《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于機(jī)器學(xué)習(xí)算法的西部方向氣候模式預(yù)測(cè)訂正研究
基于機(jī)器學(xué)習(xí)算法的西部方向氣候模式預(yù)測(cè)訂正研究
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 11期
楊理智,張櫨丹,王俊鋒,張帥,嚴(yán)渝昇
（中國人民解放軍31308部隊(duì)，四川成都610031）
摘要： 基于氣候預(yù)測(cè)對(duì)西部方向環(huán)境保障的重要性，針對(duì)高原地區(qū)氣候模式準(zhǔn)確度不高的現(xiàn)實(shí)困境，采用大數(shù)據(jù)挖掘技術(shù)，充分處理氣候系統(tǒng)非線性統(tǒng)計(jì)特征。首先利用隨機(jī)森林，對(duì)氣候模式融合網(wǎng)格數(shù)據(jù)進(jìn)行訂正；而后將訂正網(wǎng)格進(jìn)行EOF分解，采用信息流算法挖掘環(huán)流因子與時(shí)間序列因果關(guān)系，構(gòu)建不同模態(tài)下高影響因子集；采用隨機(jī)森林進(jìn)行建模，預(yù)報(bào)不同模態(tài)的時(shí)間序列；最后還原預(yù)報(bào)的格點(diǎn)場(chǎng)，完成模式格點(diǎn)數(shù)據(jù)修訂。結(jié)果表明，經(jīng)機(jī)器學(xué)習(xí)算法修訂后的氣候模式預(yù)報(bào)準(zhǔn)確度、預(yù)報(bào)技巧顯著提高，同時(shí)，模型預(yù)報(bào)的穩(wěn)定度也有較大提升。本研究基于機(jī)器學(xué)習(xí)算法進(jìn)行氣象大數(shù)據(jù)挖掘，提升氣候模式預(yù)測(cè)效能，旨在為提升西部方向氣候預(yù)測(cè)水平提供方法思路。
中圖分類號(hào)：P468.1/.7
文獻(xiàn)標(biāo)識(shí)碼：A
DOI:10.19358/j.issn.2097-1788.2023.11.006
引用格式：楊理智,張櫨丹,王俊鋒，等.基于機(jī)器學(xué)習(xí)算法的西部方向氣候模式預(yù)測(cè)訂正研究［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2023，42（11）：29-34.
Prediction correction of western climate model based on machine learning algorithm
Yang Lizhi，Zhang Ludan，Wang Junfeng，Zhang Shuai，Yan Yusheng
(Unit 31308 of the People′s Liberation Army, Chengdu 610031, China)
Abstract： Based on the importance of climate prediction to support the battlefield environment in the western, and aimed at the realistic dilemma of low accuracy in plateau-climate model, this paper adopts big data mining technology to fully deal with the nonlinear statistical characteristics of the climate system. Firstly, the random forest is used to correct the data of climate model fusion grid. Then, EOF is used to analyze the corrected grid, and the information flow algorithm is also used to mine the causal relationship between circulation factors and time series, in order to construct the high-impact factor subsets in different modes. Finally, it models with random forest predicts time series of different modes, then restores the predicted grid field and completes the revision of model grid data. The results suggest that the forecasting accuracy and skills of modified climate model by machine learning algorithm have been significantly improved, as well as the stability of model prediction. This research based on machine learning algorithm for big data mining improves the efficiency of prediction model. It Aims at providing methods and ideas for improving the level of climate prediction in the western.
Key words : climate prediction; big-data mining; information flow; random forest

0引言

氣候預(yù)測(cè)方法有統(tǒng)計(jì)學(xué)、動(dòng)力學(xué)和動(dòng)力統(tǒng)計(jì)相結(jié)合三類方法。統(tǒng)計(jì)學(xué)方法由于指數(shù)因子過多且各因子相互作用過程復(fù)雜，難以基于簡(jiǎn)單的人工分析把握主要統(tǒng)計(jì)要素，因此不確定性較高。動(dòng)力學(xué)方法基于數(shù)值預(yù)報(bào)模式，受初始擾動(dòng)和大氣可預(yù)報(bào)性影響，氣候預(yù)測(cè)技巧有限，特別是青藏高原地區(qū)海拔高且地形復(fù)雜，氣候動(dòng)力模式難以精準(zhǔn)捕捉氣候過程，從而表現(xiàn)出了明顯偏差［1-2］。動(dòng)力統(tǒng)計(jì)結(jié)合方式為現(xiàn)在主流方式，能彌補(bǔ)統(tǒng)計(jì)和動(dòng)力方法各自的不足，明顯提升預(yù)測(cè)準(zhǔn)確度［3-5］。因此，利用統(tǒng)計(jì)學(xué)方法訂正西部方向氣候模式，以提升預(yù)報(bào)準(zhǔn)確度是值得探索的一個(gè)方向。

