个时间序列进行组合，利用lstm或ann人工智能方法建立所述前期或同期气候模态与各个所述气象要素的候倾向距平之间的非线性预测模型；

6、利用所述前期气候模态与所述气象要素之间的所述非线性预测模型，对未来气象要素进行统计-人工智能结合预测，以及利用所述同期气候模态与所述气象要素之间的所述非线性预测模型和动力模式预测的气候模态，对所述未来气象要素进行动力-统计-人工智能结合预测；

7、对所述非线性预测模型进行候倾向距平的历史回报独立样本检验，确定最优气候模态以及对应的统计-人工智能结合预测模型和动力-统计-人工智能结合预测模型；

8、利用所述最优气候模态以及对应的所述统计-人工智能结合预测模型和所述动力-统计-人工智能结合预测模型，对所述未来气象要素进行预测。

9、上述技术方案，与现有技术相比，具有如下优点：

10、（1）本技术通过人工智能方法将气候模态与气象要素进行非线性建模。不同于传统线性方法，人工智能方法可以有效识别气候模态和气象要素之间的非线性关系，这些保证了非线性预测模型利用气候模态得出的气象要素的准确度。

11、（2）本技术还将对气象要素的直接预测转化为对其候倾向距平的间接预测。这种方法的好处在于可以较好地提取出次季节尺度信号，将更长时间的变化作为持续性背景通过观测中的上一候距平引入，因此长时间变化部分不需要预测，从而有效提高预测准确率。

12、（3）本技术还通过对逐日数据滑动逐候建模，可以给出每天的气象要素预测结果。

13、结合第一方面，在某些可能的实现方式中，所述对所述前期olr场和500hpa位势高度场的候倾向距平场与各气象要素的候倾向距平场分别进行奇异值分解，得到的olr场和500hpa位势高度场为与所述气象要素最紧密联系的前期气候模态，以及将分解得到的olr和500hpa位势高度场的时间序列进行标准化，得到标准化后的各个时间序列，包括：在提前n候对第t候进行预测时，每一年提取第t-n-1候到第t-n+1候的olr候倾向距平场和500hpa位势高度候倾向距平场，以及第t-1候到第t+1候的气象要素的候倾向距平场，得到扩充后的olr候倾向距平场、500hpa位势高度候倾向距平场以及气象要素的候倾向距平场；对所述扩充后的olr候倾向距平场、500hpa位势高度候倾向距平场以及气象要素的候倾向距平场分别进行奇异值分解，并将分解得到的前p个olr模态和前p个500hpa位势高度模态，确定为与所述气象要素最紧密联系的所述前期气候模态，p为正整数；

14、将分解得到的所述前p个olr模态和所述前p个500hpa位势高度模态对应的时间序列分别进行标准化，得到所述标准化后的各个时间序列。

15、结合第一方面和上述实现方式，在某些可能的实现方式中，所述利用所述前期气候模态与所述气象要素之间的所述非线性预测模型，对未来气象要素进行统计-人工智能结合预测，包括：获取观测气候模态的候倾向距平；基于所述观测气候模态的候倾向距平和所述前期气候模态，得到所述观测气候模态的候倾向距平对应的时间系数；将所述时间系数代入所述非线性预测模型中，对所述未来气象要素进行预测。

16、结合第一方面和上述实现方式，在某些可能的实现方式中，所述对所述非线性预测模型进行候倾向距平的历史回报独立样本检验，确定最优气候模态以及对应的统计-人工智能结合预测模型，包括：获取近i年的历史候倾向距平，i为正整数；获取多个所述非线性预测模型对所述历史候倾向距平的回报结果，所述回报结果指示所述非线性预测模型基于所述历史候倾向距平的气象要素预测结果；比较多个所述非线性预测模型的所述回报结果与观测资料的空间相关系数；基于所述空间相关系数从大到小的排序结果，选取前m个olr场时间序列和前n个500hpa位势高度场时间序列对应的气候模态组合作为所述最优气候模态，将所述最优气候模态对应的非线性预测模型确定为所述统计-人工智能结合预测模型，m、n为正整数。

