基于深度学习的ENSO预报方法

摘要

本发明提供的一种基于深度学习的ENSO预报方法，包括：从不同途径获取若干物理要素数据观测集；对物理要素数据观测集进行处理，使得全部的物理要素数据观测集的数据格式相同；对物理要素数据观测集中的若干种物理要素场进行预提取得到训练特征；通过深度学习算法，将训练特征中的各个要素物理量导入模型中进行训练得到预报模型；将实时观测数据导入预报模型中得到预报结果。本发明提供的基于深度学习的ENSO预报方法结合深度学习的方式最大程度上挖掘潜藏在大量数据中的有效信息，有效解决了现有技术中ENSO预报偏差较大的问题，从而实现更加准确的预报，提升预报精度。

说明书

技术领域

本发明涉及数据处理技术和机器学习技术领域，尤其涉及基于深度学习的ENSO预报方法。

背景技术

ENSO(El

发明内容

本发明提供的一种基于深度学习的ENSO预报方法，以解决现有技术中ENSO预报偏差较大的问题，从而实现更加准确的预报，提升预报精度。

为解决上述技术问题，本发明提供的技术方案为：

本发明提供的一种基于深度学习的ENSO预报方法，其特征在于，包括：

从不同途径获取若干物理要素数据观测集；

对物理要素数据观测集进行处理，使得全部的物理要素数据观测集的数据格式相同；

对物理要素数据观测集中的若干种物理要素场进行预提取得到训练特征；

通过深度学习算法，将训练特征中的各个要素物理量导入模型中进行训练得到预报模型；

将实时观测数据导入预报模型中得到预报结果。

本发明提供的基于深度学习的ENSO预报方法，其特征在于，所述“对物理要素数据观测集进行处理”还包括：对物理要素数据观测集进行插值处理；空间插值部分利用气象数据处理系统CDO进行双线性插值处理，最终处理成1°分辨率；时间插值部分采用一阶线性插值方法，插值到逐日。

本发明提供的基于深度学习的ENSO预报方法，其特征在于，所述“对物理要素数据观测集进行处理，使得全部的物理要素数据观测集的数据格式相同”还包括：对每个物理要素场中的缺失值进行填充,将全场全时次平均后的数值填充在缺失位置。

本发明提供的基于深度学习的ENSO预报方法，其特征在于，所述“深度学习算法”为残差神经网络算法；所述“物理要素数据观测集”的时间范围为当前年份之前所有年份；

其中，前80％年份的训练特征作为模型的训练集，后20％年份的训练特征作为模型的测试集。

本发明提供的基于深度学习的ENSO预报方法，其特征在于，所述“物理要素数据观测集中的若干种物理要素场进行预提取”具体为：采用最大信息系数来对物理要素数据观测集中的若干种物理要素场进行时空信息的特征预提取；采用全场均值作为阈值，大于阈值保留作为训练特征。

本发明提供的基于深度学习的ENSO预报方法，其特征在于，所述“将训练特征中的各个要素物理量导入到模型中进行训练得到预报模型”具体为：单独将训练特征中的各个要素物理量导入模型进行训练得到若干单要素预测模型，通过测试集对单要素物理量的预测结果进行评估，按照Taylor图模式评估的方式，在逐个超前预报时效上选出最优训练因子的组合；将选出的各个要素物理量中的最优训练因子导入到模型中进行训练得到预报模型。

本发明提供的基于深度学习的ENSO预报方法，其特征在于，所述模式评估的方式结合Pearson相关系数、均方根误差、标准差偏差三种指标，按照如下公式择优进行选择：

本发明提供的基于深度学习的ENSO预报方法，其特征在于，所述“将选出的各个要素物理量中的最优训练因子导入到模型中进行训练得到预报模型”具体为，将选出的各个要素物理量中的最优训练因子导入到模型中进行训练，分别在1～12个月的超前时效上单独训练模型，得到预报模型。

本发明具有如下优点：

本发明提供的一种基于深度学习的ENSO预报方法，包括：从不同途径获取若干物理要素数据观测集；对物理要素数据观测集进行处理，使得全部的物理要素数据观测集的数据格式相同；对物理要素数据观测集中的若干种物理要素场进行预提取得到训练特征；通过深度学习算法，将训练特征中的各个要素物理量导入模型中进行训练得到预报模型；将实时观测数据导入预报模型中得到预报结果。本发明提供的基于深度学习的ENSO预报方法结合深度学习的方式最大程度上挖掘潜藏在大量数据中的有效信息，有效解决了现有技术中ENSO预报偏差较大的问题，从而实现更加准确的预报，提升预报精度。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明及其特征、外形和优点将会变得更加明显。在全部附图中相同的标记指示相同的部分。并未刻意按照比例绘制附图，重点在于示出本发明的主旨。

