(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111659938.0 (22)申请日 2021.12.3 0 (65)同一申请的已公布的文献号 申请公布号 CN 114330132 A (43)申请公布日 2022.04.12 (73)专利权人 中国科学院大气物理研究所 地址 100029 北京市朝阳区德胜门外祁家 豁子华严里40号楼 (72)发明人 黄平　王听雨　 (74)专利代理 机构 北京市盛峰律师事务所 11337 专利代理师 于国富 (51)Int.Cl. G06F 30/27(2020.01) G06N 20/00(2019.01)G01W 1/10(2006.01) G06F 111/10(2020.01) G06F 119/08(2020.01) (56)对比文件 CN 113434576 A,2021.09.24 CN 112488382 A,2021.0 3.12 CN 106251022 A,2016.12.21 CN 109947879 A,2019.0 6.28 蒋国荣.用EOF展开和人工神经网络方法预 测ENSO的研究. 《海 洋预报》 .20 01,第18卷(第3 期),第1-10页. 张立峰.太平洋次表层海温距 平的立体 EOF 分析及其与ENSO的关系. 《海 洋预报》 .20 05,(第4 期),第360-366页. 审查员 王祖英 (54)发明名称 一种基于人工智能的ENSO多样性预报方法 (57)摘要 本发明公开了一种基于人工智能的ENSO多 样性预报方法， 该方法利用EOF分解法从赤道太 平洋SSTA观测数据中提取出前三个主模态， 将 CMIP6历史模拟数据投影在这三个主模态上， 得 到三组PC值； 使用三组PC值作为预报值， 将初始 月的SSTA， 以及Tendency项两种海温数据作为训 练的输入 值， 使用CMIP6模式训练VGG ‑11； 将观测 数据输入训练好的模型， 得到三个未来时刻的PC 值， 将其和3个EOF主模态合并， 即可重构出未来 时刻赤道 太平洋地区的SS TA空间形态。 本方法提 高了中太平洋型厄尔尼诺的预报技巧， 突破了以 往动力模式在中太平洋地区的预报瓶颈。 本方法 提高ENSO的预报技巧， 有助于气候灾害的预报和 预警， 有助于减少人员和财产损失。 权利要求书1页 说明书4页 附图2页 CN 114330132 B 2022.07.01 CN 114330132 B 1.一种基于人工智能的ENSO多样性预报方法， 其特 征在于， 包括以下步骤： S1,利用EOF分解法从赤道太平洋海表面温度异常观测数据中提取出三个EOF主模态： 纬向一致型、 纬向不 一致型和中部增暖型； S2， 将CMIP6模式的历史模拟数据投影在三个EOF主模态上， 分别得到三组历史模拟数 据PC值； S3， 使用步骤S2中得到的三组历史模拟数据PC值作为预报值， 将初始月的海表面温度 异常值以及Tendency项作为输入值， 训练改进的深度学习模型VG G‑11； S4， 将观测到的新数据作为预报输入值， 包括海表面温度异常值以及Tendency项， 输入 训练好的改进的深度学习模型VGG ‑11， 得到三个预报的PC值， 将其和步骤S1中得到的三个 EOF主模态合并， 即可 得出预报的赤道太平洋地区的S STA空间形态； Tendency项被定义为初始月减去初始月提前2个月的历史值， 代表海温在这两个月中 的变化的趋势； 步骤S2中的投影过程指的是将某一个时刻的空间数据与EOF模态使用矩阵乘法， 就可 以得到该时刻的EOF模态对应的历史模拟数据PC值； 所述矩阵乘法使用EOF模态的经纬度格点矩阵和某一 时刻的海表面温度异常的经纬度 格点， 按照相同经纬度的格点对应相乘的规则， 得到一个新的矩阵， 将得到的新矩阵内所有 值相加， 即得到该时刻的对应的历史模拟数据PC值； 步骤S4中的三个预报的PC值， 和步骤S1中得到的3个EOF主模态合并过程具体为： 将每 个预报的PC值乘以对应的EOF主模态， 将得到的乘积相加， 重构出S STA的空间形态。 