一种基于客观定量化的智能气候预测技术
专利汇可以提供一种基于客观定量化的智能气候预测技术专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于客观定量化的智能 气候 预测技术，包括以下步骤：S1、气象 大数据 的预处理；S2、利用常规和 机器学习 算法 得到定量客观化预测结果；S3、基于多个评估规则对不同资料不同算法的客观化结果进行评估；S4、基于评估结果利用机器学习对预测结果进行再分析得到再分析客观化结果；以及S5、从近期、同期等多个 角 度智能推荐客观化预测。该技术可以有效高效的提高预测精确度，有效提高 质量 预测的稳定度，有效提高诊断预测成因的广度和深度。，下面是一种基于客观定量化的智能气候预测技术专利的具体信息内容。
1.一种基于客观定量化的智能气候预测技术，其特征在于：所述的智能气候预测技术，包括以下步骤：S1、气象大数据的预处理：对全球大气再分析资料、全球海洋再分析资料等全球资料进行距平场提取、经向场、纬向场以及时间演变场的扩展；对ECMWF、CFS2、CSM、DERF2等模式预测资料提取基于不同起报时间的大气和地面预报场；环流指数距平和时间变化的处理；全国地面台站观测资料基本气象要素和气候事件的统计；
S2、利用常规和机器学习算法得到定量客观化预测结果：根据所述包括针对不同时间的地面气象要素、环流指数、大气和海洋观测数据、多模式预测数据等气象大数据及其扩展数据与预测区域的预测对象单独以及多模式、多要素、多时间尺度等融合方式建立模型，并采用区域匹配域投影、EOF迭代、相似年替代等经验方法以及随机森林、支持向量机等机器学习算法预测得到客观化预测结果；
S3、基于多个评估规则对客观化结果进行评估：根据一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对客观定量预测结果采用单独和权重组合进行评估；
S4、基于评估结果利用机器学习对预测结果进行再分析得到再分析定量化结果：对评估得到的优势定量预测方法和数据集成学习，得到基于不同情况的集合预报、概率预报等再分析定量化预测；
S5、从近期、同期等多个角度智能推荐客观化预测：从近期时段、同期时段的一致率评分(PC)、趋势异常综合评分(Ps)、相关系数(Cc)以及标准误差(RMSE)和标准差(Stdev)对再分析的客观定量预测结果采用单独和权重组合进行评估后智能推荐最优的客观化预测。
2.根据权利要求1所述的一种基于客观定量化的智能气候预测技术，其特征在于：所述的基于客观定量化的智能气候预测技术，可以包括但不局限于现有的资料和算法，不断增加模式预测要素、海冰、积雪等大尺度变量，增加和优化侧重预测机理的经验统计方法和机器学习算法进行客观化预测，增加和优化侧重数理统计的机器学习算法和评估规则进行智能推荐都将进一步提高气候预测的准确性和稳定性，逐步达到以“量变到质变”的预测效果。
3.根据权利要求1所述的一种基于客观定量化的智能气候预测技术，其特征在于，X(i,j,t)是格点(i，j)上的大尺度变量，即预报因子，通过X(i,j,t)-X(i-1,j,t)、X(i,j,t)-X(i,j-1,t)、X(i,j,t)-X(i,j,t-1)扩展经向变化、纬向变化和时间变化作为预报因子；对于所述环流指数X(i,t)通过X(i,t)-X(i,t-1)和Xa(i,t)-Xa(i,t-1)扩展指数变化和指数的距平变化作为预报因子。
4.根据权利要求1所述的一种基于客观定量化的智能气候预测技术，其特征在于，Y(t)是预测对象，X(k,t)是格点k(i，j)上的或者第k个大尺度变量及扩展变量，即预报因子，则Y(t)＝αXp(t)+β，式中，Xp(t)为预报因子在一个优化窗口的投影。此优化窗口是指预报因子在某一个区域上与预报对象在回报期的相关性满足一定条件的区域，这里的条件包括相关系数通过显著性检验的区域、符号一致率高于65和小于35以及前2条件都满足的区域；
Xp(t)＝∑i，jR(i，j)X(k，t)，式中，基于前面的3个条件，R(k)分别为回报期的相关系数、符号一致率-50以及相关系数*abs(符号一致率-50)。
5.根据权利要求1所述的一种基于客观定量化的智能气候预测技术，其特征在于：X(k,t0)是可任意选择范围k的大尺度变量及扩展变量，即需要比较的相似因子，X(k,t)是要该变量的历史序列，通过Sim＝s Eu+sR+sXiang，智能查找相似年，并以相似年的相应对象作为预测值，式中，sEu是欧式相似度，sR是相关系数，,sX是汉明相似度的改进版，其中kx表示|X(i，t0)-X(i，tj)|＞0.5×Std的范围，Std为X(k,t0)的标准差。