近年來，大數(shù)據(jù)分析挖掘技術(shù)——機(jī)器學(xué)習(xí)正騰飛發(fā)展，也在對(duì)數(shù)據(jù)關(guān)鍵信息的提取、識(shí)別和預(yù)測(cè)上取得了巨大成就。充分利用大數(shù)據(jù)分析挖掘技術(shù)，優(yōu)化傳統(tǒng)統(tǒng)計(jì)預(yù)測(cè)方法，是提升高原地區(qū)氣候預(yù)測(cè)準(zhǔn)確度的重要途徑。氣候預(yù)測(cè)準(zhǔn)確性的影響因子眾多，包含不同起報(bào)時(shí)間的模式場(chǎng)數(shù)據(jù)以及前期環(huán)流特征等，因子數(shù)量多、呈現(xiàn)顯著的非線性。機(jī)器學(xué)習(xí)算法能夠挖掘大數(shù)據(jù)規(guī)律，區(qū)別于傳統(tǒng)統(tǒng)計(jì)方法，它從數(shù)據(jù)出發(fā)進(jìn)行學(xué)習(xí)，具有很強(qiáng)的處理非線性問題的能力［6］，能夠從地氣系統(tǒng)大數(shù)據(jù)中發(fā)現(xiàn)并挖掘分析相互關(guān)聯(lián)信號(hào)，提升氣候預(yù)測(cè)技巧［7-8］。

機(jī)器學(xué)習(xí)已經(jīng)被廣泛應(yīng)用于氣候預(yù)測(cè)中，涌現(xiàn)出大量創(chuàng)新創(chuàng)造性成果［9-11］。機(jī)器學(xué)習(xí)方法常與數(shù)值模式融合，Gentine等［11］用神經(jīng)網(wǎng)絡(luò)模擬云和對(duì)流中熱量、水汽的垂直輸送以及輻射與云和水蒸氣的相互作用，更有效地改進(jìn)數(shù)值模式的模擬性，對(duì)氣候模式的發(fā)展和預(yù)測(cè)水平的提高帶來深遠(yuǎn)影響。機(jī)器學(xué)習(xí)也被廣泛用于訂正動(dòng)力模式偏差，Moghim和Bras［12］使用ANN模型對(duì)CCSM3的南美洲北部降水進(jìn)行訂正，效果顯著優(yōu)于線性回歸模型；Wang等［13-14］用隨機(jī)森林、支持向量、貝葉斯模型等工智能模型訂正偏差，從而提高動(dòng)力模式預(yù)測(cè)水平。機(jī)器學(xué)習(xí)算法對(duì)提升氣候預(yù)測(cè)業(yè)務(wù)水平也有極大的貢獻(xiàn)，黃超［15］等采用隨機(jī)森林挑選因子、多層前饋神經(jīng)網(wǎng)絡(luò)、支持向量回歸和自然梯度算法建立模型，有效提升了湖南夏季降水的預(yù)測(cè)能力；鄧居昌等［7］用多種機(jī)器學(xué)習(xí)算法構(gòu)建廣西月降水量預(yù)測(cè)統(tǒng)計(jì)訂正，結(jié)合動(dòng)力模式方法，極大提升了預(yù)測(cè)準(zhǔn)確率；向波等創(chuàng)造性地將機(jī)器學(xué)習(xí)算法融入多省市的氣候預(yù)測(cè)業(yè)務(wù)中，成功優(yōu)化預(yù)測(cè)效果。

上述研究在氣候預(yù)測(cè)中機(jī)器學(xué)習(xí)算法的應(yīng)用領(lǐng)域做出了較大貢獻(xiàn)，但由于模式表現(xiàn)差、測(cè)站少等原因，鮮有研究關(guān)注西部方向。因此，本文利用西部方向240個(gè)區(qū)域站30年觀測(cè)數(shù)據(jù)、國內(nèi)外主流氣候模式數(shù)據(jù)、前期環(huán)流特征等大數(shù)據(jù)樣本，基于EOF分解的時(shí)間系數(shù)，采用信息流算法分析挖掘數(shù)據(jù)因果特征，運(yùn)用機(jī)器學(xué)習(xí)算法構(gòu)建高影響因子集與時(shí)間系數(shù)的預(yù)報(bào)模型，以優(yōu)化模式預(yù)報(bào)場(chǎng)，最后將模式數(shù)據(jù)、重構(gòu)預(yù)報(bào)數(shù)據(jù)插值回240個(gè)區(qū)域站，分析對(duì)比模型預(yù)報(bào)效果，探索基于機(jī)器學(xué)習(xí)算法的氣候模式訂正方法在西部方向的適用性。


本文下載請(qǐng)點(diǎn)擊：基于機(jī)器學(xué)習(xí)算法的西部方向氣候模式預(yù)測(cè)訂正研究AET-電子技術(shù)應(yīng)用-最豐富的電子設(shè)計(jì)資源平臺(tái) (chinaaet.com)



作者信息：

楊理智,張櫨丹,王俊鋒,張帥,嚴(yán)渝昇

（中國人民解放軍31308部隊(duì)，四川成都610031）


電子技術(shù)應(yīng)用微店二維碼.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。