图1是本发明实施例1提供的基于深度学习的ENSO预报系统的流程示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。需要注意的是，本发明所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。

如图1所示，本发明实施例1提供的一种基于深度学习的ENSO预报方法，包括：

S101：从不同途径获取若干物理要素数据观测集；

S102：对物理要素数据观测集进行处理，使得全部的物理要素数据观测集的数据格式相同；

S103：对物理要素数据观测集中的若干种物理要素场进行预提取得到训练特征；

S104：通过深度学习算法，将训练特征中的各个要素物理量导入模型中进行训练得到预报模型；

S105：将实时观测数据导入预报模型中得到预报结果。

步骤S101中可以从美国地球系统研究实验室、美国环境预测中心等地方，获取物理要素数据观测集，同时可以定期实时获取到更新各类再分析数据，种类涉及包括海表温度、海平面气压、近地面风场、海洋深层热含量等在内的13种物理要素场。针对数据集来源广，数据形式多样，时空分辨率不一致的问题，在数据集进入模型统一进行训练之前，需将通过步骤S102将所有数据形式进行统一，处理成相同的数据格式。同时，为了减少冗余信息量，降低模型训练的复杂程度，通过步骤S103对数据进行预提取。步骤S104利用训练特征训练得到预报模型，从而利用预报模型来进行实时预报。本发明实施例1提供的基于深度学习的ENSO预报方法结合深度学习的方式最大程度上挖掘潜藏在大量数据中的有效信息，有效解决了现有技术中ENSO预报偏差较大的问题，预报结果准确度大幅提升，例如在超前6个月时效上，预报精度上相关系数可达0.83，均方根误差可减少至0.5℃，相比现有预报模式可获得10％的精度提升。

在对数据进行处理的过程中，需要对缺失值进行处理，以防止后期缺失数据在物理场归一化过程中的影响“对物理要素数据观测集进行处理”还包括：对物理要素数据观测集进行插值处理；空间插值部分利用气象数据处理系统CDO进行双线性插值处理，最终处理成1°分辨率；时间插值部分采用一阶线性插值方法，插值到逐日。“对物理要素数据观测集进行处理，使得全部的物理要素数据观测集的数据格式相同”还包括：对每个物理要素场中的缺失值进行填充,将全场全时次平均后的数值填充在缺失位置。

为了提供最终预测模型的准确度，“深度学习算法”为残差神经网络算法；“物理要素数据观测集”的时间范围为当前年份之前所有年份；同时为了能够保证训练模型的准确性，前80％年份的训练特征作为模型的训练集，后20％年份的训练特征作为模型的测试集。

为了减少冗余信息量，降低模型训练的复杂程度，同时受限于训练数据的样本限制，“物理要素数据观测集中的若干种物理要素场进行预提取”具体为：采用最大信息系数来对物理要素数据观测集中的若干种物理要素场进行时空信息的特征预提取；采用全场均值作为阈值，大于阈值保留作为训练特征。

通过将预提取出的物理要素单独导入到深度学习网络进行训练以获取最终的最优预测因子(即下文最优训练因子)，通过最优预测因子来对模型训练，进一步提升模型预报的准确性，降低模型训练成本，因此，在实施例中“将训练特征中的各个要素物理量导入到模型中进行训练得到预报模型”具体为：单独将训练特征中的各个要素物理量导入模型进行训练得到若干单要素预测模型，通过测试集对单要素物理量的预测结果进行评估，按照Taylor图模式评估的方式，在逐个超前预报时效上选出最优训练因子的组合；将选出的各个要素物理量中的最优训练因子导入到模型中进行训练得到预报模型。

在实施例中所述模式评估的方式结合Pearson相关系数、均方根误差、标准差偏差三种指标，按照如下公式择优进行选择：

本实施例中“将选出的各个要素物理量中的最优训练因子导入到模型中进行训练得到预报模型”具体为，将选出的各个要素物理量中的最优训练因子导入到模型中进行训练，分别在1～12个月的超前时效上单独训练模型，得到预报模型。通过对不同的超前时效进行单独训练，可以确保预报模型对不同超前时效进行预报的准确性。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。