2.根据权利 要求1所述的基于人工智能的ENSO多样性预报方法， 其特征在于， 步骤S1中 的EOF分解法为主成分 分析法， 用于将时空数据分解 为时间维度PC值和空间维度EOF模态。 3.根据权利 要求1所述的基于人工智能的ENSO多样性预报方法， 其特征在于， 步骤S3中 所述改进的深度学习模型VGG ‑11的训练参数： 小批量数： 128， 使用warm ‑up训练策略， 学习 率设为0.0001， 使用随机梯度下降优化器， 使用BatchNorm方法在每层进行归一化， 使用模 型真值和预测值的均方根 误差作为损失函数。权　利　要　求　书 1/1 页 2 CN 114330132 B 2一种基于人工智能的 ENSO多样性预报方 法 技术领域 [0001]本发明涉及气候预测技术领域， 尤其涉及一种基于人工智能的ENSO多样性预报 方 法。 背景技术 [0002]厄尔尼诺 ‑南方涛动(ENSO)对全球气 候具有重要影响， 可造成严重的洪涝灾害。 因 此， 提高ENSO预报技巧有利于各国防灾减灾。 现有的基于人工智能的预报模型通过预报 Nino3.4指数来指代整个赤道太平洋上的厄尔尼诺现象， 但这样的预报技术并不足够解决 厄尔尼诺的预报问题。 因为厄尔尼诺表现为赤道太平洋 上的海表 面温度(SST)的异常， 而温 度异常存在空间上的多样性， 但 Nino3.4指数无法展现空间上的多样性。 厄尔尼诺的空间多 样性除了常见 的东太平洋型厄尔尼 诺以外， 还存在一种中太平洋型厄尔尼诺， 两种类型对 全球气候的影响截然不同； 即便是现有的、 能预报空间型的动力数值模型， 对中太平洋型厄 尔尼诺的预报能力也并不高， 因此 预报厄尔尼诺空间型的问题仍没有被很好的解决。 发明内容 [0003]本发明的目的在于提供一种基于人工智能的ENSO多样性预报方法， 从而解决现有 技术中存在的前述问题。 [0004]为了实现上述目的， 本发明采用的技 术方案如下： [0005]一种基于人工智能的ENSO多样性预报方法， 包括以下步骤： [0006]S1,利用EOF分解法从赤道太平洋海表面温度异常观测数据中提取出三个EOF主模 态： 纬向一 致型、 纬向不 一致型和中部增暖型； [0007]S2， 将CMIP6模式的历史模拟数据投影在三个EOF主模态上， 分别得到三组历史模 拟数据PC值； [0008]S3， 使用步骤S2中得到的三组历史模拟数据PC值作为预报值， 将初始月的海表面 温度异常值以及Tendency项作为输入值， 训练改进的深度学习模型VG G‑11； [0009]S4， 将观测到的新数据作为预报输入值， 包括海表面温度异常值以及Tendency项， 输入训练好的改进的深度学习模型VGG ‑11， 得到三个预报的PC值， 将其和步骤S1中得到的 三个EOF主模态合并， 即可 得出预报的赤道太平洋地区的S STA空间形态。 [0010]优选的， 步骤S1中的EOF分解法为主成分分析法， 用于将时空数据分解为时间维度 PC值和空间维度EOF模态。 [0011]优选的， 步骤S2中的投影过程指的是将某一个时刻的空间数据与EOF模态使用矩 阵乘法， 就可以得到该时刻的EOF模态对应的PC值。 [0012]优选的， 所述矩阵乘法使用EOF模态的经纬度格点矩阵和某一时刻的海表面温度 异常的经纬度格点， 按照相同经纬度的格点对应相乘的规则， 得到一个新的矩阵， 将得到的 新矩阵内所有值相加， 即得到该时刻的对应PC值。 [0013]优选的， 步骤S3中所述改进的深度学习模型VGG ‑11的训练参数： 小批量数： 128， 使说　明　书 1/4 页 3 CN 114330132 B 3