17、结合第一方面和上述实现方式，在某些可能的实现方式中，所述利用所述最优气候模态以及对应的所述统计-人工智能结合预测模型，对所述未来气象要素进行预测，包括：基于预测年的第t-n候的olr候倾向距平场和500hpa位势高度场的候倾向距平场和所述最优气候模态，得到投影到所述最优气候模态上对应的时间系数，n为正整数，且t-n为正整数；将所述投影到所述最优气候模态上对应的时间系数代入所述统计-人工智能结合预测模型，得到所述预测年的第t候的候倾向距平；将所述第t候的候倾向距平与上一候观测的第t-1候的候倾向距平相加，得到第t候的候距平；将所述第t候的候距平和第t候的气候态相加，得到第t候的预测候平均值。

18、结合第一方面和上述实现方式，在某些可能的实现方式中，所述对所述同期olr场和500hpa位势高度场的候倾向距平场与各气象要素的候倾向距平场分别进行奇异值分解，得到的olr场和500hpa位势高度场为与所述气象要素最紧密联系的同期气候模态，以及将分解得到的olr和500hpa位势高度场的时间序列进行标准化，得到标准化后的各个时间序列，包括：每一年提取第t-1候到第t+1候的olr候倾向距平场和500hpa位势高度候倾向距平场，以及第t-1候到第t+1候的气象要素的候倾向距平场，得到扩充后的olr候倾向距平场、500hpa位势高度候倾向距平场以及气象要素的候倾向距平场，t-1为正整数；对所述扩充后的olr候倾向距平场、500hpa位势高度候倾向距平场以及气象要素的候倾向距平场分别进行奇异值分解，将分解得到的前q个olr模态和前q个500hpa位势高度模态，确定为与所述气象要素最紧密联系的所述同期气候模态，q为正整数；将分解得到的所述前q个olr模态和前q个500hpa位势高度模态对应的时间序列分别进行标准化，得到所述标准化后的各个时间序列。

19、结合第一方面和上述实现方式，在某些可能的实现方式中，所述利用所述同期气候模态与所述气象要素之间的所述非线性预测模型和动力模式预测的气候模态，对所述未来气象要素进行动力-统计-人工智能结合预测，包括：获取动力模式对未来气候模态的预测输出结果；基于所述预测输出结果和所述同期气候模态，得到投影至所述同期气候模态对应的时间系数；将投影至所述同期气候模态对应的所述时间系数代入所述非线性预测模型中，对所述未来气象要素进行预测。

20、结合第一方面和上述实现方式，在某些可能的实现方式中，所述对所述非线性预测模型进行候倾向距平的历史回报独立样本检验，确定最优气候模态以及对应的动力-统计-人工智能结合预测模型，包括：获取动力模式对近j年的预测候倾向距平，j为正整数；获取多个所述非线性预测模型对所述预测候倾向距平的回报结果，所述回报结果指示所述非线性预测模型基于所述预测候倾向距平的气象要素预测结果；比较多个所述非线性预测模型的回报结果与观测资料的空间相关系数；基于所述空间相关系数从大到小的排序结果，选取前x个olr场时间序列和前y个500hpa位势高度场时间序列对应的气候模态组合作为所述最优气候模态，将所述最优气候模态对应的所述非线性预测模型确定为所述动力-统计-人工智能结合预测模型，x和y为正整数。

21、结合第一方面和上述实现方式，在某些可能的实现方式中，所述利用所述最优气候模态以及对应的所述动力-统计-人工智能结合预测模型，对所述未来气象要素进行预测，包括：将所述动力模式预测的未来大气olr候倾向距平场和500hpa位势高度候倾向距平场，投影到所述最优气候模态上，得到投影到所述最优气候模态上对应的时间系数；将所述投影到所述最优气候模态上对应的时间系数代入所述动力-统计-人工智能结合预测模型中，计算得到所述气象要素未来第t候的候倾向距平；将所述第t候的候倾向距平与上一候观测的第t-1候的候倾向距平相加，得到第t候的候距平；将所述第t候的候距平与第t候的气候态相加，得到第t候的预测候平均值。

22、结合第一方面和上述实现方式，在某些可能的实现方式中，所述候倾向距平的运算过程包括：

23、

24、其中，为气候模态变量或所述气象要素，为所述气候模态变量或所述气象要素的候距平，为所述气候模态变量或所述气象要素的候倾向距平，t为某一候，t-1即为所述某一候的上一候。