6.根据权利要求5所述的一种基于客观定量化的智能气候预测技术，其特征在于，所述X(k,t0)是可任意选择范围k的大尺度变量及扩展变量，即需要比较的相似因子，X(k,t)是要包含X(k,t0)的历史序列，通过基于数据划分的无监督聚类算法K-Means,得到包含X(k,t0)所属的类别，并以此类别的要素合成作为预测值。
7.根据权利要求1所述的一种基于客观定量化的智能气候预测技术，其特征在于，Y(t)是预测对象，X(i,t)包含环流指数、指数变化和距平变化，即预报因子，基于机器学习的决策树、随机森林、支持向量机等算法建模，并以此模型为基础，得到客观定量化的预测结果。
8.根据权利要求7所述的一种基于客观定量化的智能气候预测技术，其特征在于：Y(t)是预测对象，X1(k,t)，X2(k,t)，…，Xn(k,t)分别是格点k(i，j)或第k个大尺度变量及扩展变量，即预报因子，分别对X1(k,t)，X2(k,t)，…，Xn(k,t)进行标准化处理得到x1(k,t)，x2(k,t)，…，xn(k,t)，通过x(kx，t)＝x1(k1，t)∪x2(k2，t)∪…∪xn(kn，t)以及x(kx，t)＝x1(k1，t)∩x2(k2，t)∩…∩xn(kn，t),(k1，k2，…，kn)表示满足不同条件的预测因子，即相关性通过显著性检验，符号一致率高于65和小于35以及前2条件都满足的因子。在融合和优势因子提取后，再基于x(kx，t)与Y(t)建立模型，通过权利要求3-6的方法得到客观化预测结果。
9.根据权利要求1所述的一种基于客观定量化的智能气候预测技术，其特征在于：1(t)，Y2(t)，…，Yn(t)是权利要求3-7得到的所有客观定量化预测结果，Ps1(t)，Ps2(t)，…，Psn(t)分别是基于所有回算客观化预测得到的趋势异常综合评分，Cc1(t)，Cc2(t)，…，Ccn(t)是对应的相关系数，RMSE1(t)，RMSE2(t)，…，RMSEn(t)是标准误差，Stdev1(t)，Stdev2(t)，…，Stdevn(t)是标准差，分别评估预测年t+1前3年和前3个月所有回算客观化预测的Ps、Cc、RMSE、Stdev,再从评估结果中提取基于不同算法不同资料的前20种和100种预测结果，MAE1，MAE2，…，MAEn是近3年所有客观化定量化结果的平均绝对误差，则
得到超级集合；
得到概率预报的结果。
10.根据权利要求1所述的基于客观定量化的智能气候预测技术，其特征在于：Ys1(t)，Ys2(t)，…，Ysn(t)是权利要求8得到的超级集合预测结果，Yp1(t)，Yp2(t)，…，Ypn(t)是权利要求8得到的概率预报结果，评估t+1前3年和前3个月的超级集合和概率预报结果的Ps,Cc,RMSE,PC和Stdev，再综合权利要求3-7的客观化结果的评估结果，分别以评估变量或者组合多个评估变量(默认为RI＝4×Ps+100×Cc-Stdev-RMSE)为推荐指数，继而以推荐指数的大小推荐最优客观化预测结果。
一种基于客观定量化的智能气候预测技术
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 光纤探头以及测量海冰厚度的装置 | 2020-05-14 | 738 |
| 一种海冰厚度的遥感估算方法 | 2020-05-14 | 287 |
| 一种海洋平台海冰监测装置及其方法 | 2020-05-14 | 438 |
| 一种海冰制备装置及方法 | 2020-05-15 | 151 |
| 重力法海冰脱盐设施与海冰固态重力脱盐方法 | 2020-05-11 | 781 |
| 雷达海冰厚度测量仪 | 2020-05-11 | 891 |
| 一种海冰输运系统 | 2020-05-11 | 48 |
| 海冰导热系数测量仪 | 2020-05-12 | 272 |
| 一种海冰表面粗糙度的遥感估算方法 | 2020-05-17 | 364 |
| 极地海冰环境数据监测浮标和极地海冰环境数据监测方法 | 2020-05-13 | 921 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
